Risultante dallo sconvolgimento creato dalla rapida crescita della pubblicità online negli ultimi dieci anni, le organizzazioni di marketing hanno accesso a molti più dati per tracciare l’efficacia e il ROI. Questo cambiamento ha influenzato il modo in cui i marketer misurano l’efficacia delle pubblicità, così come lo sviluppo di nuove metriche come il costo per clic (CPC), il costo per mille impressioni (CPM), il costo per azione/acquisizione (CPA) e la conversione click-through. Inoltre, i modelli di attribuzione multipla si sono evoluti nel tempo, poiché la proliferazione dei dispositivi digitali e l’enorme crescita dei dati disponibili hanno spinto lo sviluppo della tecnologia di attribuzione.
- I modelli di attribuzione a fonte singola (anche attribuzione a tocco singolo) assegnano tutto il credito a un evento, come l’ultimo clic, il primo clic o l’ultimo canale per mostrare un annuncio (post view). L’attribuzione semplice o dell’ultimo clic è ampiamente considerata come meno accurata delle forme alternative di attribuzione, poiché non riesce a tenere conto di tutti i fattori che hanno contribuito al risultato desiderato.
- L’attribuzione frazionata include pesi uguali, decadimento temporale, credito al cliente e modelli multi-touch / curva. I modelli a peso uguale danno la stessa quantità di credito agli eventi, il credito al cliente usa l’esperienza passata e a volte semplicemente la congettura per assegnare il credito, e il multi-touch assegna vari crediti a tutti i touchpoint nel buyer journey a importi stabiliti.
- L’attribuzione algoritmica o probabilistica utilizza la modellazione statistica e le tecniche di apprendimento automatico per derivare la probabilità di conversione attraverso tutti i touchpoint di marketing che possono poi essere utilizzati per pesare il valore di ogni touchpoint precedente la conversione. Conosciuta anche come Data Driven Attribution Google’s Doubleclick e Analytics 360 utilizzano sofisticati algoritmi per analizzare tutti i diversi percorsi nel vostro account (sia di non-conversione che di conversione) per capire quali touchpoint aiutano maggiormente le conversioni. L’attribuzione algoritmica analizza sia i percorsi in conversione che quelli non in conversione su tutti i canali per determinare la probabilità di conversione. Con una probabilità assegnata ad ogni touchpoint, i pesi del touchpoint possono essere aggregati per una dimensione di quel touchpoint (canale, posizionamento, creativo, ecc.) per determinare un peso totale per quella dimensione.
Costruzione di un modello di attribuzione algoritmicaModifica
I metodi di classificazione binaria dalla statistica e dall’apprendimento automatico possono essere utilizzati per costruire modelli appropriati. Tuttavia, un elemento importante dei modelli è l’interpretabilità del modello; pertanto, la regressione logistica è spesso appropriata a causa della facilità di interpretazione dei coefficienti del modello.
Modello comportamentaleEdit
Supponiamo che i dati pubblicitari osservati siano { ( X i , A i , Y i ) } i = 1 n {\displaystyle \{(X_{i},A_{i},Y_{i})\}_{i=1}^{n}}
dove
- X ∈ R {displaystyle X in \mathbb {R}
covariate
- A ∈ { 0 , 1 } {displaystyle A\in \0,1\}}
il consumatore ha visto o no l’annuncio
- Y ∈ { 0 , 1 } {displaystyle Y\in \0,1\}}
conversione: risposta binaria all’annuncio
Modello di scelta del consumatoreEdit
u ( x , a ) = E ( Y | X = x , A = a ) {displaystyle u(x,a)=\mathbb {E} (Y|X=x,A=a)}
∀ X ∈ R {\displaystyle \forall X\in \mathbb {R}
covariate e ∀ A {displaystyle \forall A}
ads
u = ∑ k A β k ψ ( x ) + ϵ {displaystyle u=sum _{k}A\beta ^{k}\psi (x)+\epsilon }
Le variabili, X {displaystyle X}
, generalmente includono diverse caratteristiche dell’annuncio servito (creatività, dimensione, campagna, tattica di marketing, ecc.) e dati descrittivi sul consumatore che ha visto l’annuncio (posizione geografica, tipo di dispositivo, tipo di sistema operativo, ecc.)
Teoria dell’utilitàModifica
y i ∗ = max y i ( E ) {\displaystyle y_{i}^{*}={{underset {y_{i}}{\max }}{\bigl (}mathbb {E} {\bigr )}}
P r ( y = 1 | x ) = P r ( u 1 > u 0 ) {\displaystyle Pr(y=1|x)=Pr(u_{1}>u_{0})}
= 1 / {\displaystyle =1/}
Procedura controfattualeModifica
Una caratteristica importante dell’approccio modellistico è la stima del risultato potenziale dei consumatori che suppongono di non essere stati esposti a un annuncio. Poiché il marketing non è un esperimento controllato, è utile ricavare i risultati potenziali per capire il vero effetto del marketing.
Il risultato medio se tutti i consumatori hanno visto la stessa pubblicità è dato da
μ a = E Y ∗ ( a ) {\displaystyle \mu _{a}=\mathbb {E} Y^{*}(a)}
= E { E ( Y | X , A = a ) } {E = E ( Y | X , A = a ) = E ( Y | X , A = a ) = E ( Y | X , A = a ) \E ( Y|X,A=a ) = E ( Y|X,A=a ) = E ( Y|X,A=a ) (Y|X,A=a)\}}
Un marketer è spesso interessato a capire la ‘base’, o la probabilità che un consumatore converta senza essere influenzato dal marketing. Questo permette al marketer di capire la vera efficacia del piano di marketing. Il numero totale di conversioni meno le conversioni ‘base’ darà una visione accurata del numero di conversioni guidate dal marketing. La stima della ‘base’ può essere approssimata usando la funzione logistica derivata e utilizzando i risultati potenziali.
Base = Conversioni previste senza il marketing osservato Conversioni previste con il marketing osservato {displaystyle {\testo{Base}}={frac {\testo{Conversioni previste senza il marketing osservato}{\testo{ Conversioni previste con il marketing osservato}}}}
= E { E ( Y | X , A = 0 ) } E { E ( Y | X , A = 1 ) } {\frac ={frac {mathbb {E} \(Y|X,A=0) (Y|X,A=0)\frac {mathbb {E}{mathbb {E} (Y|X,A=1)\frac {\mathbb {E} (Y|X,A=1)\}}}}
Una volta che la base è derivata, l’effetto incrementale del marketing può essere inteso come l’ascensore sopra la ‘base’ per ogni annuncio supponendo che gli altri non siano stati visti nel risultato potenziale. Questo aumento rispetto alla base è spesso usato come peso per quella caratteristica all’interno del modello di attribuzione.
Attribution Weight = {\displaystyle {\text{Attribution Weight}}=}
= E { E ( Y | X , A = 1 ) } – E { E ( Y | X , A = 0 ) } E { E ( Y | X , A = 1 ) } {\frac ={frac {mathbb {E} \(Y|X,A=1) (Y|X,A=1)\frac {\mathbb {E}-\mathbb {E} \mathbb {E} (Y|X,A=1)\frac {\mathbb {E} (Y|X,A=0)\mathbb {\mathbb {E} \(Y|X,A=0). (Y|X,A=1)\}}}}
