V důsledku narušení způsobeného rychlým růstem online reklamy v posledních deseti letech mají marketingové organizace přístup k výrazně většímu množství dat pro sledování účinnosti a návratnosti investic. Tato změna ovlivnila způsob, jakým marketéři měří účinnost reklamy, a také vývoj nových metrik, jako jsou náklady na kliknutí (CPC), náklady na tisíc zobrazení (CPM), náklady na akci/akvizici (CPA) a konverze na kliknutí. Kromě toho se v průběhu času vyvinulo více atribučních modelů, protože rozšíření digitálních zařízení a obrovský nárůst dostupných dat posunuly vývoj atribučních technologií.
- Modely atribuce jednoho zdroje (také atribuce jednoho dotyku) připisují veškeré zásluhy jedné události, například poslednímu kliknutí, prvnímu kliknutí nebo poslednímu kanálu, který reklamu zobrazil (post view). Jednoduchá atribuce neboli atribuce posledního kliknutí je obecně považována za méně přesnou než alternativní formy atribuce, protože nezohledňuje všechny přispívající faktory, které vedly k požadovanému výsledku.
- Dílčí atribuce zahrnuje modely rovných vah, časového rozpadu, zákaznického kreditu a modely s více dotyky / křivkami. Modely s rovnoměrnou váhou přiřazují událostem stejnou výši kreditu, zákaznický kredit využívá k přidělení kreditu minulé zkušenosti a někdy i pouhý odhad a multi-touch přiřazuje různý kredit napříč všemi touchpointy v nákupní cestě ve stanovené výši.
- Algoritmická neboli pravděpodobnostní atribuce využívá statistické modelování a techniky strojového učení k odvození pravděpodobnosti konverze napříč všemi marketingovými touchpointy, které lze následně použít k vážení hodnoty každého touchpointu předcházejícího konverzi. Známá také jako Data Driven Attribution (atribuce řízená daty) Aplikace Doubleclick a Analytics 360 společnosti Google používají sofistikované algoritmy k analýze všech různých cest ve vašem účtu (nekonvertující i konvertující), aby zjistily, které touchpointy nejvíce pomáhají ke konverzím. Algoritmická atribuce analyzuje konvertující i nekonvertující cesty napříč všemi kanály, aby určila pravděpodobnost konverze. S pravděpodobností přiřazenou každému touchpointu lze váhy touchpointů agregovat podle dimenze daného touchpointu (kanál, umístění, kreativa atd.) a určit tak celkovou váhu dané dimenze.
Sestavení algoritmického atribučního modeluEdit
K sestavení vhodných modelů lze použít metody binární klasifikace ze statistiky a strojového učení. Důležitým prvkem modelů je však interpretovatelnost modelu, proto je často vhodná logistická regrese kvůli snadné interpretaci koeficientů modelu.
Behaviorální modelEdit
Předpokládejme, že pozorovaná reklamní data jsou { ( X i , A i , Y i ) } i = 1 n {\displaystyle \{(X_{i},A_{i},Y_{i})\}_{i=1}^{n}}}
kde
- X ∈ R {\displaystyle X\in \mathbb {R} }
kovariáty
- A ∈ { 0 , 1 } {\displaystyle A\in \{0,1\}}
spotřebitel viděl reklamu nebo ne
- Y ∈ { 0 , 1 } {\displaystyle Y\in \{0,1\}}
převod: binární reakce na reklamu
Model volby spotřebiteleEdit
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} }
kovariáty a ∀ A {\displaystyle \forall A}
ads
u = ∑ k A β k ψ ( x ) + ϵ {\displaystyle u=\sum _{k}A\beta ^{k}\psi (x)+\epsilon }
Kovariáty, X {\displaystyle X}
, obecně zahrnují různé charakteristiky o zobrazené reklamě (kreativa, velikost, kampaň, marketingová taktika atd.) a popisné údaje o spotřebiteli, který reklamu viděl (zeměpisná poloha, typ zařízení, typ operačního systému atd.).
Teorie užitkuEdit
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/}
Kontrafaktuální postupEdit
Důležitým rysem modelového přístupu je odhad potenciálního výsledku spotřebitelů za předpokladu, že nebyli vystaveni reklamě. Protože marketing není řízený experiment, je užitečné odvodit potenciální výsledky, abychom pochopili skutečný účinek marketingu.
Střední výsledek, pokud by všichni spotřebitelé viděli stejnou reklamu, je dán vztahem
μ a = E Y ∗ ( a ) {\displaystyle \mu _{a}=\mathbb {E}. Y^{*}(a)}
= E { E ( Y | X , A = a ) } {\displaystyle =\mathbb {E} \{\mathbb {E} (Y|X,A=a)\}}
Trhovce často zajímá pochopení „základny“ neboli pravděpodobnosti, že spotřebitel konvertuje, aniž by byl ovlivněn marketingem. To marketérovi umožňuje pochopit skutečnou účinnost marketingového plánu. Celkový počet konverzí snížený o „základní“ konverze poskytne přesný přehled o počtu konverzí vyvolaných marketingem. Odhad „základny“ lze aproximovat pomocí odvozené logistické funkce a s využitím potenciálních výsledků.
Základna = Předpokládané konverze bez pozorovaného marketingu Předpokládané konverze s pozorovaným marketingem {\displaystyle {\text{Základna}}={\frac {\text{Předpokládané konverze bez pozorovaného marketingu}}{\text{Předpokládané konverze s pozorovaným marketingem}}}}
= E { E ( Y | X , A = 0 ) } E { E ( Y | X , A = 1 ) } {\displaystyle ={\frac {\mathbb {E} \{\mathbb {E} (Y|X,A=0)\}}{\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}
Po odvození základu lze přírůstkový účinek marketingu chápat jako zvýšení oproti „základu“ pro každou reklamu za předpokladu, že ostatní nebyly v potenciálním výsledku viděny. Toto zvýšení oproti základu se často používá jako váha pro danou charakteristiku uvnitř atribučního modelu.
Attribution Weight = {\displaystyle {\text{Attribution Weight}}=}
= E { E ( Y | X , A = 1 ) } – E { E ( Y | X , A = 0 ) } E { E ( Y | X , A = 1 ) } {\displaystyle ={\frac {\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}-\mathbb {E} \{\mathbb {E} (Y|X,A=0)\}}{\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}
