Som følge af den forstyrrelse, der er opstået som følge af den hurtige vækst i online-reklamer i løbet af de sidste ti år, har marketingorganisationer adgang til betydeligt flere data til at spore effektivitet og ROI. Denne ændring har påvirket den måde, hvorpå markedsføringsfolk måler effektiviteten af reklamer, samt udviklingen af nye målepunkter såsom omkostninger pr. klik (CPC), omkostninger pr. tusinde visninger (CPM), omkostninger pr. handling/anskaffelse (CPA) og klik-konvertering. Derudover har flere attributionsmodeller udviklet sig med tiden, da udbredelsen af digitale enheder og den enorme vækst i tilgængelige data har skubbet på udviklingen af attributionsteknologien.
- Single Source Attribution (også Single Touch Attribution) modeller tildeler al kredit til én begivenhed, f.eks. det sidste klik, det første klik eller den sidste kanal, der viser en annonce (post view). Simpel tilskrivning eller tilskrivning efter sidste klik anses generelt for at være mindre præcis end alternative former for tilskrivning, da den ikke tager højde for alle de medvirkende faktorer, der førte til et ønsket resultat.
- Fractional Attribution omfatter lige vægte, time decay, kundekredit og multi-touch/kurve-modeller. Modeller med lige vægt giver den samme mængde kredit til begivenhederne, kundekredit bruger tidligere erfaringer og nogle gange blot gætværk til at tildele kredit, og multi-touch tildeler forskellige kreditter til på tværs af alle touchpoints i købers rejse med faste beløb.
- Algoritmisk eller probabilistisk tilskrivning anvender statistisk modellering og maskinlæringsteknikker til at udlede sandsynligheden for konvertering på tværs af alle marketing-touchpoints, som derefter kan bruges til at vægte værdien af hvert touchpoint forud for konverteringen. Google’s Doubleclick og Analytics 360 bruger sofistikerede algoritmer til at analysere alle de forskellige veje i din konto (både ikke-konverterende og konverterende) for at finde ud af, hvilke kontaktpunkter der bidrager mest til konverteringer. Algoritmisk attribution analyserer både konverterende og ikke-konverterende stier på tværs af alle kanaler for at bestemme sandsynligheden for konvertering. Med en sandsynlighed tildelt hvert touchpoint kan touchpoint-vægtene aggregeres efter en dimension af det pågældende touchpoint (kanal, placering, kreativitet osv.) for at bestemme en samlet vægt for den pågældende dimension.
Konstruktion af en algoritmisk attributionsmodelRediger
Binære klassifikationsmetoder fra statistik og maskinlæring kan bruges til at opbygge passende modeller. Et vigtigt element i modellerne er imidlertid modellens fortolkelighed; derfor er logistisk regression ofte passende på grund af den lette fortolkning af modelkoefficienter.
AdfærdsmodelRediger
Sæt at de observerede reklamedata er { ( X i , A i , Y i ) } } i = 1 n {\displaystyle \{(X_{i},A_{i},Y_{i})\}_{i=1}^{n}}}
hvor
- X ∈ R {\displaystyle X\in \mathbb {R} }
kovariater
- A ∈ { 0 , 1 } {\displaystyle A\in \{0,1\}}
forbrugeren så annoncen eller ej
- Y ∈ { 0 , 1 } {\displaystyle Y\in \{0,1\}}
konvertering: binær reaktion på annoncen
ForbrugervalgsmodelRediger
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} }
kovariater og ∀ A {\displaystyle \forall A}
ads
u = ∑ k A β k k ψ ( x ) + ϵ {\displaystyle u=\sum _{k}A\beta ^{k}\psi (x)+\epsilon }
Kovariater, X {\displaystyle X}
, omfatter generelt forskellige karakteristika ved den viste annonce (kreativitet, størrelse, kampagne, markedsføringstaktik osv.) og beskrivende data om den forbruger, der så annoncen (geografisk placering, enhedstype, OS-type osv.).
Utility theoryEdit
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/}
Kontrafaktisk procedureRediger
Et vigtigt træk ved modelleringsmetoden er at estimere det potentielle resultat for forbrugerne, hvis de antager, at de ikke blev udsat for en annonce. Da markedsføring ikke er et kontrolleret eksperiment, er det nyttigt at udlede potentielle udfald for at forstå den sande effekt af markedsføring.
Det gennemsnitlige udfald, hvis alle forbrugere så den samme reklame, er givet ved
μ a = E Y ∗ ( a ) {\displaystyle \mu _{a}=\mathbb {E} Y^{*}(a)}
= E { E { E ( Y | X , A = a ) } {\displaystyle =\mathbb {E} \{{\mathbb {E} (Y|X,A=a)\}}}
En marketingmedarbejder er ofte interesseret i at forstå “basen”, eller sandsynligheden for, at en forbruger vil konvertere uden at blive påvirket af markedsføring. Dette giver marketingmedarbejderen mulighed for at forstå markedsføringsplanens reelle effektivitet. Det samlede antal konverteringer minus “basis”-konverteringer vil give et nøjagtigt billede af antallet af konverteringer, der er drevet af markedsføring. Estimatet for “basen” kan tilnærmes ved hjælp af den afledte logistiske funktion og ved hjælp af potentielle resultater.
Base = forudsagte konverteringer uden observeret markedsføring forudsagte konverteringer med observeret markedsføring {\displaystyle {\text{Base}}={\frac {\text{{Predicted Conversions Without Observed Marketing}}{\text{Predicted Conversions With Observed Marketing}}}}
= E { E { E ( Y | X , A = 0 ) } E { E ( E ( Y | X , A = 1 ) } {\displaystyle ={\frac {\mathbb {\mathbb {E} \{{\mathbb {E}} (Y|X,A=0)\}}}{\mathbb {E}{\mathbb {E} \{{\mathbb {E}} (Y|X,A=1)\}}}}
Når grundlaget er udledt, kan den inkrementelle effekt af markedsføringen forstås som løftet i forhold til “grundlaget” for hver annonce, hvis man antager, at de andre annoncer ikke blev set i det potentielle resultat. Dette løft over basen bruges ofte som vægten for den pågældende egenskab inden for attributionsmodellen.
Attribution Weight = {\displaystyle {\text{Attribution Weight}}=}
= E { E { E ( E ( Y | X , A = 1 ) } } – E { 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)\}}}}
