Verkkomainonnan nopean kasvun viimeisten kymmenen vuoden aikana aiheuttamien häiriöiden seurauksena markkinointiorganisaatioilla on käytössään huomattavasti enemmän tietoa tehokkuuden ja ROI:n seuraamiseksi. Tämä muutos on vaikuttanut siihen, miten markkinoijat mittaavat mainonnan tehokkuutta, sekä uusien mittareiden, kuten kustannus per klikkaus (CPC), kustannus tuhatta näyttökertaa kohti (CPM), kustannus per toiminta/hankinta (CPA) ja klikkauskonversio, kehittämiseen. Lisäksi useat attribuutiomallit ovat kehittyneet ajan myötä, kun digitaalisten laitteiden yleistyminen ja käytettävissä olevien tietojen valtava kasvu ovat vauhdittaneet attribuutioteknologian kehitystä.
- Single Source Attribution (myös Single Touch Attribution) -mallit antavat kaiken kunnian yhdelle tapahtumalle, kuten viimeiselle klikkaukselle, ensimmäiselle klikkaukselle tai viimeiselle kanavalle, jossa mainos näytetään (post view). Yksinkertaista tai viimeisen klikkauksen attribuutiota pidetään yleisesti epätarkempana kuin vaihtoehtoisia attribuutiomuotoja, koska siinä ei oteta huomioon kaikkia haluttuun lopputulokseen johtaneita tekijöitä.
- Murto-osittainen attribuutio sisältää yhtäläiset painotukset, aikahajoamisen, asiakashyvityksen ja monikosketus/käyrämallit. Tasapainomallit antavat tapahtumille saman määrän hyvitystä, asiakashyvitys käyttää aiempaa kokemusta ja joskus pelkkää arvailua hyvityksen jakamiseen, ja multi-touch-mallit antavat eri hyvityksiä kaikille ostajapolun kosketuspisteille määrätyin määrin.
- Algoritminen tai probabilistinen attribuutio (Probabilistic Attribution) käyttää tilastollista mallintamista ja koneoppimistekniikoita konversion todennäköisyyden johtamiseksi kaikista markkinoinnin kosketuspisteistä, joita voidaan sitten käyttää painottamaan kunkin konversiota edeltävän kosketuspisteen arvoa. Tunnetaan myös nimellä Data Driven Attribution Googlen Doubleclick ja Analytics 360 käyttävät kehittyneitä algoritmeja analysoidakseen kaikkia tilisi eri polkuja (sekä ei-konvertoivia että konvertoivia) selvittääkseen, mitkä kosketuspisteet auttavat eniten konversioissa. Algoritminen attribuutio analysoi sekä konvertoivia että ei-konvertoivia polkuja kaikissa kanavissa konversion todennäköisyyden määrittämiseksi. Kun kullekin kosketuspisteelle on määritetty todennäköisyys, kosketuspisteiden painot voidaan yhdistää kyseisen kosketuspisteen ulottuvuuden (kanava, sijoittelu, luova tuote jne.) mukaan kyseisen ulottuvuuden kokonaispainon määrittämiseksi.
Algoritmisen attribuutiomallin rakentaminenTiedosto
Sopivien mallien rakentamiseen voidaan käyttää tilastotieteen ja koneoppimisen binäärisiä luokittelumenetelmiä. Tärkeä osa malleja on kuitenkin mallin tulkittavuus; siksi logistinen regressio on usein tarkoituksenmukainen mallin kertoimien helpon tulkittavuuden vuoksi.
KäyttäytymismalliMuokkaa
Esitettäköön, että havainnoidut mainosdatat ovat { ( ( X i , A i , Y i , Y i ) } i = 1 n {\displaystyle \{(X_{i},A_{i},Y_{i})\}_{i=1}^{n}}}}
missä
- X ∈ R {\displaystyle X\in \mathbb {R} }
kovariaatit
- A ∈ { 0 , 1 } {\displaystyle A\in \{0,1\}}
kuluttaja näki mainoksen vai ei
- Y ∈ { 0 , 1 } {\displaystyle Y\in \{0,1\}}
muunnos: binäärinen vastaus mainokseen
Kuluttajan valintamalliEdit
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} }
kovariaatit ja ∀ A {\displaystyle \forall A}
ads
u = ∑ k A β k ψ ( x ) + ϵ {\displaystyle u=\sum _{k}A\beta ^{k}\psi (x)+\epsilon }
Kovariaatteja, X {\displaystyle X}
, ovat yleensä erilaiset ominaisuudet, jotka koskevat välitettyä mainosta (luova, koko, kampanja, markkinointitaktiikka jne.) ja kuvailevia tietoja mainoksen nähneestä kuluttajasta (maantieteellinen sijainti, laitetyyppi, käyttöjärjestelmän tyyppi jne.).
HyödyllisyysteoriaEdit
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/}
Counterfactual procedureEdit
Mallinnuslähestymistavan tärkeä piirre on arvioida kuluttajan mahdollinen lopputulos olettaen, että hän ei olisi altistunut mainokselle. Koska markkinointi ei ole kontrolloitu koe, on hyödyllistä johtaa potentiaaliset lopputulokset, jotta voidaan ymmärtää markkinoinnin todellista vaikutusta.
Keskimääräinen lopputulos, jos kaikki kuluttajat näkisivät saman mainoksen, saadaan
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)\}}
Markkinoija on usein kiinnostunut ymmärtämään ”pohjan” eli sen todennäköisyyden, että kuluttaja muuntuu ilman markkinoinnin vaikutusta. Näin markkinoija voi ymmärtää markkinointisuunnitelman todellisen tehokkuuden. Konversioiden kokonaismäärä, josta on vähennetty ”peruskonversiot”, antaa tarkan kuvan markkinoinnin aikaansaamien konversioiden määrästä. Perusarviota voidaan approksimoida käyttämällä johdettua logistista funktiota ja potentiaalisia tuloksia.
Perus = Ennustetut konversiot ilman havaittua markkinointia Ennustetut konversiot havaitun markkinoinnin kanssa {\displaystyle {\text{Base}={\frac {\text{Ennustetut konversiot ilman havaittua markkinointia}{\text{Predicted Conversions Without Observed Marketing}{\text{Predicted Conversions With Observed Marketing}}}}
= E { E { E ( Y | X , A = 0 ) } } E { E { E { E ( Y | X , A = 1 ) } } { E { E ( Y | X , A = 1 ) } {\displaystyle ={\frac {\mathbb {E} \{\{mathbb {E} \{\mathbb {E} \{\mathbb {E} (Y|X,A=0)\}}{\mathbb {E}{\mathbb {E} {\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}
Kun perusta on johdettu, markkinoinnin lisävaikutus voidaan ymmärtää siten, että se on kunkin mainoksen nosto ”pohjaan” nähden olettaen, että muut mainokset eivät näkyisi mahdollisessa lopputuloksessa. Tätä perustan ylitystä käytetään usein kyseisen ominaisuuden painona attribuutiomallissa.
Attribution Weight = {\displaystyle {\text{Attribution Weight}}=}
= 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} \{\mathbb {E} (Y|X,A=0)\}}{\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}
