Az elmúlt tíz évben az online reklámok gyors növekedése által okozott zavarok következtében a marketingszervezetek lényegesen több adathoz férnek hozzá a hatékonyság és a ROI nyomon követéséhez. Ez a változás hatással volt arra, hogy a marketingesek hogyan mérik a hirdetések hatékonyságát, valamint olyan új mérőszámok kialakulására, mint a kattintásonkénti költség (CPC), az ezer megjelenésenkénti költség (CPM), az akciónkénti/szerzésenkénti költség (CPA) és az átkattintásos konverzió. Emellett az idők során több attribúciós modell is kialakult, mivel a digitális eszközök elterjedése és a rendelkezésre álló adatok óriási növekedése az attribúciós technológia fejlődését sürgette.
- A Single Source Attribution (más néven Single Touch Attribution) modellek az összes hitelt egy eseményhez rendelik, például az utolsó kattintáshoz, az első kattintáshoz vagy a hirdetés utolsó csatornán történő megjelenítéséhez (post view). Az egyszerű vagy utolsó kattintásra történő attribúciót széles körben kevésbé tekintik pontosnak, mint az attribúció alternatív formáit, mivel nem veszi figyelembe az összes hozzájáruló tényezőt, amely a kívánt eredményhez vezetett.
- A tört attribúció magában foglalja az egyenlő súlyokat, az időbeli csökkenést, az ügyfélhitelt és a multi-touch / görbe modelleket. Az egyenlő súlyú modellek azonos mennyiségű jóváírást adnak az eseményeknek, a vevői jóváírás a múltbeli tapasztalatokat és néha egyszerűen találgatásokat használ a jóváírás kiosztásához, a multi-touch pedig különböző jóváírásokat rendel a vásárlói út összes érintkezési pontjához, meghatározott összegekkel.
- Az algoritmikus vagy valószínűségi attribúció statisztikai modellezést és gépi tanulási technikákat használ a konverzió valószínűségének levezetésére az összes marketingérintkezési ponton, amely aztán felhasználható a konverziót megelőző egyes érintkezési pontok értékének súlyozására. A Google Doubleclick és az Analytics 360 Data Driven Attribution néven is ismert, kifinomult algoritmusok segítségével elemzi a fiók összes különböző (nem konvertáló és konvertáló) útvonalát, hogy kiderítse, mely érintkezési pontok segítik leginkább a konverziót. Az algoritmikus attribúció az összes csatornán keresztül elemzi mind a konvertáló, mind a nem konvertáló utakat, hogy meghatározza a konverzió valószínűségét. Az egyes érintkezési pontokhoz rendelt valószínűséggel az érintkezési pontok súlyai az adott érintkezési pont valamely dimenziója (csatorna, elhelyezés, kreatív stb.) szerint összesíthetők, hogy meghatározzák az adott dimenzió teljes súlyát.
Algoritmikus attribúciós modell felépítéseSzerkesztés
A statisztikából és a gépi tanulásból származó bináris osztályozási módszerek felhasználhatók a megfelelő modellek felépítéséhez. A modellek fontos eleme azonban a modell értelmezhetősége, ezért a logisztikus regresszió gyakran megfelelő a modell együtthatóinak könnyű értelmezhetősége miatt.
Viselkedési modellEdit
Tegyük fel, hogy a megfigyelt reklámadatok { ( ( X i , A i , Y i ) } i = 1 n {\displaystyle \{(X_{i},A_{i},Y_{i})\}_{i=1}^{n}}}
ahol
- X ∈ R {\displaystyle X\in \mathbb {R} }
kovariánsok
- A ∈ { 0 , 1 } {\displaystyle A\in \{0,1\}}
fogyasztó látta a hirdetést vagy sem
- Y ∈ { 0 , 1 } {\displaystyle Y\in \{0,1\}}
konverzió: bináris válasz a hirdetésre
Fogyasztói választási modellSzerkesztés
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} }
kovariánsok és ∀ A {\displaystyle \forall A}
ads
u = ∑ k A β k ψ ( x ) + ϵ {\displaystyle u=\sum _{k}A\beta ^{k}\psi (x)+\epsilon }
A kovariánsok, X {\displaystyle X}
, általában a kiszolgált hirdetés különböző jellemzőit (kreatív, méret, kampány, marketing taktika stb.) és a hirdetést látó fogyasztó leíró adatait (földrajzi hely, készüléktípus, operációs rendszer típusa stb.) tartalmazzák.
HaszonelméletSzerkesztés
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
A modellezési megközelítés fontos jellemzője annak a lehetséges eredménynek a becslése, hogy a fogyasztók feltételezik, hogy nem voltak kitéve egy reklámnak. Mivel a marketing nem egy ellenőrzött kísérlet, a marketing valódi hatásának megértéséhez hasznos a potenciális kimenetelek levezetése.
Az átlagos kimenetelt, ha minden fogyasztó ugyanazt a reklámot látta volna, a következő adja meg:
μ a = E Y ∗ ( a ) {\displaystyle \mu _{a}=\mathbb {E} Y^{*}(a)}
= E { E { E ( Y | X | X , A = a ) } } {\displaystyle =\mathbb {E} \{\\mathbb {E} ( Y|X , A=a)\}}
A marketingest gyakran érdekli a “bázis” megértése, vagyis annak a valószínűsége, hogy egy fogyasztó a marketing befolyása nélkül is megtérül. Ez lehetővé teszi a marketinges számára, hogy megértse a marketingterv valódi hatékonyságát. A konverziók teljes száma mínusz az “alap” konverziók száma pontos képet ad a marketing által vezérelt konverziók számáról. A “bázis” becslése a származtatott logisztikus függvény és a potenciális eredmények felhasználásával közelíthető.
Bázis = Előre jelzett konverziók megfigyelt marketing nélkül Előre jelzett konverziók megfigyelt marketinggel {\displaystyle {\text{Bázis}}={\frac {\text{előre jelzett konverziók megfigyelt marketing nélkül}{\text{előre jelzett konverziók megfigyelt marketinggel}}}}
= E { E { E ( Y | X , A = 0 ) } } E { E { E { E ( Y | X , A = 1 ) } } } {\displaystyle ={\frac {\mathbb {E} \{\\mathbb {E} (Y|X,A=0)\}}}{\mathbb {E} \{\{\\mathbb {E} (Y|X,A=1)\}}}}
Mihelyt az alapot levezetjük, a marketing járulékos hatása úgy értelmezhető, mint az egyes hirdetéseknek az “alaphoz” viszonyított növekedése, feltételezve, hogy a többit nem látták a potenciális eredményben. Ezt a bázishoz viszonyított emelést gyakran az attribúciós modellben az adott jellemző súlyaként használják.
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} (Y|X,A=0)\}}}{\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}
