過去10年間のオンライン広告の急成長によって生じた混乱から、マーケティング組織は効果やROIを追跡するためのデータを大幅に利用できるようになりました。 この変化は、マーケティング担当者が広告の効果を測定する方法や、クリック単価 (CPC)、インプレッション単価 (CPM)、行動/獲得単価 (CPA) およびクリック スルー コンバージョンなどの新しい測定基準の開発に影響を及ぼしました。 さらに、デジタル機器の普及と利用可能なデータの驚異的な増加により、複数のアトリビューション モデルが時間とともに進化し、アトリビューション テクノロジーの発展を後押ししています。
- Single Source Attribution (Single Touch Attribution) モデルは、最後のクリック、最初のクリック、広告を表示する最後のチャネル（ポストビュー）など、1 つのイベントにすべての功績を割り当てるモデルです。 単純クリックまたはラストクリックのアトリビューションは、望ましい結果につながったすべての寄与要因を考慮できないため、他のアトリビューション形式よりも精度が低いと広く見なされています。
- 分数アトリビューションには、均等配分、タイムディケイ、カスタマー クレジット、マルチタッチ/カーブ モデルがあります。 均等配分モデルでは、イベントに対して同じ量のクレジットを与え、カスタマークレジットでは、過去の経験や時には単なる推測を使用してクレジットを配分し、マルチタッチでは、バイヤージャーニーのすべてのタッチポイントに対して、設定された量のさまざまなクレジットを割り当てます。
- アルゴリズムまたは確率的アトリビューションは、統計的モデリングと機械学習技術を使用して、すべてのマーケティングタッチポイントのコンバージョン確率を導き出し、それをコンバージョン前の各タッチポイントの価値の重みづけに使用できます。 GoogleのDoubleclickとAnalytics 360は、高度なアルゴリズムを使用して、アカウント内のすべての異なるパス（非コンバージョンとコンバージョンの両方）を分析し、どのタッチポイントがコンバージョンに最も貢献しているかを把握します。 アルゴリズムによるアトリビューションでは、すべてのチャネルのコンバージョン経路と非コンバージョン経路の両方を分析し、コンバージョンの確率を決定します。 各タッチポイントに割り当てられた確率により、タッチポイントの重みをそのタッチポイントの次元（チャネル、プレースメント、クリエイティブなど）で集約し、その次元の総重量を決定します。
アルゴリズム的アトリビューションモデルの構築編集
統計学と機械学習の二項分類法は、適切なモデルを構築するために使用することができます。 しかし、モデルの重要な要素はモデルの解釈性である。したがって、モデル係数の解釈のしやすさからロジスティック回帰が適切であることが多い。
行動モデル編集
観測された広告データが{ ( X i , A i , Y i ) } i = 1 n {displaystyle \{(X_{i},A_{i},Y_{i})}_{i=1}^{n}} だと仮定する。
where
- X∈R {displaystyle X in \mathbb {R} } } }.
covariates
- A∈{ 0 , 1 } {displaystyle A in \{0,1}}}
consumer saw ad or not
- Y∈{ 0 , 1 } {displaystyle Yin \{0,1}} } }.
変換：広告に対する二値反応
消費者選択モデル編集
u ( x , a ) = E ( Y | X = x , A = a ) {displaystyle u(x,a)=mathbb {E} } {Displaystyle u(x,a) = E}
∀ X ∈ R {displaystyle \forall Xin \mathbb {R} } } }.
covariates and ∀ A {displaystyle \forall A}.
ads
u = ∑ k A β k ψ ( x ) + ϵ {displaystyle u=sum _{k}Abeta ^{k}psi (x)+୧So_271E↩ } {Desktop = Σk β Ψ ( x ) + Σk ψ ( x ) + Σk ε (x)
共変量、X {displaystyle X}
には、一般に、配信された広告に関するさまざまな特性（クリエイティブ、サイズ、キャンペーン、マーケティング戦術など）、広告を見た消費者に関する記述データ（地域、デバイス タイプ、OS タイプなど）などが含まれています。
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})} } {Displaystyle Pr(y=1|x)=Pr(u={1}>u_{0})
= 1 / {displaystyle =1/} となる。
Counterfactual procedureEdit
モデリングアプローチの重要な特徴は、消費者が広告に触れていなかったと仮定した場合の潜在的な結果を推定することである。 マーケティングは管理実験ではないので、潜在的な結果を導き出すことはマーケティングの真の効果を理解するのに役立つ。
すべての消費者が同じ広告を見た場合の平均結果は、
μ a = E Y∗ ( a ) {displaystyle \mu _{a}=mathbb {E} で与えられる。 Y^{*}(a)}。
= E { E ( Y | X , A = a ) } とする。 {displaystyle =mathbb {E} \♪♪～ (Y|X,A=a)♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪｝
マーケティング担当者は、しばしば「基本」、つまり消費者がマーケティングの影響を受けずにコンバージョンする可能性を理解することに関心があります。 これにより、マーケティング担当者は、マーケティング計画の真の有効性を理解することができます。 コンバージョンの総数から「ベース」コンバージョンを差し引けば、マーケティングによってもたらされたコンバージョンの数を正確に把握することができます。 Base = Predicted Conversions Without Observed Marketing Predicted Conversions With Observed Marketing {displaystyle {text{Base}={frac {text{Predicted Conversions Without Observed Marketing}}{text{Predicted Conversions With Observed Marketing}}}}}
この推定値はロジスティック関数と潜在結果を使用して近似することができます。
= e { e ( y | x , a = 0 ) } とする。 e { e ( y | x , a = 1 ) }. {Displaystyle ={frac} {mathbb} {E \♪♪～ (Y|X,A=0)\}}{mathbb {E}} \♪♪～ (Y|X,A=1)}}}。
一旦ベースが導き出されると、マーケティングの増分効果は、他の広告が潜在的な結果で見られなかったと仮定して、各広告の「ベース」に対するリフトと理解することができます。 ベースに対するこのリフトは、多くの場合、アトリビューション モデル内部でその特性の重みとして使用されます。
= e { e ( y | x , a = 1 ) }. – e { e ( y | x , a = 0 ) }. e { e ( y | x , a = 1 ) }. {Displaystyle ={frac} {mathbb {E} \♪♪～ (Y|X,A=1)\}-mathbb {E}。 \♪♪～ (Y|X,A=0)\}{mathbb {E}。 \♪♪～ (Y|X,A=1)♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪♪｝
