Ter gevolge van de verstoring die is ontstaan door de snelle groei van online reclame in de afgelopen tien jaar, hebben marketingorganisaties toegang tot aanzienlijk meer gegevens om de effectiviteit en ROI te volgen. Deze verandering heeft invloed gehad op de manier waarop marketeers de effectiviteit van advertenties meten, evenals de ontwikkeling van nieuwe metrics zoals kosten per klik (CPC), kosten per duizend vertoningen (CPM), kosten per actie/acquisitie (CPA) en click-through conversie. Bovendien hebben meerdere attributiemodellen zich in de loop van de tijd ontwikkeld naarmate de proliferatie van digitale apparaten en de enorme groei in beschikbare gegevens de ontwikkeling van attributietechnologie hebben gestimuleerd.
- Single Source Attribution (ook Single Touch Attribution) modellen wijzen alle krediet toe aan één gebeurtenis, zoals de laatste klik, de eerste klik of het laatste kanaal om een advertentie te tonen (post view). Eenvoudige of laatste-klik attributie wordt algemeen beschouwd als minder nauwkeurig dan alternatieve vormen van attributie, omdat het geen rekening houdt met alle bijdragende factoren die hebben geleid tot een gewenst resultaat.
- Fractionele attributie omvat gelijke gewichten, tijdsverval, klant krediet, en multi-touch / curve modellen. Gelijk gewicht modellen geven dezelfde hoeveelheid krediet aan de gebeurtenissen, klant krediet maakt gebruik van ervaringen uit het verleden en soms gewoon giswerk om krediet toe te wijzen, en de multi-touch wijst verschillende krediet aan over alle touchpoints in de buyer journey op vaste bedragen.
- Algoritmische of Probabilistische Attributie maakt gebruik van statistische modellering en machine learning-technieken om de waarschijnlijkheid van conversie over alle marketing touchpoints af te leiden, die vervolgens kan worden gebruikt om de waarde van elk touchpoint voorafgaand aan de conversie te wegen. Ook bekend als Data Driven Attribution Google’s Doubleclick en Analytics 360 gebruiken geavanceerde algoritmen om alle verschillende paden in uw account te analyseren (zowel niet-converterende als converterende) om uit te zoeken welke touchpoints het meest helpen bij conversies. Algoritmische attributie analyseert zowel converterende als niet-converterende paden in alle kanalen om de waarschijnlijkheid van conversie te bepalen. Met een waarschijnlijkheid toegewezen aan elk touchpoint, kunnen de touchpoint gewichten worden samengevoegd door een dimensie van dat touchpoint (kanaal, plaatsing, creatief, enz.) om een totaal gewicht voor die dimensie te bepalen.
Een algoritmisch attributiemodel construerenEdit
Binaire classificatiemethoden uit de statistiek en machine learning kunnen worden gebruikt om geschikte modellen te bouwen. Een belangrijk element van de modellen is echter de interpreteerbaarheid ervan; daarom is logistische regressie vaak geschikt vanwege het gemak waarmee modelcoëfficiënten kunnen worden geïnterpreteerd.
GedragsmodelEdit
Aannemelijk is dat de waargenomen reclamegegevens { ( X i , A i , Y i ) } i = 1 n {{(X_{i},A_{i},Y_{i})\}_{i=1}^{n}}
waarbij
- X ∈ R {\displaystyle X in \mathbb {R} }
covariaten
- A ∈ { 0 , 1 } {{6003> A ∈ in {0,1}}
consument zag advertentie of niet
- Y ∈ { 0 , 1 } {{0,1}}
conversie: binaire reactie op de advertentie
ConsumentenkeuzemodelEdit
u ( x , a ) = E ( Y | X = x , A = a ) {Displaystyle u(x,a)= {Mathbb {E} (Y|X=x,A=a)}
∀ X ∈ R {{\an5}}
covariaten en ∀ A {\displaystyle \forall A}
advertenties
u = ∑ k A β k ψ ( x ) + ϵ {\displaystyle u=sum _{k}Abeta ^{k}\psi (x)+\epsilon }
Covariaten, X {\displaystyle X}
, omvatten in het algemeen verschillende kenmerken van de advertentie (ontwerp, grootte, campagne, marketingtactiek, enz.) en beschrijvende gegevens over de consument die de advertentie heeft gezien (geografische locatie, apparaattype, OS-type, enz.).
NutstheorieEdit
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
Een belangrijk kenmerk van de modelbenadering is de schatting van de potentiële uitkomst van consumenten die veronderstellen dat zij niet aan een advertentie waren blootgesteld. Omdat marketing geen gecontroleerd experiment is, is het nuttig om potentiële uitkomsten af te leiden om het werkelijke effect van marketing te begrijpen.
De gemiddelde uitkomst als alle consumenten dezelfde advertentie zouden zien, wordt gegeven door
μ a = E Y ∗ ( a ) {\displaystyle \mu _{a}=\mathbb {E} Y^{*}(a)}
= E { E ( Y | X , A = a ) } {\displaystyle = E {Mathbb {E} \{{\mathbb {E}} (Y|X,A=a)}}
Een marketeer is vaak geïnteresseerd in inzicht in de “basis”, of de waarschijnlijkheid dat een consument zal converteren zonder door marketing te worden beïnvloed. Dit stelt de marketeer in staat de werkelijke effectiviteit van het marketingplan te begrijpen. Het totale aantal conversies minus de ‘basis’-conversies geeft een nauwkeurig beeld van het aantal conversies dat door marketing is veroorzaakt. De ‘basis’-schatting kan worden benaderd met behulp van de afgeleide logistische functie en met behulp van potentiële uitkomsten.
Basis = voorspelde conversies zonder waargenomen marketing voorspelde conversies met waargenomen marketing {\displaystyle {{text{Base}}={\frac {text{voorspelde conversies zonder waargenomen marketing}}{text{voorspelde conversies met waargenomen marketing}}}}
= 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)}}}}
Zodra de basis is afgeleid, kan het incrementele effect van marketing worden opgevat als de lift over de “basis” voor elke advertentie in de veronderstelling dat de andere niet werden gezien in het potentiële resultaat. Deze toename ten opzichte van de basis wordt vaak gebruikt als het gewicht voor dat kenmerk in het attributiemodel.
Attributiegewicht = {{Attributiegewicht}}
= 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)}}}}
