Wynikające z zakłóceń stworzonych przez szybki wzrost reklamy online w ciągu ostatnich dziesięciu lat, organizacje marketingowe mają dostęp do znacznie większej ilości danych do śledzenia skuteczności i ROI. Zmiana ta wpłynęła na to, jak marketerzy mierzą skuteczność reklam, jak również rozwój nowych metryk, takich jak koszt za kliknięcie (CPC), koszt za tysiąc wyświetleń (CPM), koszt za działanie / akwizycji (CPA) i konwersji przez kliknięcie. Dodatkowo, wiele modeli atrybucji ewoluowało w czasie, ponieważ rozpowszechnienie urządzeń cyfrowych i ogromny wzrost dostępnych danych spowodowały rozwój technologii atrybucji.
- Modele atrybucji jednoźródłowej (również atrybucji jednodotykowej) przypisują cały kredyt jednemu zdarzeniu, takiemu jak ostatnie kliknięcie, pierwsze kliknięcie lub ostatni kanał wyświetlania reklamy (post view). Atrybucja prosta lub last-click jest powszechnie uważana za mniej dokładną niż alternatywne formy atrybucji, ponieważ nie uwzględnia wszystkich czynników, które doprowadziły do pożądanego wyniku.
- Atrybucja frakcyjna obejmuje równe wagi, rozkład czasowy, kredyt klienta i modele multi-touch / curve. Modele o równej wadze dają taką samą ilość kredytów na zdarzenia, kredyt klienta wykorzystuje przeszłe doświadczenia, a czasami po prostu zgadywanie, aby przydzielić kredyt, a multi-touch przypisuje różne kredyty do wszystkich punktów styku w podróży kupującego w ustalonych kwotach.
- Atrybucja algorytmiczna lub probabilistyczna wykorzystuje modelowanie statystyczne i techniki uczenia maszynowego w celu uzyskania prawdopodobieństwa konwersji we wszystkich punktach styku z marketingiem, które mogą być następnie wykorzystane do ważenia wartości każdego punktu styku poprzedzającego konwersję. Znane również jako Data Driven Attribution Google’s Doubleclick i Analytics 360 używają wyrafinowanych algorytmów do analizy wszystkich różnych ścieżek na Twoim koncie (zarówno niekonwertujących, jak i konwertujących), aby dowiedzieć się, które punkty kontaktowe najbardziej pomagają w konwersji. Algorytmiczna atrybucja analizuje zarówno konwertujące, jak i niekonwertujące ścieżki we wszystkich kanałach, aby określić prawdopodobieństwo konwersji. Mając prawdopodobieństwo przypisane do każdego punktu styku, wagi punktów styku można agregować według wymiaru tego punktu (kanał, placement, kreacja itp.), aby określić całkowitą wagę dla tego wymiaru.
Konstruowanie modelu atrybucji algorytmicznejEdit
Do budowy odpowiednich modeli można wykorzystać metody klasyfikacji binarnej ze statystyki i uczenia maszynowego. Ważnym elementem modeli jest jednak interpretowalność modelu, dlatego często odpowiednia jest regresja logistyczna ze względu na łatwość interpretacji współczynników modelu.
Model behawioralnyEdit
Załóżmy, że obserwowane dane reklamowe to { ( X i , A i , Y i ) } i = 1 n {(X_{i},A_{i},Y_{i})\{i=1}^{n}}.
gdzie
- X ∈ R { {displaystyle X w ∈ R {R} }
kowariaty
- A ∈ { 0 , 1 } {displaystyle A w ∈ {0 , 1 }
konsument widział reklamę lub nie
- Y ∈ { 0 , 1 } {displaystyle Y w \{0,1\}
konwersja: binarna odpowiedź na reklamę
Model wyboru konsumentaEdit
u ( x , a ) = E ( Y | X = x , A = a ) {displaystyle u(x,a)= {E} (Y|X=x,A=a)}
∀ X ∈ R {displaystyle \forall X \ w \mathbb {R} }
kowarianty i ∀ A { {displaystyle \a_forall A}.
reklamy
u = ∑ k A β k ψ ( x ) + ϵ {displaystyle u= ∑sum _{k} A ^{k} ^psi (x)+ ∑epsilon }
Zmienniki, X {displaystyle X}
, zazwyczaj obejmują różne cechy dotyczące serwowanej reklamy (kreacja, rozmiar, kampania, taktyka marketingowa itp.) oraz dane opisowe dotyczące konsumenta, który widział reklamę (lokalizacja geograficzna, typ urządzenia, typ systemu operacyjnego itp.)
Teoria użytecznościEdit
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/}
Procedura kontrfaktycznaEdit
Ważną cechą podejścia modelowego jest szacowanie potencjalnego wyniku konsumentów zakładających, że nie byli narażeni na reklamę. Ponieważ marketing nie jest kontrolowanym eksperymentem, pomocne jest wyprowadzenie potencjalnych wyników w celu zrozumienia prawdziwego efektu marketingu.
Średni wynik, jeśli wszyscy konsumenci widzieli tę samą reklamę jest dany przez
μ a = E Y ∗ ( a ) {displaystyle \mu _{a}= {E}athbb {E} Y^{*}(a)}
= E { E ( Y | X , A = a ) } { {displaystyle = {mathbb {E} \{mathbb {E} (Y|X,A=a)}}
Rynekarz jest często zainteresowany zrozumieniem „bazy”, czyli prawdopodobieństwa, że konsument dokona konwersji bez wpływu marketingu. Pozwala to marketerowi zrozumieć prawdziwą skuteczność planu marketingowego. Całkowita liczba konwersji pomniejszona o konwersje „bazowe” daje dokładny obraz liczby konwersji napędzanych przez marketing. Szacunek „bazowy” może być przybliżony przy użyciu pochodnej funkcji logistycznej i przy użyciu potencjalnych wyników.
Base = Predicted Conversions Without Observed Marketing Predicted Conversions With Observed Marketing {displaystyle {{extext{Base}}={{}frac {{text{Predicted Conversions Without Observed Marketing}}{{}text{Predicted Conversions With Observed Marketing}}}}
= E { E ( Y | X , A = 0 ) } E { E ( Y | X , A = 1 ) } E { E ( Y | X , A = 1 ) } {{displaystyle ={frac {{mathbb {E} \{mathbb {E} (Y|X,A=0)}}{{mathbb {E} \{mathbb {E} (Y|X,A=1)\}}}}
Po wyprowadzeniu bazy, przyrostowy efekt marketingu może być rozumiany jako winda ponad „bazę” dla każdej reklamy przy założeniu, że inne nie były widziane w potencjalnym wyniku. Ta winda nad bazą jest często używana jako waga dla tej cechy wewnątrz modelu atrybucji.
Attribution Weight = {{displaystyle {{text{Attribution Weight}}=}
= E { E ( Y | X , A = 1 ) } – E { E ( Y | X , A = 0 ) } 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)\}}}}
