Resultando da interrupção criada pelo rápido crescimento da publicidade online nos últimos dez anos, as organizações de marketing têm acesso a significativamente mais dados para acompanhar a eficácia e o ROI. Esta mudança teve impacto na forma como os profissionais de marketing medem a eficácia dos anúncios, bem como no desenvolvimento de novas métricas como o custo por clique (CPC), Custo por mil impressões (CPM), Custo por ação/aquisição (CPA) e conversão por clique. Além disso, modelos de atribuição múltipla evoluíram ao longo do tempo à medida que a proliferação de dispositivos digitais e o enorme crescimento dos dados disponíveis impulsionaram o desenvolvimento da tecnologia de atribuição.
- Modelos de Atribuição de Fonte Única (também Atribuição de Toque Único) atribuem todo o crédito a um evento, como o último clique, o primeiro clique ou o último canal a mostrar um anúncio (post view). A atribuição simples ou de último clique é amplamente considerada menos precisa que as formas alternativas de atribuição, pois não leva em conta todos os fatores que contribuíram para um resultado desejado.
- Atribuição fraccional inclui pesos iguais, decadência de tempo, crédito do cliente e modelos multi-touch / curva. Modelos de pesos iguais dão o mesmo valor de crédito aos eventos, o crédito do cliente usa a experiência passada e às vezes simplesmente adivinha para alocar crédito, e o modelo multi-toque atribui vários créditos a todos os pontos de contato na jornada do comprador em valores definidos.
- Atribuição Algorítmica ou Probabilística usa modelagem estatística e técnicas de aprendizagem de máquina para derivar a probabilidade de conversão em todos os pontos de contato de marketing que podem então ser usados para ponderar o valor de cada ponto de contato que precede a conversão. Também conhecido como Data Driven Attribution O Google Doubleclick and Analytics 360 utiliza algoritmos sofisticados para analisar todos os diferentes caminhos na sua conta (tanto os não convertidos como os convertidos) para descobrir quais os pontos de toque que mais ajudam nas conversões. A atribuição algorítmica analisa tanto os caminhos de conversão como os não-convertidos em todos os canais para determinar a probabilidade de conversão. Com uma probabilidade atribuída a cada ponto de toque, os pesos do ponto de toque podem ser agregados por uma dimensão desse ponto de toque (canal, posicionamento, criativo, etc.) para determinar um peso total para essa dimensão.
Construção de um modelo de atribuição algorítmicaEditar
Métodos de classificação binária a partir da estatística e da aprendizagem da máquina podem ser utilizados para construir modelos apropriados. Contudo, um elemento importante dos modelos é a interpretabilidade do modelo; portanto, a regressão logística é frequentemente apropriada devido à facilidade de interpretação dos coeficientes do modelo.
Modelo comportamentalEdit
Suponha que os dados publicitários observados são { ( X i , A i , Y i ) } i = 1 n {\i} {(X_{i},A_{i},Y_{i})}_{i=1}^{n}}}}}{i=1}}}dados publicitários observados são { ( X i , A i , Y i )
onde
- X ∈ R {\i1}displaystyle X\in {\i}mathbb {R}
covariates
- A ∈ {0 , 1 } {0,1}displaystyle A}in {0,1}
consumidor viu anúncio ou não
- Y ∈ { 0 , 1 } {0,1}displaystyle Y{0,1}
conversão: resposta binária ao anúncio
modelo de escolha do consumidorEditar
u ( x , a ) = E ( Y | X = x , A = a ) {\i1}displaystyle u(x,a)=\i>mathbb {E} (Y|X=x,A=a)}
∀ X ∈ R {\i1}displaystyle {\i1}forall X\i}in {\i}mathbb {R}
covariates e ∀ A {\i1}displaystyle A}forall
anúncios
u = ∑ k A β k ψ ( x ) + ϵ {\i1}displaystyle u==sum _{\i}Abeta ^{\i}psi (x)+epsilon }
Covariates, X {\displaystyle X}
, geralmente incluem características diferentes sobre o anúncio servido (criativo, tamanho, campanha, táctica de marketing, etc.) e dados descritivos sobre o consumidor que viu o anúncio (localização geográfica, tipo de dispositivo, tipo de SO, etc.).
Utility theoryEdit
y i ∗ = max y i ( E ) {\i} {\i} {\i}{\i}={\i}{\i}{\i}{\i}{\i}{\i}{\i}{\i} {\i}{\i}{\i}{\i}{\i}{\i}{\i}{\i1}mathbbigl
P r ( y = 1 | x ) = P r ( u 1 > u 0 ) {\displaystyle Pr(y=1|x)=Pr(u_{1}>u_{0})}
= 1 / {\displaystyle =1/}
Procedimento contrafactualEditar
Uma característica importante da abordagem de modelagem é estimar o resultado potencial dos consumidores supondo que eles não foram expostos a um anúncio. Como o marketing não é uma experiência controlada, é útil derivar resultados potenciais para compreender o verdadeiro efeito do marketing.
Resultado do comportamento se todos os consumidores viram o mesmo anúncio é dado por
μ a = E Y ∗ ( a ) {\i1}displaystyle \u _{a}==mathbb {E} Y^{*}(a)}
= E { E ( Y | X , A = a ) } estilo de jogo =mathbb \Mathbb (Y|X,A=a)}}
Um comerciante está frequentemente interessado em compreender a ‘base’, ou a probabilidade de um consumidor se converter sem ser influenciado pelo marketing. Isto permite ao comerciante compreender a verdadeira eficácia do plano de marketing. O número total de conversões menos as conversões ‘base’ dará uma visão precisa do número de conversões impulsionadas pelo marketing. A estimativa ‘base’ pode ser aproximada usando a função logística derivada e usando resultados potenciais.
Base = Conversões Previstas Sem Marketing Observado Conversões Previstas Com Marketing Observado {\i1}{\i1}{\i1}displaystyle {\i}={\i}frac {\i}{\i}{\i}{\i}{\i1}{\i}{\i1}conversões Previstas Sem Marketing Observado}}}}
= E { E ( Y | X , A = 0 ) } E { E ( Y | X , A = 1 ) } estilo de jogo =frac =mathbb \Mathbb (Y|X,A=0){\i}{\i1}{\i1}{E} \Mathbb (Y|X,A=1)|}}}}
Após a base ser derivada, o efeito incremental de marketing pode ser entendido como o elevador sobre a ‘base’ para cada anúncio supondo que os outros não foram vistos no resultado potencial. Este elevador sobre a base é frequentemente usado como o peso para aquela característica dentro do modelo de atribuição.
Atribuição de Peso = {\\\i1}==== Peso de exibição {\i}====
= E { E ( Y | X , A = 1 ) } – E { E ( Y | X , A = 0 ) } E { E ( Y | X , A = 1 ) } estilo de jogo =frac =mathbb \Mathbb (Y|X,A=1)|-mathbb {E} \Mathbb (Y|X,A=0){\i}{\i1}{\i1}{E} \Mathbb (Y|X,A=1)|}}}}
