În urma perturbării create de creșterea rapidă a publicității online din ultimii zece ani, organizațiile de marketing au acces la mult mai multe date pentru a urmări eficacitatea și ROI. Această schimbare a avut un impact asupra modului în care specialiștii în marketing măsoară eficiența reclamelor, precum și asupra dezvoltării unor noi parametri, cum ar fi costul pe clic (CPC), costul pe mia de impresii (CPM), costul pe acțiune/achiziție (CPA) și conversia prin clic. În plus, mai multe modele de atribuire au evoluat în timp, pe măsură ce proliferarea dispozitivelor digitale și creșterea enormă a datelor disponibile au împins dezvoltarea tehnologiei de atribuire.
- Modelele de atribuire cu o singură sursă (de asemenea, Single Touch Attribution) atribuie tot creditul unui singur eveniment, cum ar fi ultimul clic, primul clic sau ultimul canal de afișare a unei reclame (post view). Atribuirea simplă sau a ultimului clic este considerată pe scară largă ca fiind mai puțin precisă decât formele alternative de atribuire, deoarece nu reușește să ia în considerare toți factorii care au contribuit la obținerea unui rezultat dorit.
- Atribuirea fracționată include ponderi egale, decădere în timp, creditul clientului și modelele multi-touch / curbă. Modelele cu ponderi egale atribuie aceeași cantitate de credit evenimentelor, creditul clienților utilizează experiența trecută și, uneori, pur și simplu presupuneri pentru a aloca creditul, iar multi-touch atribuie diverse credite la toate punctele de contact din călătoria cumpărătorului la sume stabilite.
- Atribuirea algoritmică sau probabilistică utilizează tehnici de modelare statistică și de învățare automată pentru a deriva probabilitatea de conversie în toate punctele de contact de marketing, care poate fi apoi utilizată pentru a pondera valoarea fiecărui punct de contact care precede conversia. Cunoscută și sub numele de Data Driven Attribution (Atribuire bazată pe date) Doubleclick și Analytics 360 de la Google utilizează algoritmi sofisticați pentru a analiza toate căile diferite din contul dvs. (atât cele care nu conduc la conversie, cât și cele care conduc la conversie) pentru a afla care sunt punctele de contact care ajută cel mai mult la conversii. Atribuirea algoritmică analizează atât căile de conversie, cât și cele de neconversie pe toate canalele pentru a determina probabilitatea de conversie. Cu o probabilitate atribuită fiecărui punct de contact, ponderile punctelor de contact pot fi agregate în funcție de o dimensiune a acelui punct de contact (canal, plasare, creativitate etc.) pentru a determina o pondere totală pentru acea dimensiune.
Construirea unui model de atribuire algoritmicăEdit
Modalitățile de clasificare binară din statistică și învățare automată pot fi utilizate pentru a construi modele adecvate. Cu toate acestea, un element important al modelelor este interpretabilitatea modelului; prin urmare, regresia logistică este adesea adecvată datorită ușurinței de interpretare a coeficienților modelului.
Model comportamentalEdit
Supunem că datele publicitare observate sunt { ( X i , A i , Y i ) } i = 1 n {\displaystyle \{(X_{i},A_{i},Y_{i})\}_{i=1}^{n}}}
unde
- X ∈ R {\displaystyle X\în \mathbb {R} }
covariate
- A ∈ { 0 , 1 } {\displaystyle A\in \{0,1\}}
consumatorul a văzut sau nu reclama
- Y ∈ { 0 , 1 } {\displaystyle Y\in \{0,1\}}
conversie: răspuns binar la reclamă
Modelul alegerii consumatoruluiEdit
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} }
covariate și ∀ A {\displaystyle \forall A}
ads
u = ∑ k A β k ψ ( x ) + ϵ {\displaystyle u=\sum _{k}A\beta ^{k}\psi (x)+\epsilon }
Covariatele, X {\displaystyle X}
, includ, în general, diferite caracteristici ale anunțului difuzat (creație, dimensiune, campanie, tactică de marketing etc.) și date descriptive despre consumatorul care a văzut anunțul (locație geografică, tip de dispozitiv, tip de sistem de operare etc.).
Teoria utilitățiiEdit
y i ∗ = max y i ( E ) {\displaystyle y_{i}^{*}={\underset {y_{i}}{{\max }}{\bigl (}\mathbb {E} {\bigr )}}}{\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 contrafactualăEdit
O caracteristică importantă a abordării de modelare este estimarea rezultatului potențial al consumatorilor presupunând că nu au fost expuși la o reclamă. Deoarece marketingul nu este un experiment controlat, este utilă derivarea rezultatelor potențiale pentru a înțelege efectul real al marketingului.
Rezultatul mediu dacă toți consumatorii au văzut aceeași reclamă este dat de
μ a = E Y ∗ ( a ) {\displaystyle \mu _{a}=\mathbb {E} Y^{{*}(a)}
= E { E ( Y | X , A = a ) } {\displaystyle =\mathbb {E} \\\{\mathbb {E} (Y|X,A=a)\}}
Un agent de marketing este adesea interesat să înțeleagă „baza”, sau probabilitatea ca un consumator să se convertească fără a fi influențat de marketing. Acest lucru îi permite marketerului să înțeleagă adevărata eficacitate a planului de marketing. Numărul total de conversii minus conversiile „de bază” va oferi o imagine exactă a numărului de conversii determinate de marketing. Estimarea „bazei” poate fi aproximată cu ajutorul funcției logistice derivate și folosind rezultatele potențiale.
Baza = Conversii preconizate fără marketing observat Conversii preconizate cu marketing observat {\displaystyle {\text{Base}}={\frac {\text{Conversii preconizate fără marketing observat}}{\text{Conversii preconizate cu marketing observat}{\text{Conversii preconizate cu marketing observat}}}}
= E { E ( Y | X , A = 0 ) } } 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)\}}}}
După ce baza este derivată, efectul incremental al marketingului poate fi înțeles ca fiind creșterea față de „bază” pentru fiecare reclamă, presupunând că celelalte nu au fost văzute în rezultatul potențial. Această creștere față de bază este adesea utilizată ca pondere pentru caracteristica respectivă în cadrul modelului de atribuire.
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)\}}}}
