Som en följd av de störningar som skapats av den snabba tillväxten av onlineannonsering under de senaste tio åren har marknadsföringsorganisationer tillgång till betydligt mer data för att spåra effektivitet och avkastning på investerat kapital. Denna förändring har påverkat hur marknadsförare mäter annonsers effektivitet, liksom utvecklingen av nya mätvärden som kostnad per klick (CPC), kostnad per tusen visningar (CPM), kostnad per åtgärd/förvärv (CPA) och konvertering genom klick. Dessutom har flera attributionsmodeller utvecklats med tiden eftersom spridningen av digitala enheter och den enorma ökningen av tillgängliga data har drivit på utvecklingen av attributionstekniken.
- Modeller med Single Source Attribution (även Single Touch Attribution) tilldelar all kredit till en händelse, t.ex. det sista klicket, det första klicket eller den sista kanalen för att visa en annons (post view). Enkel tilldelning eller tilldelning efter sista klick anses allmänt vara mindre exakt än alternativa former av tilldelning eftersom den inte tar hänsyn till alla bidragande faktorer som ledde till ett önskat resultat.
- Fractional Attribution omfattar lika vikter, tidsförfall, kundkrediter och multi-touch/kurvmodeller. Modeller med lika vikt ger samma mängd kredit till händelserna, kundkrediter använder tidigare erfarenheter och ibland bara gissningar för att tilldela kredit, och multi-touch tilldelar olika krediter till alla beröringspunkter i köparresan med fastställda belopp.
- Algoritmisk eller probabilistisk tilldelning använder statistisk modellering och tekniker för maskininlärning för att få fram sannolikheten för konvertering i alla marknadsföringskontaktpunkter som sedan kan användas för att vikta värdet av varje kontaktpunkt som föregår konverteringen. Google Doubleclick och Analytics 360 använder sofistikerade algoritmer för att analysera alla olika vägar i ditt konto (både icke-konverterande och konverterande) för att ta reda på vilka kontaktpunkter som bidrar mest till konverteringar. Algoritmisk attribution analyserar både konverterande och icke-konverterande vägar i alla kanaler för att fastställa sannolikheten för konvertering. Med en sannolikhet som tilldelats varje beröringspunkt kan vikterna för beröringspunkterna aggregeras efter en dimension av den beröringspunkten (kanal, placering, kreativt etc.) för att bestämma en total vikt för den dimensionen.
Konstruera en algoritmisk attributionsmodellRedigera
Binära klassificeringsmetoder från statistik och maskininlärning kan användas för att bygga lämpliga modeller. En viktig del av modellerna är dock modellens tolkningsbarhet; därför är logistisk regression ofta lämplig på grund av att det är lätt att tolka modellens koefficienter.
BeteendemodellEdit
Antag att de observerade reklammeddelandena är { ( X i , A i , Y i ) } } i = 1 n {\displaystyle \{(X_{i},A_{i},Y_{i})\}_{i=1}^{n}}}
där
- X ∈ R {\displaystyle X\in \mathbb {R} }
kovariater
- A ∈ { 0 , 1 } {\displaystyle A\in \{0,1\}}
konsumenten såg annonsen eller inte
- Y ∈ { 0 , 1 } {\displaystyle Y\in \{0,1\}}
konvertering: binärt svar på annonsen
KonsumentvalsmodellEdit
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} }
kovariater och ∀ A {\displaystyle \forall A}
annonser
u = ∑ k A β k ψ ( x ) + ϵ {\displaystyle u=\sum _{k}A\beta ^{k}\psi (x)+\epsilon }
Kovariater, X {\displaystyle X}
, innefattar i allmänhet olika egenskaper hos annonsen (kreativitet, storlek, kampanj, marknadsföringstaktik etc.) och beskrivande data om konsumenten som såg annonsen (geografiskt läge, typ av enhet, OS-typ etc.).
NyttoteoriRedigera
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/}
Kontrafaktiskt förfarandeRedigera
Ett viktigt inslag i modelleringsmetoden är att uppskatta det potentiella utfallet för konsumenter som antar att de inte exponerats för en annons. Eftersom marknadsföring inte är ett kontrollerat experiment är det bra att härleda potentiella utfall för att förstå marknadsföringens verkliga effekt.
Det genomsnittliga utfallet om alla konsumenter såg samma annons ges av
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)\}}}
En marknadsförare är ofta intresserad av att förstå ”basen”, eller sannolikheten för att en konsument kommer att konvertera utan att påverkas av marknadsföring. Detta gör det möjligt för marknadsföraren att förstå marknadsföringsplanens verkliga effektivitet. Det totala antalet konverteringar minus ”bas”-konverteringarna ger en korrekt bild av antalet konverteringar som styrs av marknadsföringen. Basen kan approximeras med hjälp av den härledda logistiska funktionen och potentiella resultat.
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}}}}
= 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)\}}}}
När basen väl har tagits fram kan marknadsföringens inkrementella effekt förstås som den ökning som sker jämfört med ”basen” för varje annons om man antar att de andra annonserna inte ses i det potentiella resultatet. Detta lyft över basen används ofta som vikt för den egenskapen i attributionsmodellen.
Attribution Weight = {\displaystyle {\text{Attribution Weight}}=}
= 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)\}}}}
