Pokročilá atribuce: Přesnější vyhodnocení kampaní

Atribuce je poslední dobou velmi aktuální téma online marketingu. Na workshopu Milana Merglevského a Marka Kobulského, kteří se zabývají atribucí, jsme načerpali inspiraci, jak posunout atribuci dál i u nás v PROFICIU.

Pokročilá atribuce: Přesnější vyhodnocení kampaní
Pokročilá atribuce: Přesnější vyhodnocení kampaní

Atribuce je poslední dobou velmi aktuální téma online marketingu. Na workshopu Milana Merglevského a Marka Kobulského, kteří se zabývají atribucí, jsme načerpali inspiraci, jak posunout atribuci dál i u nás v PROFICIU.

Co je to atribuce

Pokud je vám pojem atribuce cizí, jde v podstatě o pravidla, podle kterých se při vyhodnocování kampaní či kanálů určuje, nakolik vám pomohly k plnění vašich marketingových cílů.

Těchto pravidel (atribučních modelů) existuje celá řada. Nejznámější je last click model, na jehož principu běží Google Analytics a na jehož základě bylo roky stavěno vyhodnocování marketingového úsilí.

Kdybychom to měli k něčemu přirovnat, Google Analytics s last click modelem fungují jako fotbal. 11 hráčů na hřišti se snaží vyhrát zápas, ale Ronaldo vydělává nejvíc, protože je právě on často tím posledním, kdo se dotkne míče předtím, než protne síť. 

Nákupní chování

Asi cítíte, že ve světě online marketingu, kde existuje několik cest cílení na zákazníky (a tyto cesty se navzájem překrývají), to není úplně fér.

Zamýšleli jste se někdy nad svým nákupním chováním? Dá se vyhodnotit jednoduchým pravidlem, jako je last click? Na obrázku je znázorněné, jak například může vypadat nákupní proces nového mobilního telefonu:

Postup nákupního chování

V případě last clicku by veškerou smetanu slízl remarketing na Facebooku, protože byl v nákupní cestě zákazníka na posledním místě. Realita je ale často ještě složitější a hraje v ní roli spousta faktorů. 

Data Driven atribuční modely

Existují lepší atribuční modely, kterým se říká data driven. Pro výpočet výsledku kampaně používají sofistikovanější algoritmy. Tyto modely na trhu nabízí například nástroj Roivenue nebo Google Analytics Premium, které jsou ale pro většinu e-shopů na českém trhu příliš nákladné. 

Proto jsme se rozhodli implementovat vlastní výpočet Markova a Shapleyho modelu, abychom ho mohli nabídnout našim klientům. Na internetu již kolují články, které popisují, jak správně provést výpočet, a to včetně ukázek kódů v jazyce R. Metodu výpočtů tedy představíme jen ve stručnosti.

Vstupem jsou všechny konverzní i nekonverzní cesty návštěvníků webu. 

Markov

Princip Markovských řetězců spočívá v tom, že se vypočítají pravděpodobnosti průchodů mezi jednotlivými kanály. Výsledkem je následující graf:

Markovské řetězce

V tomto případě jde pouze o ukázku na jednoduchých datech – skládá se ze 3 kanálů a 3 cest. Jak už to bývá, realita je mnohem komplikovanější.

Shapley

Shapleyho výpočet je postavený na kombinacích jednotlivých kanálů a toho, jak fungují mezi sebou. 

Shapleyho výpočet

Zároveň vypočítáváme tzv. removal effect, kdy pro každý kanál testujeme, co by se stalo, kdybychom ho v konverzních cestách vůbec nepoužili. Všechny modely se dívají na věc trochu z jiného úhlu pohledu. Markov má větší respekt k pořadí kanálů a v jakých jdou posloupnostech, Shapley zase více ke kombinacím.

Výstupem pak může být graf níže. Vidíme v něm srovnání, kolik objednávek náš klient dostal díky konkrétním kanálům podle jednotlivých atribučních modelů:

Výsledek jednotlivých kanálů
Počet konverzí, které přinesly kanály podle různých atribučních modelů.

Jak s výstupem pracujeme?

Rozhodně nedělejte ukvapené závěry. Výstupnou tabulku s grafem berte jako další úhly pohledu na to, jak se investice našich klientů do marketingu vyplácí. Pomůže vám to u klientů obhájit si PNO u kanálů, kde přínos podle last click modelu není na první pohled viditelný.

Práce s daty
Počet konverzí, které přinesly kanály podle různých atribučních modelů.

Například u SEA (kampaně ve vyhledávání bez brandu) vidíme, že podle last click modelu ve srovnání s Shapley a Markovem máme podměřené výsledky. Ve srovnání s data driven modely je to asi o 10 – 20% rozdíl, což v takovém objemu tržeb, jako má daný klient, rozhodně není zanedbatelné.

Dále můžeme rozebrat e-mailing, který naopak podle last click modelu vypadá jako velmi silný kanál. Podle Markova a Shapleyho byl přínos však cca o 20 a 30 % nižší. Neznamená to ale, že bychom e-mailingu přestali věřit nebo do něho neinvestovat úsilí. Data driven modely pouze pomohly odhalit část konverzí, které si e-mailing podle last clicku sobecky přivlastnil a rozdělily je jinam.

Výhodou také je, že si v našem výpočtu můžeme rozsegmentovat kanály podle toho, jak na nich přemýšlíme při budování strategie klientů a také podle toho, kolik má náš klient dat. Nejsme tedy vůbec závislí na kanálech podle Google Analytics. V tomto případě jsme si například mohli dovolit dát zvlášť platformy jako je Criteo a podívat se na ně bokem vedle standardního remarketingu. 

Závěrem

Hrátky s atribučními modely mají samozřejmě svá úskalí. Velkým protihráčem je cross-device, který nám brání dotáhnout to k dokonalosti. Důležité je počítat s tím před tím, než uděláme zbrklá rozhodnutí a brát to spíš jako obohacující informace pro náš zdravý rozum.

Analytika
16. 04. 2019