Атрибуция (маркетинг) - Attribution (marketing) - Wikipedia

В маркетинг, атрибуция, также известный как мультитач-атрибуция, представляет собой идентификацию набора действий пользователя («событий» или «точек взаимодействия»), которые тем или иным образом способствуют желаемому результату, а затем присвоение значения каждому из этих событий.^[1][2] Маркетинговая атрибуция обеспечивает уровень понимания того, какая комбинация событий в каком конкретном порядке побуждает людей к желаемому поведению, обычно называемому конверсией.^[1][2]

История

Корни маркетинговой атрибуции можно проследить до психологическая теория атрибуции.^[2][3] По мнению большинства пользователей, нынешнее применение теории атрибуции в маркетинге было вызвано переходом расходов на рекламу с традиционной офлайн-рекламы на цифровые СМИ и расширение данных, доступных через цифровые каналы, такие как платный и обычный поиск, медийная реклама и рекламная рассылка.^[2][4]

Концепция

Цель маркетинговой атрибуции - количественно оценить влияние каждого рекламного показа на решение потребителя сделать решение о покупке, или конвертировать.^[4] Видимость того, что, когда и в какой степени влияет на аудиторию, позволяет маркетологам оптимизировать расходы на рекламу для конверсий и сравнивать ценность различных маркетинговые каналы, включая платный и обычный поиск, электронное письмо, партнерский маркетинг, медийная реклама, социальные медиа и больше.^[2] Понимание всего пути конверсии в целом комплекс маркетинга уменьшает проблему точности анализа данных из разрозненных каналов. Как правило, данные атрибуции используются маркетологами для планирования будущих рекламных кампаний и информирования об эффективности предыдущих кампаний путем анализа того, какие места размещения в СМИ (реклама) были наиболее рентабельными и влиятельными, что определяется такими показателями, как рентабельность инвестиций в рекламу (ROAS) или Стоимость лида (CPL).^[2]

Модели атрибуции

В результате сбоя, вызванного быстрым ростом онлайн Реклама За последние десять лет маркетинговые организации получили доступ к значительно большему количеству данных для отслеживания эффективности и рентабельности инвестиций. Это изменение повлияло на то, как маркетологи оценивают эффективность рекламы, а также на разработку новых показателей, таких как цена за клик (CPC), Цена за тысячу показов (CPM), Цена за действие / приобретение (CPA) и конверсия по клику. Кроме того, несколько моделей атрибуции со временем эволюционировали по мере увеличения количества цифровые устройства и огромный рост данных Доступность подтолкнула развитие технологии атрибуции.

• Атрибуция из одного источника (также Атрибуция одним касанием) модели присваивают всю ценность одному событию, например последнему клику, первому клику или последнему каналу для показа рекламы (просмотр публикации). Простая атрибуция или атрибуция по последнему клику широко считается менее точной, чем альтернативные формы атрибуции, поскольку она не учитывает все факторы, которые привели к желаемому результату.^[2][5]
• Дробная атрибуция включает модели с одинаковым весом, временным затуханием, кредитоспособностью клиента и модели multi-touch / curve.^[2][4] Модели равного веса дают одинаковую оценку событиям, кредит клиента использует прошлый опыт, а иногда просто догадки для распределения кредита, а мультитач присваивает различные кредиты всем точкам взаимодействия на пути покупателя на заданные суммы.^[5]
• Алгоритмическая или вероятностная атрибуция использует статистическое моделирование и методы машинного обучения для определения вероятности конверсии по всем маркетинговым точкам взаимодействия, которые затем можно использовать для взвешивания ценности каждой точки взаимодействия, предшествующей конверсии.^[5][6] Также известна как атрибуция на основе данных Google с Двойной щелчок и Analytics 360 используют сложные алгоритмы для анализа всех различных путей в вашей учетной записи (как без конверсии, так и с конверсией), чтобы выяснить, какие точки взаимодействия больше всего помогают с конверсиями.^[7] Алгоритмический Атрибуция анализирует как конверсионные, так и неконвертирующие пути по всем каналам, чтобы определить вероятность конверсии.^[4][6] С вероятностью, присвоенной каждой точке взаимодействия, веса точек взаимодействия можно агрегировать по параметрам этой точки взаимодействия (канал, место размещения, объявление и т. Д.), Чтобы определить общий вес для этого измерения.

Построение алгоритмической модели атрибуции

Для построения соответствующих моделей можно использовать методы двоичной классификации из статистики и машинного обучения. Однако важным элементом моделей является интерпретируемость модели; поэтому логистическая регрессия часто уместна из-за простоты интерпретации коэффициентов модели.

Поведенческая модель

Предположим, наблюдаемые рекламные данные ${\displaystyle \{(X_{i},A_{i},Y_{i})\}_{i=1}^{n}}$ куда

• ${\displaystyle X\in \mathbb {R} }$ ковариаты
• ${\displaystyle A\in \{0,1\}}$ потребитель видел рекламу или нет
• ${\displaystyle Y\in \{0,1\}}$ конверсия: двоичный ответ на объявление

Модель потребительского выбора^[8]

${\displaystyle u(x,a)=\mathbb {E} (Y|X=x,A=a)}$ ${\displaystyle \forall X\in \mathbb {R} }$ ковариаты и ${\displaystyle \forall A}$ Объявления

${\displaystyle u=\sum _{k}A\beta ^{k}\psi (x)+\epsilon }$

Ковариаты, ${\displaystyle X}$, как правило, включают различные характеристики показываемой рекламы (креатив, размер, кампания, маркетинговая тактика и т. д.) и описательные данные о потребителе, увидевшем рекламу (географическое положение, тип устройства, тип ОС и т. д.).

Теория полезности^[9]

${\displaystyle y_{i}^{*}={\underset {y_{i}}{\max }}{\bigl (}\mathbb {E} [u_{i}]{\bigr )}}$

${\displaystyle Pr(y=1|x)=Pr(u_{1}>u_{0})}$

 ${\displaystyle =1/[1+e^{\sum _{k}A\beta ^{k}\psi (x)}]}$

Контрфактическая процедура

Важной особенностью подхода к моделированию является оценка потенциального результата предположения потребителей, что они не видели рекламу. Поскольку маркетинг не является контролируемым экспериментом, полезно получить потенциальные результаты, чтобы понять истинный эффект маркетинга.

Средний результат, если все потребители видели одну и ту же рекламу, дает

${\displaystyle \mu _{a}=\mathbb {E} Y^{*}(a)}$

 ${\displaystyle =\mathbb {E} \{\mathbb {E} (Y|X,A=a)\}}$

Маркетолог часто заинтересован в понимании «основы» или вероятности того, что потребитель совершит конверсию без влияния маркетинга. Это позволяет маркетологу понять истинную эффективность маркетингового плана. Общее количество конверсий за вычетом «базовых» конверсий даст точное представление о количестве конверсий, вызванных маркетингом. «Базовая» оценка может быть аппроксимирована с использованием производной логистической функции и потенциальных результатов.

${\displaystyle {\text{Base}}={\frac {\text{Predicted Conversions Without Observed Marketing}}{\text{Predicted Conversions With Observed Marketing}}}}$${\displaystyle ={\frac {\mathbb {E} \{\mathbb {E} (Y|X,A=0)\}}{\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}$

Как только база определена, дополнительный эффект маркетинга можно понимать как превышение «базы» для каждого объявления, предполагая, что другие не были замечены в потенциальном результате. Этот подъем над основанием часто используется в качестве веса для этой характеристики в модели атрибуции.

${\displaystyle {\text{Attribution Weight}}=}$ ${\displaystyle ={\frac {\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}-\mathbb {E} \{\mathbb {E} (Y|X,A=0)\}}{\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}$

Построив веса, маркетолог может узнать истинную долю конверсий, вызванных различными маркетинговыми каналами или тактиками.

Маркетинговый комплекс и модели атрибуции

В зависимости от маркетингового комплекса компании они могут использовать разные типы атрибуции для отслеживания своих маркетинговых каналов:

• Интерактивная атрибуция относится только к измерению цифровых каналов, тогда как многоканальная атрибуция относится к измерению как онлайн, так и офлайн каналов.^[6]
• Атрибуция на основе учетной записи относится к измерению и присвоению кредита компании в целом, а не отдельным людям, и часто используется в маркетинге B2B.^[10]

Рекомендации^[11]

1. Бенджамин Дик (1 августа 2016 г.). «Учебник по цифровой атрибуции 2.0» (PDF). IAB.com. Получено 30 апреля, 2019.
2. Стефани Миллер (6 февраля 2013 г.). «Цифровая маркетинговая атрибуция. Цифровая маркетинговая атрибуция». DMNews.com. Получено 25 марта, 2013.
3. Картик Хосанагар (июль 2012 г.). «Атрибуция: кто получает награду за нового клиента?». Школа Wharton. Получено 25 марта, 2013.
4. Яир Халеви (10 октября 2012 г.). «Проблема с атрибуцией по кликам». iMediaConnection.com. Получено 25 марта, 2013.
5. Тина Моффетт (30 апреля 2012 г.). "Forrester Wave: поставщики многоканальной атрибуции". Forrester Research. Архивировано из оригинал 13 апреля 2013 г.. Получено 22 марта, 2013.
6. Дэвид Рааб (1 июля 2011 г.). «Маркетинговая атрибуция за пределами последнего клика». Information-Management.com. Получено 25 марта, 2013.
7. Бродбент, Эндрю Дж. (1918-01-10). Идеальное моделирование атрибуции и как достичь этой маркетинговой нирваны. TNW.
8. Ланкастер, Кельвин Дж. (1966-01-01). «Новый подход к теории потребителей». Журнал политической экономии. 74 (2): 132–157. Дои:10.1086/259131. S2CID  222425622.
9. Макфадден, Д. (1972-01-01). «УСЛОВНЫЙ ЛОГИТ-АНАЛИЗ КАЧЕСТВЕННОГО ВЫБОРА ПОВЕДЕНИЯ». Рабочий документ Института городского и регионального развития (199/).
10. «Почему ваша команда по запросу не может игнорировать атрибуцию на основе аккаунта». www.bizible.com. Получено 2016-01-11.
11. Мофет, Тина. «Волна Forrester: поставщики многоканальной атрибуции (7 ноября 2014 г.)». Архивировано из оригинал 9 июля 2015 г.. Получено 8 июля, 2015.