“Kaikki mallit ovat virheellisiä, mutta jotkut niistä ovat hyödyllisiä.”
George E. P. Box
Jokainen markkinoija on kiinnostunut samasta asiasta: mainonnan tuotosta.
Todennäköisesti sinäkin teet digitaalista mainontaa koskevia valintoja ja päätöksiä analytiikan ja tuottolukujen avulla. Yhdeksässä tapauksessa kymmenestä teet sen viimeisen klikkauksen attribuutiomallin avulla.
Viimeisen klikkauksen attribuutiomallissa koko kunnia kaupasta annetaan maalintekijälle, eikä syöttöpisteitä lasketa lainkaan. Se johtaa usein vääriin ratkaisuihin.
Viimeisen klikkauksen analytiikka johtaa huonoihin päätöksiin
Asiakkaat kohtaavat yrityksesi lukuisia kertoja ennen ostopäätöksen syntymistä. Toisinaan kohtaaminen on digitaalinen, toisinaan analoginen, toisinaan verkossa, toisinaan kivijalassa.
Silti lähes jokaisessa suomalaisessa yrityksessä mitataan eri kanavien tuottoa viimeisen kohtaamisen perusteella.
Tällöin webanalytiikka laskee myynnin pelkästään viimeisen kohtaamisen ansioksi. Jos siis asiakas saapui sivustolle email-suorasta ja teki ostoksen, katsotaan myyntitapahtuma email-suoran ansioksi. Jos taas myynti tapahtui Adwords-mainoksen klikkauksen jälkeen, oli myynti Adwordsin ansiota.
Tämä johtaa helposti markkinointibudjetin vääriin painotuksiin.
Viimeisen klikkauksen harha
Viimeisen klikkauksen analytiikka unohtaa, että markkinointi on joukkuelaji.
Jos futisvalmentaja luottaisi viimeisen klikkauksen analytiikkaan, hän antaisi potkut kaikille paitsi maalintekijöille.
Futisvalmentaja ymmärtää kuitenkin sen, mitä markkinoija ei aina muista. Jonkun on napattava pallo vastustajalta ja syötettävä se maalintekijälle. Joukkue tarvitsee myös maalivahdin, vaikka hän ei olisi tehnyt viimeisen kvartaalin aikana yhtään maalia.
Sama koskee myös markkinointia. Maalintekijä tarvitsee syöttäjiä, asiakas on syötettävä kanavalta toiselle, jotta lopulta email-suora tai Adwords-brändimainos tekee maalin.
Jos funnelin yläpäähän ei kerätä massaa, näyttävät maalitilastotkin heikolta.
Google Analyticsin attribuutiomallit
Jokaisen markkinoijan on tämän vuoksi tunnettava attribuutiomallinnuksen perusteet.
Maksuton Google Analytics tarjoaa sinulle hyvät mahdollisuudet kokeilla erilaisia attribuutiomalleja heuristista attribuutiomallinnusta varten.
Google Analytics antaa sinulle useita vaihtoehtoja.
- Viimeinen klikkaus. Viimeisen vuorovaikutuksen attribuutiossa koko kauppa lasketaan viimeisen istunnon lähteelle. Jos lähdettä ei ole, kirjataan kauppa suoraan liikenteeseen.
- Viimeinen epäsuora klikkaus. Viimeisen epäsuoran klikkauksen attribuutio laskee myynnin viimeiselle kohtaamispisteelle, jos kyse ei ollut suorasta liikenteestä. Jos kyse oli suorasta liikenteestä, kauppa lasketaan edelliselle kohtaamispisteelle.
- Ensimmäinen klikkaus. Ensimmäisen klikkauksen attribuutio laskee myynnin ensimmäisen kohtaamispisteen lähteelle. Se siis vastaa kysymykseen: mikä kampanja toi asiakkaan tällä selaimella ensimmäistä kertaa sivustolle.
- Viimeinen Adwords-klikkaus. Viimeisen Adwords-klikkauksen attribuutio johtaa hakusanamainonnan yliarvostukseen.
- Sijaintipohjainen. Sijaintipohjaisessa attribuutiossa ensimmäinen ja viimeinen kohtaaminen saavat molemmat 40 % kaupan arvosta. Loput 20 % jaetaan muiden kohtaamispisteiden kesken.
- Lineaarinen. Lineaarisessa attribuutiomallissa jokainen kohtaamispiste saa yhtäläisen painon. Eli jos 100 euron ostos on vaatinut viisi käyntikertaa, jokaiselle lähteelle lasketaan 20 euron verran myyntiä.
- Vaimenemisaika. Vaimenemismalliin perustuva attribuutiomalli on suosikkini Google Analyticsin attribuutiomalleista. Vaimenemismallissa kanavan arvo riippuu siitä, kauanko aikaa on kulunut kohtaamisen ja kaupan välillä. Tällöin edellisen päivän kohtaaminen vaikuttaa enemmän kuin kolme kuukautta sitten tapahtunut kohtaaminen. Vaimenemismallissa voit itse määrittää vaikutuksen puoliintumisajan.
- Omat attribuutiomallit. Lopuksi GA tarjoaa käyttäjälle mahdollisuuden muokata malli lähes täysin mieleisensä mukaiseksi.
Heuristinen attribuutiomallinnus on helppoa. Voit kokeilla eri vaihtoehtoja ja tutkia, miten eri vaihtoehdot vaikuttavat myynnin jyvittämiseen eri kanaville.
Google Analyticsin lisäksi myös muut järjestelmät (esimerkiksi Adform) tarjoavat attribuutiomallinnukseen sopivia työkaluja. Ne eroavat jonkin verran Analyticsin malleista, mutta pääperiaatteet ovat hyvin samanlaisia.
Näiden heurististen mallien lisäksi Google Analytics 360 sisältää ns. dataan perustuvan attribuutiomallin. Dataan perustuva attribuutiomalli käyttää hyväkseen yhteistoiminnallisten pelien teoriaa ja pelin ratkaisua ns. Shapleyn arvon avulla.
Kaikki mallit ovat virheellisiä
Mutta kysyt todenäköisesti: mikä näistä malleista sitten on se “oikea”, mikä attribuutiomalli vastaa “todellisuutta” parhaiten?
“Kaikki mallit ovat virheellisiä, mutta jotkut niistä ovat hyödyllisiä”, totesi tilastotieteilijä George E. P. Box.
Lause pitää mainiosti paikkansa myös attribuutiomallien kohdalla. Ne kaikki valottavat saman todellisuuden eri puolia, mutta jokainen niistä on “virheellinen”.
Analyticsin tarjoamat heuristiset attribuutiomallit eivät myöskään vastaa kaikkiin niihin kysymyksiin, joita markkinoijalla on.
Jos haluat tarkempaa tietoa esimerkiksi kanavakohtaisesta marginaalituotosta (“Paljonko saan lisää myyntiä, jos lisään kampanjan/kanavan budjettia X eurolla?”), eivät heuristiset attribuutiomalit valitettavasti kykene antamaan sinulle vastausta.
Vertailemalla eri attribuutiomallien tuloksia voit kuitenkin saada ideoita markkinointibudjetin parempaa kohdistamista varten – riippuen siitä, minkälaisia tavoitteita kampanjoilla on.
Samoin heuristinen analyysi auttaa ymmärtämään, missä ostopolun vaiheessa eri kampanjat ja kanavat vaikuttavat asiakkaaseen. Se taas auttaa kertomaan eri kanavissa oikeaa viestiä asiakkaillesi.
Muista myös syöttöpisteet!
Lähes jokaisessa yrityksessä digitaalisten markkinointikanavien tuottoa arvioidaan perinteisen viimeisen klikin tai viimeisen epäsuoran klikin attribuution avulla.
Viimeisen epäsuoran klikin attribuutio johtaa usein siihen, että viimeisille kohtaamisille lasketaan liian paljon arvoa. Silloin keskitytään kaupan klousaamiseen ja unohdetaan lähettää asiakkaita funnelin yläpäähän.
Käytä siis heuristisia attribuutiomalleja ja analysoi funnelin eri vaiheiden toimintaa. Silloin osaat rakentaa voittavan joukkueen, jossa maalintekijälle syötetään usein!
Artikkelit samasta aiheesta
Pullonkaulat analytiikan hyödyntämisessä: tunnista ja avaa ne CARE-mallin avulla!
Usein analytiikkaa ei saada tuottamaan arvoa, koska kohtaamme erilaisia pullonkauloja datan keräämisessä, analysoinnissa ja toimenpiteisiin ryhtymisessä. Helpota näitä haasteita hyödyntämällä CARE-mallia.
Tekoäly ja koneoppiminen rakentavat parempia ostajapersoonia
Ostajapersoona on tuttu työkalu markkinoinnin johtamisen apuna. Suurten kielimallien ja koneoppimisen avulla dataan perustuvien persoonien rakentaminen onnistuu aikaisempaa tehokkaammin. Mitä ostajapersoona tarkoittaa? Ostajapersoonat kuvaavat yrityksen kannalta ideaalisia ostajia. Ostajapersoonan esitys […]
Digianalytiikan käyttäjätunnisteet paljastavat pitkätkin ostopolut
Käyttäjätunnisteet (user ids) auttavat seuraamaan pitkiä ostopolkuja, kun käyttäjät saadaan välillä kirjautumaan sisään tai antamaan sähköpostiosoitteensa.
Kiinnostuitko tästä aiheesta?
Soita meille 020 788 8120 tai täytä alla oleva lomake niin jatketaan juttua!