Január 22-24 közt került megrendezésre a Superweek 2013 Digital Analytics Conference, amely utolsó napján, 24-én én is részt vettem (a @deepindata twitter felhasználóval követhető is volt, igyekeztem érdekes morzsákat írni az előadásokról.)

Ebből most egy előadást szeretnék kiemelni, mert aktuálisnak és fontosnak érzem beszélni róla.
Luigi Reggiani beszélt az analitika és attribúció viszonyáról.

De mi is az az attribúció?

Konverziós útvonalak

Az attribúciós modell arról szól, hogy a különböző forrásoknak vagy lépéseknek mekkora értéket tulajdonítunk a folyamat során.

Amikor egy fizetett kampány, illetve a webshop eredményességét vizsgáljuk, jellemzően a konverziók alapján értékelünk. Megnézzük, hogy mennyit költöttünk el az adott forrásra (pl adwords), majd hogy milyen hatással volt a vásárlásokra és konverziókra. Ebből azután kiszámítható, hogy megérte-e a kampány, vagy sem, többet hozott-e, mint amennyit vitt.

Azonban az esetek nagy részében ahhoz, hogy a felhasználó vásároljon, nem elég egyetlen látogatás. Bízom benne, hogy nem idegen előttünk a vásárlási ciklus, amely során több körben szűkíti le a vásárló a lehetőségeket egészen addig, míg csak egyetlen konkrét termék és webshop nem marad, és ekkor veszi meg azt.
A keresgélés során több forráson keresztül, többször is eljuthat az oldalunkra, míg ténylegesen úgy nem dönt, vásárol.

Az attribúciós modellünk kialakítása, a különböző csatornák értékelése során fontos, hogy a különböző forrásokat (display, ppc, email, social, organikus, közvetlen, hivatkozó) ne különállóként kezeljük, hanem egységként. Derítsük föl, hogyan hatnak egymásra a különböző csatornák, melyiknek milyen szerepe van. (brandépítés, direkt konverzió, kapcsolattartás stb).
Az konverzióoptimalizálás folyamán igyekezzünk minél kevesebb (ideális esetben egy) érintkezési pontra szűkíteni a folyamatot – azaz minél kevesebb lépésből, minél kevesebb csatorna érintésével próbáljuk meg elérni a vásárlást.

Nézzük milyen eloszlási modellek vannak, és melyiket mire érdemes használni. A bemutatás során egy példát is hozunk. A fentebbi képen látható konverziós útvonalakat vizsgáljuk, egy konverzió értéke 100 egység. Az egyszerűség kedvéért most feltételezzük, hogy a közvetlen csatornát leszámítva minden forgalmi forrásra ugyanakkora összeget, 100 egységet fordítottunk. Minden esetben kiszámoljuk, ez alapján mekkora profitot jelentett az adott csatorna. (minden esetben a teljes profit 200 egység, mivel 5 konverzió történt, és a teljes ráfordított költség az 300 egység)

Utolsó kattintás modell (last click)

utolso-kattintas Az utolsó kattintás modellje szerint minden értéket az utolsó forrásnak adunk, nem vesszük figyelembe, hogy milyen egyéb csatornák segítették a felhasználót, hogy vásárlóvá váljon.
Még mindig nagyon sokan (a Google adatai szerint 54%) az utolsó kattintásos modellt alkalmazzák.
Az már fél siker, ha felismerjük, ez a modell nem ad valós képet arról, hogy a hirdetésekre költött pénzünk valóban megtérül-e, hiszen bizonyos csatornák (pl display hirdetések) nem arra vannak elsősorban, hogy direkt konverziót generáljanak, inkább arra jók, hogy “belekerüljünk a fejekbe”, építsük a brandünk vagy a termékünk ismertségét. A modell ettől függetlenül jó összehasonlítási alapot ad a többihez.

display: 0-100 = -100
organikus keresés: 200-100 = 100
közvetlen látogatások: 200 – 0 = 200
hivatkozó forgalom (referral): 100-100 = 0

Az utolsó kattintás modellje szerint a display hirdetésekre szánt összeg pénzkidobás volt, míg a legértékesebb a közvetlen látogatások, amelyre nem kellett költenünk.

Első kattintás modell (first click)

Első kattintási attribúciós modell

Ebben az attribúciós modellben minden értéket az a csatorna kap, amelyen keresztül először jutott el a felhasználó az oldalunkra. Ennek segítségével jól mérhető, hogy a különböző csatornáknak milyen hatása van a brandünkre vagy termékünkre, mely brandépítő kampányok teljesítenek jól.
Ha a fentebbi példánkat nézzük, akkor következő módon alakulnak az értékek:

display: 100 – 100 = 0
organikus keresés: 100-100 = 0
közvetlen látogatások: 0-0 =0
hivatkozó forgalom: 300-100= 200

Ez alapján a hivatkozó forgalomból érkező látogatások érik a legtöbbet a brandünk számára.

Lineáris, egyenlő eloszlási modell

egyenlő eloszlás attribúciós modell

Az egyenlő eloszlás modelljében minden forrás, amelyet érintett a felhasználó a konverzióig, azonos értéket kap. Luigi javaslata alapján amikor attribúciós modellt kezdünk alkalmazni a kampányaink értékelésére, érdemes ezzel kezdeni, illetve akkor alkalmazni, amikor a vásárlási ciklus minden lépésénél egyformán fontos számunkra fenntartani a vásárlóval a kapcsolatot.
Ebben a modellben a következő értékek adódnak példacsatornáinkhoz:

display: 66-100 = -34
Organikus keresés: 133 – 100 = 33
Közvetlen forgalom: 100 -0 =100
Hivatkozó forgalom: 200 -100 = 100

A display ebben a modellben is veszteséges, de kisebb mértékben, mint az utolsó kattintás esetén, és a közvetlen forgalmunk kevésbé értékelődik fel.

Időbeli eloszlás modell (Time decay)

idobeli-eloszlasEbben a modellben az idő előrehaladtával, minél közelebb jutunk a konverzióhoz, annál nagyobb értéket kap az adott csatorna. Gyorsan, rövid idő alatt lezajló kampányokhoz, promóciókhoz használhatjuk. (példánkban a három lépésnél 10-30-60, a két lépésnél 35-65 eloszlást alkalmaztunk, itt a pontos megoszlás már saját döntésünk, főleg hosszabb útvonalak esetén)

display: 40-100 = – 60
organikus keresés: 160 – 100 = 60
közvetlen forgalom: 130 – 0 = 130
Hivatkozó forgalom: 170 – 100 = 70

A display hirdetésre szánt pénzünk ebben a modellben is veszteséget okozott, míg a közvetlen forgalom teljesített itt is a legjobban, de már kisebb különbséggel, mint az utolsó kattintás során.

Egyéni eloszlás modell (custom)

egyeni-eloszlasHasználata akkor javasolt, amikor már kellő tapasztalatunk van az attribúciós modellek alkalmazásában, amikor már fel tudjuk mérni, mikor, melyik csatornának milyen értéket tulajdonítsunk. Egyénre szabhatjuk az értékeket az alapján, hogy az egyes lépések során mennyi időt töltött el a látogató, hány oldalt nézett meg, milyen kulcsszóval érkezett stb.
Példánkban tegyük fel, hogy eltöltött idő alapján osztjuk el az értékeket:

1. 60 mp -> 30 mp -> 120 mp
2. 30 mp – > 60 mp
3. 60 mp -> 60 mp
4. 120 mp -> 60 mp
5. 240 mp -> 60 mp

display: 42 -100 =-68
organikus keresés: 166 -100 = 66
közvetlen forgalom: 90 – 0 =91
hivatkozó forgalom: 200 -100 = 100

Összefoglalva, bármelyik modellt is nézzük, egyértelmű, hogy a display hirdetésre szánt pénz nem érte meg, viszont az, hogy a többi csatornát hogyan értékeljük, nagyon eltérő lehet, és főleg a közvetlen forgalom túlértékelése vezethet hibás döntésekhez. (hiszen valahonnan ismernie kellett ahhoz, hogy direkt látogatóként érkezzen hozzánk.)
Nincsen tökéletes attribúciós modell, hiszen ahogy a bemutatásuknál is írtuk, eltérő esetekben, céloknál lehet érdemes használni őket, ki kell tapasztalni, melyik közvetíti számunkra legpontosabban, hogy az adott kampányban elköltött forintjaink mennyire térültek meg.

Az attribúciós modellek használatához többféle eszköz is létezik: készíthetünk hozzá excel táblázatot, fejleszthetünk saját megoldást, amely segít kiszámítani, használhatunk külső fejlesztéseket, vagy akár kiszervezhetjük ennek az értékelését.

A Google három eszközt kínál:

Az Adwords Keresési Csatornák (Search Funnels)
Az Analytics Többútvonalas Csatornák (a számításokat nekünk kell elvégeznünk, de megmutatja az útvonalakat)
Az Analytics Attributon Modeling Tool (ez jelenleg a Google Analytics Premium szolgáltatással érhető el alapértelmezetten, de lehetőség van feliratkozni egy whitelist-re, hogy sima Google Analytics felhasználóként is használhasuk. Idővel várható, hogy minden Analytics felhasználó hozzáférhet.)