Januárban már írtunk az attribúciós modellekről. Akkor még csak általánosságban, hiszen a Google Analytics ekkor még nem volt alkalmas attribúciós modellezésre, így ha valaki szeretett volna vele foglalkozni, annak vagy maga, vagy harmadik fél által készített programot kellett ehhez használnia, ami valljuk be, kényelmetlen és nehézkes.
Júniustól azonban elérhetővé vált a Modell-összehasonlító eszköz (Model Comparison Tool), megkönnyítve a modellek összehasonlítását.

Természetesen az eszköz még nem jelenti automatikusan azt, hogy mostantól két gombnyomással eldönthetem, mely csatornára lenne érdemes többet vagy kevesebbet költenem, számos dologra kell figyelnünk ahhoz, hogy valóban értékelhető adatokat kapjunk, és az sem mindegy, milyen modelleket vizsgálunk.

 Beállítások a pontos modellezhetőségért

Mi kell ahhoz, hogy bizalommal használhassuk a Modell-összehasonlító eszközt?

  • pontosan címkézzük minden forgalmunkat, a banner kampánytól kezdve a hírleveleken keresztül az affiliate megállapodásokig. Enélkül az összetartozó forgalmak szétoszlanak (pl email a hivatkozóba és a direktbe) vagy több forrás egybe mérődik (hivatkozó forgalmak). A kampányok értékelhetőségének alapköve, hogy megfelelően el tudjuk különíteni őket!
  • Legyenek megfelelően beállítva a céljaink, és/vagy az e-kereskedelmi mérésünk. A Modell-összehasonlító eszköz csak akkor működik, ha vannak mért konverzióink. A céloknál, ha nincs e-kereskedelmi mérésünk, és lehetséges, adjuk meg az értékét, így még pontosabb képet kaphatunk majd.
  • Ha van rá lehetőségünk, töltsük fel a különböző kampányaink költségadatait, így már direktben az Analytics felületén belül láthatjuk az adott forrás ROI-ját.

Hogyan használjuk a Modell-összehasonlító eszközt?

Ha már sikerült az adatainkat tisztázni és pontosítani, elkezdhetjük használni a Modell-összehasonlító eszközt, azonban itt is van pár dolog, amire érdemes figyelnünk (még az előtt, hogy bármilyen modellt is választanánk!)

  • Egyszerre mindig csak egy konverziótípusra vizsgáljuk az eszközt. Egyrészt a konverzió típusa is meghatározhatja, milyen modellt találunk számára megfelelőnek, másrészt a makro és mikrokonverziók együttes értéke erősen torzítja a képet.
    Ahogy a példaképünkön látszik, az első három cél azonos (csak kétfelé ágazik a célfolyamat, ezért van látszólag duplikálva), míg a második három cél mikrokonverzió, nincs direkt értéke.
    Modell Összehasonlító Eszköz a Google Analyticsben
  • Állítsuk be a visszatekintési időt (ez amikor már egyedi modellt készítünk, a modell-beállítás része lesz, de amíg a meglévőeket használjuk, érdemes külön figyelmet fordítani rá):
    visszatekintési idő beállításaA visszatekintési idő megállapításához használjuk a Többútvonalas csatornák Időeltolódás jelentését. Ennek segítségével láthatjuk, hogy milyen életciklusa van a termékünknek, rövid vagy hosszú idő kell, míg a felhasználók konvertálnak. A példánkban a konverziók 90%-a 10 napon belül történik, így kis ráhagyással 15 napra állítottuk be a visszatekintési időtartamot.
  •  Állítsuk be az összehasonlítani kívánt modellt. Bár három modell is összehasonlítható egyszerre, erre nem feltétlen van szükség. Az összehasonlítás alapjának érdemes az Utolsó kattintás modelljét használni, és ahhoz tenni hozzá a használni kívánt modellt.
    attribúciós modell
  • Ezután lényegében nincs más dolgunk, mint az utolsó oszlopban (%-os változás) a számokat figyelni, és ahol zöld nyilacska van, arra a kampányra többet fordítani, míg ahol piros, kevesebbet. Ez végtelenül egyszerűnek tűnik, és valóban, ha jól csináltunk mindent, nem kell mást tennünk, mint a nyilacskák és százalékok alapján újrakalibrálni a büdzsét, vagy a következő kampányidőszakban ezen adatok alapján módosítani az egyes csatornákra szánt összegeken.

Melyik modellt válasszuk?

Eddigi erőfeszítéseink mit sem érnek, ha nem a megfelelő attribúciós modellt választjuk. De melyik az?
A Google Analytics hét előre beállított modellel rendelkezik, és egyéni modelleket is létrehozhatunk. Vajon tényleg szükség van ennyire?
A januári cikkünket Luigi Reggiani Superweekes előadása alapján írtuk. A különböző Google Analyticsben elérhető modellek hasznáról és használhatóságáról nemrég Avinash Kaushik írt egy hosszú és hihetetlenül hasznos bejegyzést. Az alábbiakban az ő véleményükre alapozva mutatjuk be az egyes modelleket.

Utolsó interakció – azaz utolsó kattintás

utolso-kattintasAz utolsó interakció értelemszerűen csak az utolsó lépésnek ad értéket, nem foglalkozva azzal, hogy ki hogyan, milyen hosszú vagy épp rövid úton jutott el a konverzióig. Ebben a modellben könnyen túlértékelődik a direkt forgalom, míg egyes marketingkampányok (amelyeknek egyébként sem a direkt konverzió volt a célja) alulértékelődnek, és ez a büdzsé rossz újraosztásához vezethet. Talán már mi is tudjuk, érezzük, hogy ennek a modellnek a használata hibás, viszont jó viszonyítási alappal szolgál a többihez, hiszen az attribúciós modellezés használata előtt szinte mindenki ezt használta (ha használta egyáltalán) megtérülésének vizsgálatára.
Összahasonlítási alapnak lehet használni.

Legutóbbi, nem közvetlen interakció – azaz utolsó előtti kattintás

utolso-elotti-kattintasAmikor először megláttam ezt a modellt, nem egészen értettem, miért van itt, és Avinash is csak megerősített abban, hogy ennek sok értelme nincs. A modell nem minden esetben nézi az utolsó előtti kattintást (ahogy a neve sugallja), hanem csak akkor, ha az utolsó lépés közvetlen forgalom volt. Ahogy az utolsó kattintásnál írtam, mivel sokszor direkt látogatás hozza a konverziót, ezért túlértékelhetjük ezt a csatornát, azonban a teljes kizárása az alulértékeléséhez vezet, ami ismét csak hibás, hiszen valamiért mégsem volt elég az az utolsó előtti lépés, valamiért még egyszer vissza kellett térnie – ekkor már direkt, ami márkaismertségi szempontból pozitív.
Nem érdemes használni.

Utolsó Adwords-kattintás

utolso-elotti-kattintasA teljes értéket az Adwords kattintás kapja, amennyiben volt. Ha az útvonalban nem szerepel AdWords, akkor ha jól értem, az utolsó interakció kapja meg az értéket. Őszintén szólva azon túl nem látom értelmét, hogy jól felértékelhetjük vele az Adwordsöt – indokolatlanul.
Nem érdemes használni.

 

Első interakció – azaz az első kattintás

Első kattintási attribúciós modellAz utolsó kattintás ellentéte, itt minden értéket az a csatorna kap, amelyen legelőször kapcsolatba lépett velünk a felhasználó. Bár igazat adok Avinashnak abban, hogy annak megállapítására, hogyan optimalizáljam a marketingkampányaimra fordított büdzsémet alkalmatlan, viszont nem dobnám el teljesen, mert azt gondolom, hogy arról jó képet adhat, milyen brandépítő hatása van a kampányaimnak, mely csatorna az, ahol először találkozva velem a leginkább konvertálnak a felhasználók.
Nem érdemes használni

Lineáris azaz egyenlő eloszlás

egyenlő eloszlás attribúciós modellEgy kevésbé rossz modell. Itt már nem egyetlen lépés kapja a teljes értéket – amely lássuk be, eléggé nonszensz – hanem minden lépés azonos értéket kap. Olyan ez, mintha elindulva egy versenyen, mindenki kapna oklevelet és aranyérmet, függetlenül attól, hogy első lett, vagy az ötödik. Ez így továbbra is pontatlan, és igazságtalan, döntést alapozni rá kevéssé lehet. Viszont teljesen kezdő attribúciós modellezőként érdemes lehet kis figyelmet fordítani rá. Luigi Reggiani legalábbis ezt javasolta, Avinashnak viszont más a véleménye.
Korlátozottan használható

Időbomlás azaz időbeli eloszlás

idobeli-eloszlasEgyre nagyobb értéket kap egy érintési pont, amint időben közeledünk a konverzióhoz. Azaz az első lépés kapja a legkevesebb értéket, és fokozatosan egyre többet a többi. Hogy arányaiban pontosan hogyan kapják meg az értéket, az függ a beállított felezési időtől.
Ez alapértelmezetten hét nap, tehát a konverzió előtt hét nappal történt érintési pont fele akkora értéket fog kapni, mint az utolsó interakció. idobomlas-felezesi-ido
Az, hogy hány napra érdemes állítani a felezési időt függ attól, hogy milyen az életciklusa a konverzióinknak (jellemzően hány nap késleltetéssel konvertálnak).
Avinash azt javasolja, ezzel kezdjük, ez alapján igazgassuk kicsit a kampányaink megítését és költéseit. Jó eséllyel javulni fognak az eredményeink. Természetesen nem tökéletes, viszont az előre definiált modellekből ez a leghasználhatóbb.
Kezdő attribúciós modellezésnél ajánlott használni

Pozíció alapú modell

pozicioalapuAlapértelmezetten a pozíció alapú modell során az első és az utolsó lépés 40-40%-ot kap, a fennmaradó 20%-ot pedig egyenlő arányban osztja el a rendszer a közbülső lépések között. Első ránézésre ez is egy jó modell, hiszen az első és az utolsó érintési pont fontos. Azonban az arányokkal vannak, illetve lehetnek problémák, hiszen a közbeeső lépések egyenlő arányban részesülnek a fennmaradó részből – ami alapból nem túl sok. Az alapértelmezett változat önmagában tehát nem túl ideális, viszont nagyon jó kiindulópontot ad egyéni modell létrehozásához.

Egyéni attribúciós modellek kiindulópontjaként ajánlott használni.

Egyéni attribúciós modell

Az egyéni modell létrehozása négy egyszerűnek tűnő lépésből áll, ám ahhoz, hogy az igényeinknek a legmegfelelőbb modellt hozzunk létre, hogy annak segítségével valóban az üzleti céljainknak megfelelően tudjuk értékelni a kampányainkat, annyira nem is egyszerű. Ezért erről hamarosan egy külön bejegyzésben fogunk írni.