精品国产三级a在线观看网站,亚洲综合色成在线观看,亚洲熟妇一区二区三区,,中文字幕成人精品久久不卡 ,永久免费av无码网站国产

讀懂歸因模型，廣告收入翻倍

2318 閱讀 0 評論



?今天談?wù)剶?shù)據(jù)方面的問題，我先瞎編個栗子，不要考究我細節(jié)哈。
大家看看哪個操作帶來了轉(zhuǎn)化？
? ? 案例分析? ??
小明搬新家后想買一款投影儀，11月21日，他在手機端的Google搜索了“Home Projector”，查看了2021年最佳投影儀排行榜（附帶產(chǎn)品鏈接），看到了2款不錯的投影儀Epson和BenQ。他分別在PC端搜索了這兩款投影儀，并分別通過Search廣告和Shopping廣告進入官網(wǎng)查看。

11月22日白天，他在Meta APP搜索了Epson和BenQ的主頁，并進入Group了解到了更多的真實信息反饋，從Meta進入了官網(wǎng)。晚上，他又在TikTok APP刷到了一些KOL的測評和官網(wǎng)的直播，詳細了解了兩款品牌的功能和投影效果，進入官網(wǎng)查看了幾款熱賣的型號。

11月23日通過雅虎搜索并直接進入了官網(wǎng)找了2款不錯的型號，在Reddit調(diào)研發(fā)現(xiàn)這2款投影儀評價都還不錯，所以他打算在Black Friday入手。

11月24日，他在刷Meta信息的時候，看到并點擊了Epson Home Cinema 5050UB的Black Friday的折扣廣告。

11月26日，在Black Friday當天，他直接進入https://epson.com/官網(wǎng)，領(lǐng)取了首頁的coupon，由于發(fā)現(xiàn)其中一款的折扣力度更大更實惠，便購買了一臺新款投影儀。

是不是覺得我編的小明有嚴重糾結(jié)癥？其實，現(xiàn)實中比小明更糾結(jié)的大有人在。

小明在買投影儀的過程中，會與多個廣告、KOL、測評網(wǎng)站等產(chǎn)生互動，每一個互動對最終的決策都產(chǎn)生了或多或少的影響。如果我們可以跟蹤到每一個消費者的動作，并連結(jié)成一條路徑，知道每個互動帶來的回報收益和成本，就可以得到投資回報率，從而了解到該如何規(guī)劃渠道的優(yōu)先級和比重。

而歸因模型，就是這樣一個工具，它可以幫我們為每次互動分配轉(zhuǎn)化功勞。通過歸因模型，可以幫我們了解廣告的表現(xiàn)效果、KOL的影響力。



我先介紹下目前市面上主要的幾種歸因模型，在每一個歸因模型下，轉(zhuǎn)化功勞都有可能不同。

??首 次?點 擊 |....
將轉(zhuǎn)化功勞100%歸功于消費者的首次點擊的那個廣告。
>>>適合品牌推廣初期，可以了解品牌在哪個渠道轉(zhuǎn)化率更高
在例子中，小明首次點擊Epson的廣告是通過PC端的Google搜索廣告。雖然最開始看到的種草文章里面有Referral鏈接，但小明僅瀏覽了文章并未點擊。所以，轉(zhuǎn)化的功勞全部會被歸到Search廣告的Epson關(guān)鍵詞。

這個模型的邏輯是系統(tǒng)認為只有通過第一次點擊，消費者才認知到這款產(chǎn)品，而后續(xù)消費者接觸這款產(chǎn)品都是從這個“因”出發(fā)，導致的“果”。如果沒有第一次看到這個產(chǎn)品，后續(xù)也不會產(chǎn)生主動查詢或者被動品牌觸達，也不會產(chǎn)生購買。而在這種理論下，往往第一次接觸的都是偏頂端或品牌性質(zhì)的廣告，因為品牌廣告的接觸面積更為廣闊。

當然這種模型也有自身的缺陷，比如當歸因的時間窗口為7日時，我們在11月1日看到并瀏覽過一款生日蛋糕，產(chǎn)生了購買的想法，11月3日又搜索了這個蛋糕品牌，并最終在11月9日購買了蛋糕。首次點擊實際是11月1日，但最終會歸因到11月3日。對于歸因鏈路比較長的轉(zhuǎn)化，歸因的數(shù)據(jù)也會失真。

??最 終?點 擊 ....|
將轉(zhuǎn)化功勞100%歸功于消費者的最后一次點擊的那個廣告。
>>>適合品牌推廣中后期
在例子中，小明最終點擊Epson的廣告是Meta的Black Friday的折扣廣告，然后黑五當日直接進入官網(wǎng)進行了購買。根據(jù)GA的最終非直接點擊，轉(zhuǎn)化功勞會被歸因到Meta，從而排除大量direct流量的“誤導”。而在Shopify轉(zhuǎn)化功勞會被歸因到Direct，是不是很有趣？

對于最終點擊模型，歸因窗口的影響很小。但對于初期品牌，上層漏斗往往會被忽視，很多會因此找不到最初客戶的來源，不利于前期的拓展。
?
?線 性 .....
將轉(zhuǎn)化功勞平均分配給轉(zhuǎn)化路徑上的所有廣告互動。
>>>適合保守型客戶
在例子中，小明在買投影儀的過程中點擊了4次廣告和渠道。假設(shè)轉(zhuǎn)化次數(shù)為“1”，轉(zhuǎn)化功勞就會被N等分。每個接觸點的轉(zhuǎn)化功勞都為1/5。

在這種情況下，轉(zhuǎn)化的計算非常簡單。但弊端就是轉(zhuǎn)化功勞比較分散，無法將重要渠道單拎出來。在實際應(yīng)用中，也比較少采用。
?
?根 據(jù) 位 置 :...:
第一次點擊和最后一次點擊分別擁有40%的轉(zhuǎn)化功勞，剩下的20%會被平均分配給其他點擊事件。
>>>適合想獲得客戶來源和最終促成結(jié)果的客戶
在例子中，小明的第一次點擊（Google Search）和最后一次點擊（Meta Ads）分別有40%的功勞，另外3個渠道均分20%，即Meta Social為6.67%，TikTok為6.67%，Yahoo organic search為6.67%。

按渠道計算，Meta占有46.7%，功勞最大。在這種情況下，首次和末次都得到了重視。

?時 間 衰?減 .:|
點擊行為越接近轉(zhuǎn)化發(fā)生時間，分配的功勞越多。每往前推7天，所分配的功勞就變成會乘以1/2。比如，轉(zhuǎn)化發(fā)生 8 天前的點擊所獲功勞是轉(zhuǎn)化發(fā)生 1 天前的點擊所獲功勞的1/2。
根據(jù)這個模型，時間越靠近轉(zhuǎn)化發(fā)生的時間分配到的功勞越多。該模型的理論依據(jù)是越靠近決策行為的互動帶來的印象越深，促進購買的行為影響也越大。

但這種模型下，往往會忽視首次渠道的重要性。對于前期想要開拓用戶渠道的品牌，并不太合適。

?以 數(shù) 據(jù) 為 依 據(jù)
以每個接觸點不同的歷史數(shù)據(jù)來計算得到轉(zhuǎn)化功勞，利用帳號數(shù)據(jù)真實計算每次點擊互動的實際功勞。
>>>適合規(guī)模大、客戶來源面廣的客戶
上面5種都是以規(guī)則為依據(jù)的歸因模型，而最后這種是以數(shù)據(jù)為依據(jù)的。我們先來看下官方的定義：
歸因工具使用機器學習算法來評估轉(zhuǎn)化路徑和非轉(zhuǎn)化路徑。由此形成的以數(shù)據(jù)為依據(jù)的歸因模型可以學習不同接觸點對轉(zhuǎn)化效果的影響。此模型會將轉(zhuǎn)化時間、設(shè)備類型、廣告互動次數(shù)、看到廣告的順序以及廣告素材資源類型等因素納入考量范圍。此模型使用逆向分析方法，將已發(fā)生的情況與“有可能發(fā)生的情況”進行對比，從而確定哪些接觸點最有可能促成轉(zhuǎn)化。此模型會根據(jù)這種可能性將轉(zhuǎn)化功勞歸因于相應(yīng)接觸點。

是不是感覺很高級，但又聽不太明白。沒關(guān)系，我第一次看也沒看懂。簡單舉個例子：小明買投影儀，他第一次接觸到Epsonc產(chǎn)品是Google，第二次是Meta，第三次是在TikTok，第四次是Yahoo，最后一次是Meta，然后是Direct。即實際的完整轉(zhuǎn)化路徑是：#1Google>>>#2Meta>>>#3TikTok>>>#4Yahoo>>>#5Meta>>>#6Direct

假設(shè)#1Google>>>#2Meta>>>#3TikTok>>>#4Yahoo，轉(zhuǎn)化的可能性是5%。#1Google>>>#2Meta>>>#3TikTok，轉(zhuǎn)化的可能性是4%。那么Yahoo在轉(zhuǎn)化中的轉(zhuǎn)化可能性提升是多少？即（5%-4%）/4%=25%，說明Yahoo+25%的轉(zhuǎn)化可能性。同理，我們可以推出每一個接觸點的實際幫助。
?
?轉(zhuǎn)?化 丟 失
之前經(jīng)常會有剛做投放的朋友問我，“為什么Meta里面有10單，到Shopify后臺只有7單？”或者“好開心呀，Meta里面終于出單了，但Shopify后臺怎么沒有看到？”

看完歸因模型，是不是就明白了呢。因為對于1單成交的訂單，可能Meta和Google都觸達了一次，如果他們采用了不同的歸因模型，很有可能會都記錄1單，也就是我們常說的轉(zhuǎn)化丟失。所以，GA就是很好的一個工具，幫我們把所有數(shù)據(jù)都匯總排重，反饋真實的渠道表現(xiàn)。



點贊(17) 打賞

評論列表 共有 0 條評論

暫無評論

服務(wù)號

訂閱號

備注【拉群】

商務(wù)洽談

微信聯(lián)系站長

 發(fā)表
評論 立即
投稿 返回
頂部