Baptiste Amar, senior datový analytik, navrhl frakční atribuční model, který přesněji zohledňuje vliv marketingových kanálů na generování příjmů. Tento článek je první částí třídílné série o tom, jak tento model navrhl a realizoval. V tomto prvním díle Baptiste položil základy představením základů a výzev atribučních modelů.
V 2. části Baptiste navazuje na proces návrhu modelu, shromažďování a formátování dat a úpravu modelu Markovových řetězců. Ve 3. části se hlouběji zabývá výzvou nasazení modelu založeného na datech v systémech a jeho tlakovým testováním na reálných marketingových kampaních, aby byla zajištěna jeho relevance. Pokud jste tak ještě neučinili, sledujte nás na LinkedIn, abyste byli informováni o 2. a 3. části.
Proč potřebujeme datově řízené atribuční modely?
Doby, kdy se v marketingu přidělovaly rozpočty na základě víry nebo odbornosti, jsou dávno pryč. S rostoucím pronikáním dat a analytiky do obchodních strategií čelí marketingoví manažeři ještě větším výzvám:
S touto nově objevenou výzvou však nejsou konfrontováni pouze marketéři. Datoví analytici specializovaní na marketing, jako jsem já, jsou zodpovědní za poskytování hodnotného a použitelného obsahu marketérům, ať už jde o rychlé poznatky nebo náročné modelování. V konečném důsledku to pomáhá operativním marketingovým týmům činit lepší rozhodnutí, například sestavit optimální mediální mix, spustit výkonnější kampaně nebo vytvořit poutavější obsah.
Bez tohoto základního pochopení obchodního problému je prakticky nemožné navrhnout a nasadit relevantní frakční atribuční model.
Ve vyspělých marketingových organizacích, jako je GetYourGuide, má analytika zásadní význam, pokud jde o přidělování zdrojů: Mediální manažeři potřebují materiál, aby získali souhlas finančních zainteresovaných stran a nakonec uvolnili provozní rozpočet.
Jednou z největších výzev v této souvislosti je měření návratnosti investic do médií: Kolik příjmů přinesly investice vynaložené na konkrétní kanály nebo kampaně? Tuto strukturální otázku lze zodpovědět v rámci několika přístupů, které všechny vyžadují spolehlivá data a sofistikované modelování.
Jedním ze standardních způsobů řešení je rozdělení příjmů mezi jednotlivé marketingové kanály v závislosti na tom, jaký měly vliv na jejich generování. K tomu slouží atribuční modelování.
Mohlo by vás také zajímat:
Marketing a konverze
Před nákupem produktu online mohou být zákazníci vystaveni široké škále marketingových prostředků. Příkladem cesty ke konverzi může být:
1. Zákazník uvidí na webové stránce banner, který odkazuje na rezervaci vstupenky na Tour Eiffel na GetYourGuide (display reklama), a klikne na něj. Prochází naše zásoby, aniž by provedl konverzi.
2. O několik dní později vyhledá ve vyhledávači Google vstupenky na Tour Eiffel a klikne na reklamu GetYouGuide (placené vyhledávání), aby se znovu dostal na naši platformu a osvěžil si paměť o aktivitách, které nabízíme. Během prohlížení se přihlásí k odběru našeho newsletteru.
3. Týden po poslední návštěvě zákazník obdrží akční e-mail, který mu připomene vstupenku na Tour Eiffel, klikne na e-mail, vyhledá na našem webu prohlídku, kterou si vyhlédl, a atrakci si rezervuje.
Na této cestě ke konverzi se podílely tři marketingové kanály: displej, placené vyhledávání a e-mail.
Pokud bychom chtěli těmto třem kanálům připsat správnou část příjmů – podle toho, jaký vliv měly na konverzi – kterému kanálu bychom připsali nejvíce?
a. Zobrazovací reklamě, protože přivedla našeho klienta poprvé na web a přiměla ho uvažovat o naší značce?
b. Placenému prokliku ve vyhledávání, protože pravděpodobně posunul klienta mnohem dál v nákupním záměru?
c. E-mailový touchpoint, protože díky němu klient konvertoval?