Baptiste Amar, senior dataanalytiker, har designet en fraktioneret attributionsmodel til mere præcist at kreditere marketingkanaler for deres indvirkning på indtægtsgenerering. Denne artikel er del 1 af en serie på 3 dele om, hvordan han designede og udførte modellen. I denne første del lægger Baptiste fundamentet ved at introducere grundprincipperne og udfordringerne ved attributionsmodeller.
I del 2 følger Baptiste op med modeldesignprocessen, indsamling og formatering af data og ændring af Markov Chains-modellen. I del 3 dykker han dybt ned i udfordringen med at implementere den datadrevne model i systemerne og med at trykprøve den på rigtige marketingkampagner for at sikre dens relevans. Hvis du ikke allerede har gjort det, så følg os på LinkedIn for at holde dig opdateret om del 2 og 3.
Hvorfor har vi brug for datadrevne attributionsmodeller?
Den tid, hvor budgettildelinger inden for marketing var baseret på tro eller ekspertise, er for længst forbi. Med den øgede indtrængen af data og analyser i forretningsstrategier står marketingcheferne over for endnu flere udfordringer: De skal nu konstant bevise værdien af deres handlinger.
Men marketingcheferne er ikke de eneste, der konfronteres med denne nyfundne udfordring. Marketing-specialiserede dataanalytikere som mig selv er ansvarlige for at levere værdifuldt og brugbart indhold til marketingfolk, uanset om det drejer sig om hurtige indsigter eller tunge modelleringer. I sidste ende hjælper det operationelle marketingteams med at træffe bedre beslutninger, f.eks. om at opbygge et optimalt mediemix, lancere mere effektive kampagner eller skabe mere engagerende indhold.
Selv uden denne grundlæggende forståelse af forretningsproblemet er det stort set umuligt at designe og implementere en relevant fraktioneret attributionsmodel.
I modne marketingorganisationer som GetYourGuide er analyser afgørende, når det drejer sig om at allokere ressourcer: Mediecheferne har brug for materiale for at få købt ind hos de finansielle interessenter og i sidste ende frigøre driftsbudgettet.
En af de største udfordringer i denne sammenhæng er at måle afkastet af medieinvesteringer: Hvor mange indtægter genererede de investeringer, der blev brugt på bestemte kanaler eller kampagner? Dette strukturelle spørgsmål kan besvares på flere måder, som alle kræver pålidelige data og sofistikeret modellering.
En af standardmetoderne til at løse dette problem er at fordele indtægterne på marketingkanalerne alt efter, hvilken indvirkning de har haft på genereringen af dem. Det er det, som attributionsmodellering handler om.
Du vil måske også være interesseret i:
Marketing og konvertering
Hvor kunderne køber et produkt online, kan de blive udsat for en lang række markedsføringsaktiver. Et eksempel på en vej til konvertering kunne være:
1. En kunde ser et banner på et websted, der linker til booking af en billet til Tour Eiffel på GetYourGuide (displayannonce), og klikker på det. De gennemser vores lagerbeholdning uden at konvertere.
2. Et par dage senere søger de i Google-søgemaskinen efter Tour Eiffel-billetter og klikker på GetYouGuide-annoncen (betalt søgning) for at få adgang til vores platform igen og genopfriske deres hukommelse om de aktiviteter, vi tilbyder. Mens de surfer, tilmelder de sig vores nyhedsbrev.
3. En uge efter kundens sidste besøg modtager de en handlingsbaseret e-mail, der minder dem om Tour Eiffel-billetten, klikker på e-mailen, søger på vores websted efter den tur, de havde øje for, og booker attraktionen.
I denne rejse mod konvertering deltog tre markedsføringskanaler: display, betalt søgning og e-mail.
Hvis vi ønsker at tilskrive disse tre kanaler den rette andel af indtægterne – afhængigt af den indvirkning, de havde på konverteringen – hvilken kanal ville vi så tilskrive mest?
a. Displayannoncen, fordi den førte vores kunde til webstedet for første gang og fik dem til at overveje vores brand?
b. Det betalte søgeklik, fordi det sandsynligvis skubbede kunden meget længere ind i købsintentionen?
c. E-mailkontaktpunktet, fordi det fik kunden til at konvertere?