Baptiste Amar, senior dataanalytiker, utformade en fraktionell attributionsmodell för att bättre kunna kreditera marknadsföringskanaler för deras inverkan på intäktsgenerering. Den här artikeln är del 1 i en tredelad serie om hur han utformade och genomförde modellen. I denna första del lägger Baptiste grunden genom att introducera grunderna och utmaningarna med attributionsmodeller.
I del 2 följer Baptiste upp modelldesignprocessen, samlar in och formaterar data och modifierar Markov Chains-modellen. I del 3 dyker han djupt ner i utmaningen att implementera den datadrivna modellen i systemen och att trycktesta den på riktiga marknadsföringskampanjer för att säkerställa dess relevans. Om du inte redan har gjort det, följ oss på LinkedIn för att hålla dig uppdaterad om del 2 och 3.
Varför behöver vi datadrivna attributionsmodeller?
Dagarna med tros- eller expertbaserade budgettilldelningar inom marknadsföring är sedan länge över. Med det ökade genomslaget av data och analyser i affärsstrategier står marknadsföringsansvariga inför ännu fler utmaningar: De måste nu ständigt bevisa värdet av sina åtgärder.
Men marknadsförare är inte de enda som ställs inför denna nya utmaning. Marknadsföringsspecialiserade dataanalytiker som jag är ansvariga för att tillhandahålla värdefullt och användbart innehåll till marknadsförare, oavsett om det handlar om snabba insikter eller tunga modelleringar. I slutändan hjälper detta operativa marknadsföringsteam att fatta bättre beslut, t.ex. att bygga en optimal mediemix, lansera mer effektiva kampanjer eller skapa mer engagerande innehåll.
Och utan denna grundläggande förståelse av affärsproblemet är det praktiskt taget omöjligt att utforma och använda en relevant fraktionell attributionsmodell.
I mogna marknadsföringsorganisationer som GetYourGuide är analyser viktiga när det gäller att fördela resurser: Medieansvariga behöver material för att få stöd från ekonomiska intressenter och slutligen frigöra driftsbudgeten.
En av de största utmaningarna i detta sammanhang är att mäta avkastningen på medieinvesteringar: Hur mycket intäkter genererade de investeringar som spenderades på specifika kanaler eller kampanjer? Denna strukturella fråga kan besvaras på flera olika sätt, som alla kräver tillförlitliga data och sofistikerad modellering.
Ett av de vanligaste sätten att ta itu med den är att fördela intäkterna mellan marknadsföringskanalerna beroende på hur de har påverkat genereringen av dem. Detta är vad attributionsmodellering handlar om.
Du kanske också är intresserad av: Hur en display-marknadsförare och hans lilla team gör stor skillnad
Marknadsföring och konvertering
För att köpa en produkt på nätet kan kunderna exponeras för en mängd olika marknadsföringsverktyg. Ett exempel på en väg till konvertering kan vara:
1. En kund ser en banner på en webbplats som länkar till att boka en biljett till Tour Eiffel på GetYourGuide (displayannons) och klickar på den. De bläddrar i vårt bestånd utan att konvertera.
2. Några dagar senare söker de i Googles sökmotor efter Tour Eiffel-biljetter och klickar på GetYouGuide-annonsen (betald sökning) för att få tillgång till vår plattform igen och friska upp sitt minne om de aktiviteter vi erbjuder. Medan de surfar, anmäler de sig till vårt nyhetsbrev.
3. En vecka efter kundens senaste besök får de ett åtgärdsbaserat e-postmeddelande som påminner dem om Tour Eiffel-biljetten, de klickar på e-postmeddelandet, söker på vår webbplats efter den tur de hade ögonen på och bokar attraktionen.
I denna resa mot konvertering deltog tre marknadsföringskanaler: display, betald sökning och e-post.
Om vi vill tillskriva dessa tre kanaler rätt andel av intäkterna – beroende på vilken inverkan de hade på konverteringen – vilken kanal skulle vi tillskriva mest?
a. Displayannonsen eftersom den förde vår kund till webbplatsen för första gången och fick dem att tänka på vårt varumärke?
b. Det betalda sökklicket eftersom det troligen fick kunden att gå mycket längre i sin köpintention?
c. E-postkontaktpunkten eftersom den fick kunden att konvertera?