Мультисенсорная атрибуция мертва? Создание лучшего решения для измерения производительности

Извечная цель маркетинговой атрибуции звучит просто: выяснить, какие точки соприкосновения, каналы и/или кампании наиболее эффективны для привлечения клиентов к конверсии.

В цифровом мире наша способность атрибутировать влияние основана на детерминированных идентификаторах, которые позволяют нам объединять маркетинговые взаимодействия. Затем к этим взаимодействиям применяется модель, основанная на правилах или на данных, чтобы скорректировать вес кредита, присвоенный каждому взаимодействию на пути клиента.

Таким образом, атрибуция теоретически дает маркетологам возможность понять и оценить влияние различных видов взаимодействия с брендом на решение потребителя совершить конверсию. Платонический идеал модели атрибуции должен давать целостное представление о каждой точке взаимодействия на пути пользователя и точно оценивать ее важность для достижения конечной цели.

Некоторые модели стали ближе, например, атрибуция с несколькими касаниями, в то время как у других есть хорошо известные белые пятна, такие как последнее касание.

Но просто невозможно точно отследить каждую точку взаимодействия, которая могла повлиять на конверсию. Наверное, никогда не будет. И даже если бы это было так, атрибуция могла бы на самом деле не дать нам полной картины, которая нам нужна.

Атрибуция сама по себе является ошибочной целью

Идеальная атрибуция долгое время была несбыточной мечтой маркетологов; Со времен Джона Ванамейкера маркетологи были одержимы идеей универсальной системы измерений, которая докажет, что они создают ценность.

Но даже если бы вы могли видеть все точки соприкосновения и достичь идеальной целостной атрибуции, дало бы это вам всю информацию, необходимую для построения идеальной маркетинговой стратегии? Ведь атрибуция по самой своей природе всегда смотрит в зеркало заднего вида. Он не смотрит в будущее и не указывает путь вперед. Он также не учитывает важные сигналы инвестиций в СМИ, такие как убывающая отдача.

Измерение производительности должно быть сосредоточено на использовании данных, чтобы понять, куда должен пойти ваш следующий лучший доллар, а не только на то, как далеко ушел последний доллар. Вы должны иметь возможность просматривать свои данные и отвечать на перспективные вопросы, такие как:

• Где мы можем увеличить бюджеты, чтобы масштабировать наши конверсии при сохранении текущей рентабельности инвестиций?
• Какие рычаги я могу использовать для оптимизации эффективности кампании?

Вы не сможете ответить на такие вопросы, если будете рассматривать только модель, которая присваивает кредит задним числом поверх неполного набора данных. Холодная, суровая правда заключается в том, что детерминированная мультисенсорная атрибуция не панацея; если это единственная модель, от которой вы зависите при принятии решений, она не может дать эти ответы.

Устаревание данных усложняет детерминированную мультисенсорную атрибуцию

Согласны ли вы с тем, что сама идея атрибуции лишь частично приближает нас к конечной цели измерения, мы все можем согласиться с тем, что многие маркетологи по-прежнему привязаны к моделям атрибуции. Как и во всех моделях, идеальных не бывает. Несмотря на то, что за прошедшие годы были достигнуты успехи, особенно следует отметить атрибуцию Google, основанную на данных, основанную на ценности, все еще остается много неизвестного, когда дело доходит до будущего атрибуции.

Это потому, что текущее состояние маркетинговых данных только усложняет ситуацию. Поскольку такие платформы, как Meta, Google и Snap, изо всех сил пытаются справиться с Apple App Tracking Transparency (ATT), финансовые директора этих компаний первыми признают, что устаревание данных является их самой большой проблемой.

По крайней мере, некоторые из практических проблем с атрибуцией связаны с человеческим фактором: люди одержимы соединением точек и поиском закономерностей, независимо от того, существуют они на самом деле или нет. Мы часто получаем вопросы от маркетологов о том, как работает атрибуция в Google Analytics из-за несоответствий с другими наборами данных.

Вы, вероятно, знакомы с этой проблемой: пользовательский интерфейс Facebook Business Manager утверждает, что платформа привела к в 10 раз больше конверсий, чем то, что вы видите в отчетах Google Analytics. Так кто из них прав?

Ответ заключается в том, что они оба неправы, просто по-разному. Никакая забавная математика (т. е. прокси-расчеты, которые рассматривают дельту между двумя точками данных с течением времени) не помогут вам решить уравнение и точно рассчитать, какой кредит должен получить реклама в Facebook.

В конце концов, это проблема наблюдаемости данных; данные неполные, но мы все равно ищем ответ.

Если это сбивает с толку, подумайте об этом так: допустим, вы разговариваете по телефону с прерывистым приемом. На каждые 10 слов вы пропускаете одно слово. Скорее всего, вы все еще можете понять суть разговора, потому что у вас слишком много другого контекста.

Но когда вы начнете терять целые предложения или каждое второе слово, вы окажетесь в беде. Это потому, что входные данные слишком ограничены и фрагментированы, чтобы делать точные выводы. Это именно то, что в настоящее время происходит с детерминированной атрибуцией на всех рекламных платформах, и это то, что никакое моделирование не может полностью решить.

Помните ту рекламу T-Mobile на Суперкубке, где Роб Гронковски приглашает Тома Брэди уйти на пенсию во Флориде, но Брейди слышит только каждое второе слово и думает, что Гронк говорит ему пойти поиграть в Тампа-Бэй? Это атрибуция сегодня. Это реальность, с которой бренды сталкиваются при потере данных.

Платформы обращаются к моделям, чтобы попытаться заполнить пробелы. По сути, они берут ограниченные данные, которые у них есть, например, несколько слов, которые Гронк слышит от Тома в рекламе, и используют технологии для моделирования остальной части разговора.

Это сравнимо с тем, как ChatGPT предсказывает наиболее вероятное следующее слово при компиляции ответов. Часто это имеет смысл, но иногда это галлюцинации и говорит вам, что Илон Маск станет следующим президентом Соединенных Штатов.

Конечно, в моделировании всегда есть диапазон ошибок, но если потеря данных достаточно велика, вы не сможете построить точную модель. Тогда начинает формироваться реальный вопрос: насколько вы можете доверять рекламным платформам, чтобы получить правильные результаты?

Вот почему вам необходимо расширить свой инструментарий измерения.

Моделирование медиа-микса и инкрементальное тестирование помогут вам лучше понять влияние

Атрибуция по-прежнему является мощной конструкцией, но лежащую в ее основе методологию необходимо изменить, чтобы она могла развиваться в современную эпоху. Вам нужно задать несколько сложных вопросов, чтобы выяснить, какой инструментарий и структура измерения будут работать для вашей организации, например:

• Какие измерения вам нужны для принятия разумных решений о планировании инвестиций по каналам и платформам?
• Где есть наилучшие возможности максимально эффективно масштабировать существующий медиа-микс?

Как индустрия, мы привыкли думать о воображаемой версии идеальной атрибуции как о конце всех вещей, но она всегда предназначалась только для использования в качестве ориентира.

Это не значит, что это не полезно. Но вам нужно переключить свое внимание на будущее и позволить атрибуции быть компонентом вашего принятия решений, а не единственным арбитром.

И хотя идеального решения не существует, есть несовершенное, которое значительно приближает нас к цели: унифицированная атрибуция в сочетании с моделированием медиа-миксов (MMM), где вы используете некоторые детерминированные данные и модель для остального. Цель состоит в том, чтобы использовать прошлые данные для прогнозирования будущих инвестиций. Он коренится в росте, а не в заложниках прошлых результатов.

Чтобы сделать это правильно, вам необходимо инвестировать в надежное инкрементальное тестирование, которое поможет вам проверить смоделированные данные об эффективности и получить более четкое представление о том, как ваши кампании влияют на весь путь клиента.

Тестирование инкрементальности на основе географических данных жизненно важно для калибровки моделирования медиа-миксов. Это также единственное самое мощное решение для измерения, позволяющее определить, где вы инвестируете больше или меньше в данный момент времени.

Большинству брендов не очень удобно проводить инкрементальное тестирование. Некоторые делали это раньше, но исторически сложилось так, что большинство из них не очень хороши в этом. Если ваш бренд находится именно в этом, вам нужны надежные партнеры с предсказуемой методологией, адаптированной к потребностям и особенностям ваших уникальных бизнес-задач.

Пришло время для ориентированного на будущее решения, объединяющего несколько инструментов: фреймворк для измерения производительности.

Одной из больших проблем с традиционными моделями медиа-миксов является скорость действия. В Wpromote мы создали высокоскоростную модель медиа-микса и инструмент планирования инвестиционных сценариев под названием «Планировщик роста» как часть нашей маркетинговой платформы Polaris для решения как проблем устаревания данных, так и практического применения.

Планировщик роста составляет основу нашей системы измерения эффективности. По сути, он прогнозирует на весь год клиента, чтобы найти оптимальное вложение доступных долларов для достижения целевых показателей дохода. Его также можно использовать для еженедельной оптимизации, чтобы ваш бренд оставался гибким и адаптировался к новым разработкам.

Планировщик роста просматривает все ваши маркетинговые каналы и всю воронку, чтобы максимизировать прибыль, потому что прибыльность — это конечная цель. Он расскажет вам, как инвестировать, вплоть до конкретной тактики, вплоть до канала, вплоть до месяца, недели, дня.

Мы следим за тем, чтобы модель оставалась честной и продолжала улучшаться, путем непрерывного тестирования инкрементности, и мы можем вводить в модель дополнительные расширенные входные данные, такие как прогнозируемая пожизненная стоимость, для дальнейшего обоснования инвестиционных решений. Затем мы передаем данные из Планировщика роста в анализ чистых данных в ключевых областях инвестиций.

Измерение по-прежнему будет проблемой для таких платформ, как Google и Facebook, и медиаканалов, таких как CTV. Если вы действительно хотите знать, как на самом деле работает ваш маркетинг, вам нужно начать изучать измерения решений для измерения, совместимых с конфиденциальностью.

Узнайте, как не отставать от изменений конфиденциальности данных, которые повлияют на ваш бизнес, загрузив State of the Data 2023.