การระบุแหล่งที่มาแบบมัลติทัชนั้นตายแล้วหรือไม่ สร้างโซลูชันการวัดประสิทธิภาพที่ดีขึ้น

เป้าหมายการระบุแหล่งที่มาทางการตลาดที่มีมาแต่โบราณนั้นฟังดูเหมือนง่าย: เพื่อค้นหาว่าจุดติดต่อ ช่องทาง และ/หรือแคมเปญใดมีประสิทธิภาพมากที่สุดในการกระตุ้นลูกค้าให้เกิด Conversion

ในโลกดิจิทัล ความสามารถของเราในการระบุผลกระทบนั้นขึ้นอยู่กับตัวระบุที่กำหนดขึ้น ซึ่งช่วยให้เราเชื่อมโยงปฏิสัมพันธ์ทางการตลาดเข้าด้วยกัน จากนั้น จะใช้แบบจำลองตามกฎหรือตามข้อมูล กับการโต้ตอบเหล่านี้เพื่อปรับน้ำหนักของเครดิตที่กำหนดให้กับแต่ละการโต้ตอบตลอดการเดินทางของลูกค้า

ดังนั้นในทางทฤษฎีแล้ว การระบุแหล่งที่มาทำให้นักการตลาดมีอำนาจในการทำความเข้าใจและประเมินคุณค่าของการโต้ตอบกับแบรนด์ประเภทต่างๆ ในการตัดสินใจของผู้บริโภคในการแปลง อุดมคติของรูปแบบการระบุแหล่งที่มาจะสร้างมุมมองแบบองค์รวมของทุกจุดสัมผัสในเส้นทางของผู้ใช้ และประเมินความสำคัญอย่างแม่นยำในการผลักดันผู้คนไปสู่เป้าหมายสุดท้าย

บางรุ่นเข้าใกล้มากขึ้น เช่น การระบุแหล่งที่มาแบบมัลติทัช ในขณะที่บางรุ่นมีจุดบอดที่รู้จักกันดี เช่น สัมผัสสุดท้าย

แต่การติดตามทุกช่องทางติดต่อที่อาจส่งผลต่อเหตุการณ์ Conversion อย่างแม่นยำนั้นเป็นไปไม่ได้ มันอาจจะไม่เคยเป็น และแม้ว่าจะเป็นเช่นนั้น การแสดงที่มาอาจไม่ได้ให้ภาพรวมทั้งหมดที่เราต้องการ

การระบุแหล่งที่มาเพียงอย่างเดียวเป็นเป้าหมายที่มีข้อบกพร่องโดยเนื้อแท้

การระบุแหล่งที่มาที่สมบูรณ์แบบเป็นความฝันทางการตลาดมาเป็นเวลานาน ตั้งแต่สมัยของ John Wanamaker นักการตลาดต่างก็หมกมุ่นอยู่กับแนวคิดของกรอบการวัดผลสากลที่จะพิสูจน์ว่าพวกเขากำลังขับเคลื่อนคุณค่า

แต่แม้ว่าคุณจะเห็นจุดสัมผัสทั้งหมดและได้รับการระบุแหล่งที่มาแบบองค์รวมที่สมบูรณ์แบบ นั่นจะให้ข้อมูลทั้งหมดที่คุณต้องการเพื่อสร้างกลยุทธ์ทางการตลาดที่สมบูรณ์แบบหรือไม่ ท้ายที่สุดแล้ว การระบุแหล่งที่มาโดยธรรมชาติมักจะมองที่กระจกมองหลังเสมอ ไม่ได้มองไปยังอนาคตหรือให้เส้นทางไปข้างหน้า นอกจากนี้ยังไม่คำนึงถึงสัญญาณการลงทุนด้านสื่อที่สำคัญ เช่น ผลตอบแทนที่ลดลง

การวัดประสิทธิภาพควรมุ่งเน้นไปที่การใช้ข้อมูลเพื่อทำความเข้าใจว่าเงินดอลลาร์ที่ดีที่สุดถัดไปของคุณควรจะไปที่ไหน ไม่ใช่แค่ว่าเงินดอลลาร์ล่าสุดไปได้ไกลแค่ไหน คุณต้องสามารถดูข้อมูลของคุณและตอบคำถามที่เป็นการคาดการณ์ล่วงหน้า เช่น:

• เราจะเพิ่มงบประมาณเพื่อปรับขนาด Conversion ในขณะที่รักษา ROAS ปัจจุบันไว้ได้จากที่ใด
• ฉันสามารถดึงคันโยกใดได้บ้างเพื่อเพิ่มประสิทธิภาพแคมเปญ

คุณไม่สามารถตอบคำถามประเภทนี้ได้ หากคุณกำลังดูเฉพาะแบบจำลองที่กำหนดเครดิตย้อนหลังให้กับชุดข้อมูลที่ไม่สมบูรณ์ ความจริงที่เย็นชาและแข็งกระด้างก็คือการระบุแหล่งที่มาแบบมัลติทัชที่กำหนดขึ้นเองนั้นไม่ใช่วิธีรักษาทั้งหมด หากนั่นเป็นรูปแบบเดียวที่คุณขึ้นอยู่กับการตัดสินใจ ก็ไม่สามารถให้คำตอบเหล่านั้นได้

การเลิกใช้งานข้อมูลทำให้การระบุแหล่งที่มาแบบมัลติทัชเชิงกำหนดยากขึ้น

ไม่ว่าคุณจะเห็นด้วยหรือไม่ก็ตามว่าแนวคิดเรื่องการระบุแหล่งที่มาทำให้เราไปถึงปลายทางการวัดผลขั้นสูงสุดได้เพียงแค่ครึ่งทาง เราทุกคนเห็นพ้องต้องกันว่านักการตลาดจำนวนมากยังคงยึดถือรูปแบบการระบุแหล่งที่มา เช่นเดียวกับทุกรุ่น ไม่มีสิ่งใดสมบูรณ์แบบ แม้ว่าจะมีความก้าวหน้าในช่วงหลายปีที่ผ่านมา ด้วยการระบุแหล่งที่มาของโน้ตเฉพาะซึ่งขับเคลื่อนด้วยข้อมูลซึ่งได้รับคุณค่าจาก Google แต่ก็ยังมีสิ่งที่ไม่เป็นที่รู้จักอีกมากมายเมื่อพูดถึงอนาคตของการระบุแหล่งที่มา

นั่นเป็นเพราะสถานะปัจจุบันของข้อมูลการตลาดมีแต่จะทำให้สิ่งต่างๆ ยากขึ้น เนื่องจากแพลตฟอร์มต่างๆ เช่น Meta, Google และ Snap ประสบปัญหาในการรับมือกับ App Tracking Transparency (ATT) ของ Apple CFO ของบริษัทเหล่านั้นจึงเป็นคนแรกที่ยอมรับว่าการเลิกใช้ข้อมูลเป็นความท้าทายที่ยิ่งใหญ่ที่สุดของพวกเขา

อย่างน้อยที่สุดปัญหาเชิงปฏิบัติบางประการเกี่ยวกับการระบุแหล่งที่มาก็เป็นปัญหาของมนุษย์ ผู้คนหมกมุ่นอยู่กับการต่อจุดและค้นหารูปแบบ ไม่ว่าจะมีอยู่จริงหรือไม่ก็ตาม เรามักได้รับคำถามจากนักการตลาดเกี่ยวกับวิธีการทำงานของการระบุแหล่งที่มาใน Google Analytics เนื่องจากความไม่สอดคล้องกับชุดข้อมูลอื่นๆ

คุณอาจคุ้นเคยกับความท้าทายนี้: Facebook Business Manager UI อ้างว่าแพลตฟอร์มดังกล่าวทำให้เกิด Conversion มากกว่าสิ่งที่คุณเห็นรายงานใน Google Analytics ถึง 10 เท่า อันไหนถูกต้อง?

คำตอบคือผิดทั้งคู่เพียงแต่คนละทาง ไม่มีคณิตศาสตร์สนุกๆ มากมาย (เช่น การคำนวณพร็อกซีที่ดูเดลต้าระหว่างจุดข้อมูลสองจุดเมื่อเวลาผ่านไป) จะช่วยให้คุณแก้สมการและคำนวณเครดิตที่โฆษณาบน Facebook ควรได้รับได้อย่างสมบูรณ์แบบ

ท้ายที่สุดแล้ว นี่คือปัญหาด้านความสามารถในการสังเกตข้อมูล ข้อมูลไม่ครบถ้วน แต่เรายังคงหาคำตอบอยู่

หากเกิดความสับสน ให้คิดดังนี้ สมมติว่าคุณกำลังใช้โทรศัพท์โดยมีการรับสัญญาณเป็นหย่อมๆ ทุกๆ 10 คำ คุณพลาดหนึ่งคำ โอกาสที่คุณยังสามารถเข้าใจสาระสำคัญของการสนทนาได้ เนื่องจากคุณมีบริบทอื่นๆ อีกมาก

แต่เมื่อคุณเริ่มสูญเสียทั้งประโยคหรือทุกคำ คุณจะพบว่าตัวเองกำลังมีปัญหา นั่นเป็นเพราะอินพุตมีจำกัดและแยกส่วนเกินไปที่จะสรุปได้อย่างถูกต้อง นั่นคือสิ่งที่เกิดขึ้นในปัจจุบันกับการแสดงที่มาเชิงกำหนดในทุกแพลตฟอร์มการโฆษณา และเป็นสิ่งที่การสร้างแบบจำลองจำนวนมากไม่สามารถแก้ไขได้โดยสิ้นเชิง

จำโฆษณา Super Bowl T-Mobile ที่ Rob Gronkowski เชิญ Tom Brady ไปเกษียณที่ Florida แต่ Brady ได้ยินแต่คำพูดอื่น ๆ และคิดว่า Gronk กำลังบอกให้เขาไปเล่นที่ Tampa Bay? นั่นคือที่มาในวันนี้ นั่นคือความจริงที่แบรนด์ต้องเผชิญกับการสูญเสียข้อมูล

แพลตฟอร์มกำลังเปลี่ยนมาใช้แบบจำลองเพื่อพยายามเชื่อมช่องว่าง โดยพื้นฐานแล้ว พวกเขาใช้ข้อมูลที่จำกัดที่พวกเขามี เช่น คำไม่กี่คำที่ Gronk สามารถได้ยิน Tom พูดในโฆษณา และใช้เทคโนโลยีเพื่อสร้างแบบจำลองการสนทนาที่เหลือ

สิ่งนี้เปรียบได้กับวิธีที่ ChatGPT คาดการณ์คำถัดไปที่เป็นไปได้มากที่สุดในขณะที่รวบรวมคำตอบ บ่อยครั้งที่มันสมเหตุสมผล แต่บางครั้งก็หลอนและบอกคุณว่า Elon Musk จะเป็นประธานาธิบดีคนต่อไปของสหรัฐอเมริกา

แน่นอนว่ามีข้อผิดพลาดมากมายในการสร้างโมเดล แต่ถ้าข้อมูลสูญหายมากพอ คุณจะไม่สามารถสร้างโมเดลที่ถูกต้องได้ จากนั้นคำถามที่แท้จริงก็เริ่มเป็นรูปเป็นร่าง: คุณสามารถไว้วางใจแพลตฟอร์มโฆษณาได้มากแค่ไหน?

นั่นเป็นเหตุผลที่คุณต้องขยายชุดเครื่องมือการวัดของคุณ

การสร้างแบบจำลองส่วนผสมของสื่อและการทดสอบส่วนเพิ่มจะช่วยให้คุณเข้าใจผลกระทบได้มากขึ้น

การระบุแหล่งที่มายังคงเป็นโครงสร้างที่ทรงพลัง แต่วิธีการพื้นฐานจำเป็นต้องเปลี่ยนแปลงเพื่อให้สามารถพัฒนาไปสู่ยุคสมัยใหม่ได้ คุณต้องถามคำถามยากๆ เพื่อหาว่าชุดเครื่องมือและเฟรมเวิร์กการวัดผลประเภทใดที่เหมาะกับองค์กรของคุณ เช่น:

• คุณต้องการการวัดผลแบบใดในการตัดสินใจอย่างชาญฉลาดเกี่ยวกับการวางแผนการลงทุนในช่องทางและแพลตฟอร์มต่างๆ
• โอกาสที่ดีที่สุดในการปรับขนาดสื่อผสมที่มีอยู่ของคุณให้มีประสิทธิภาพมากที่สุดอยู่ที่ใด

ในฐานะอุตสาหกรรม เราเคยชินกับการนึกถึงการระบุแหล่งที่มาที่สมบูรณ์แบบในรูปแบบจินตภาพว่าเป็นตอนจบทั้งหมด แต่มันถูกใช้เพื่อเป็นแนวทางเท่านั้น

ไม่ได้หมายความว่ามันไม่มีประโยชน์ แต่คุณต้องเปลี่ยนโฟกัสไปที่อนาคตและให้การระบุแหล่งที่มาเป็นส่วนประกอบในการตัดสินใจของคุณ ไม่ใช่เป็นเพียงผู้ชี้ขาดเท่านั้น

และแม้ว่าจะไม่มีวิธีแก้ปัญหาที่สมบูรณ์แบบ แต่ก็มีวิธีที่ไม่สมบูรณ์แบบที่ทำให้เราเข้าใกล้เป้าหมายมากขึ้น: การระบุแหล่งที่มาแบบรวมที่รวมกับการสร้างแบบจำลองสื่อผสม (MMM) ซึ่งคุณใช้ข้อมูลและแบบจำลองเชิงกำหนดสำหรับส่วนที่เหลือ เป้าหมายคือการใช้ประโยชน์จากข้อมูลในอดีตเพื่อคาดการณ์การลงทุนในอนาคต มีรากฐานมาจากการเติบโต ไม่ใช่เป็นตัวประกันของผลงานที่ผ่านมา

เพื่อให้ถูกต้อง คุณต้องลงทุนในการทดสอบส่วนเพิ่มที่มีประสิทธิภาพ ซึ่งจะช่วยให้คุณตรวจสอบความถูกต้องของข้อมูลประสิทธิภาพแบบจำลองและได้ภาพที่ชัดเจนว่าแคมเปญของคุณส่งผลต่อการเดินทางของลูกค้าอย่างไร

การทดสอบส่วนเพิ่มตามภูมิศาสตร์มีความสำคัญต่อการสอบเทียบการสร้างแบบจำลองสื่อผสม นอกจากนี้ยังเป็นโซลูชันการวัดผลเดียวที่ทรงพลังที่สุดในการพิจารณาว่าคุณลงทุนมากไปหรือน้อยไป ณ จุดใดในช่วงเวลาหนึ่ง

แบรนด์ส่วนใหญ่ไม่คุ้นเคยกับการทดสอบแบบเพิ่มหน่วย บางคนเคยทำมาก่อน แต่ในอดีตคนส่วนใหญ่ไม่เก่ง หากนั่นคือสิ่งที่แบรนด์ของคุณอยู่ คุณต้องมีพันธมิตรที่เชื่อถือได้พร้อมวิธีการที่คาดเดาได้ซึ่งปรับแต่งให้ตรงกับความต้องการและลักษณะเฉพาะของความท้าทายทางธุรกิจที่ไม่เหมือนใครของคุณ

ถึงเวลาสำหรับโซลูชันแห่งอนาคตที่ผสานรวมเครื่องมือต่างๆ เข้าด้วยกัน: กรอบการวัดประสิทธิภาพ

หนึ่งในความท้าทายที่ยิ่งใหญ่ของรูปแบบสื่อผสมแบบดั้งเดิมคือความรวดเร็วในการดำเนินการ ที่ Wpromote เราสร้างโมเดลสื่อผสมความเร็วสูงและเครื่องมือวางแผนสถานการณ์การลงทุนที่เรียกว่า Growth Planner ซึ่งเป็นส่วนหนึ่งของแพลตฟอร์มการตลาดของ Polaris เพื่อจัดการกับทั้งความท้าทายในการเลิกใช้ข้อมูลและความสามารถในการดำเนินการ

เครื่องมือวางแผนการเติบโตเป็นแกนหลักของกรอบการวัดผลการปฏิบัติงานของเรา โดยพื้นฐานแล้ว จะคาดการณ์ตลอดทั้งปีของลูกค้าเพื่อค้นหาการลงทุนที่เหมาะสมที่สุดของเงินดอลลาร์ที่มีอยู่เพื่อให้บรรลุเป้าหมายรายรับ นอกจากนี้ยังสามารถใช้เพื่อเพิ่มประสิทธิภาพรายสัปดาห์เพื่อให้แบรนด์ของคุณสามารถคงความคล่องตัวและปรับตัวเข้ากับการพัฒนาใหม่ๆ ได้

เครื่องมือวางแผนการเติบโตจะพิจารณาทุกช่องทางการตลาดและช่องทางทั้งหมดของคุณเพื่อเพิ่มอัตรากำไรให้สูงสุด เพราะความสามารถในการทำกำไรคือจุดจบ มันบอกคุณถึงวิธีการลงทุนตามกลยุทธ์เฉพาะ ลงไปที่ช่อง ลงไปที่เดือน สัปดาห์ที่ วัน

เราทำให้แน่ใจว่าโมเดลยังคงเที่ยงตรงและดีขึ้นเรื่อยๆ ผ่านการทดสอบส่วนเพิ่มอย่างต่อเนื่อง และเราสามารถป้อนอินพุตข้อมูลขั้นสูงเพิ่มเติม เช่น มูลค่าตลอดอายุการใช้งานที่คาดการณ์ลงในโมเดลเพื่อเป็นข้อมูลในการตัดสินใจลงทุนเพิ่มเติม จากนั้นเราจะดึงข้อมูลจาก Growth Planner เข้าสู่การวิเคราะห์ข้อมูลคลีนรูมในประเด็นสำคัญของการลงทุน

การวัดผลจะยังคงเป็นเรื่องท้าทายต่อไปในแพลตฟอร์มต่างๆ เช่น Google และ Facebook และช่องทางสื่อต่างๆ เช่น CTV หากคุณต้องการทราบว่าการตลาดของคุณมีประสิทธิภาพเป็นอย่างไร คุณต้องเริ่มสำรวจการวัดผลโซลูชันการวัดผลที่สอดคล้องกับความเป็นส่วนตัว

เรียนรู้วิธีนำหน้าการเปลี่ยนแปลงความเป็นส่วนตัวของข้อมูลที่จะส่งผลกระทบต่อธุรกิจของคุณโดยการดาวน์โหลด State of the Data 2023