集市之聲
已發表: 2023-09-06Gartner 和哈佛商業評論等經常報告營銷人員缺乏如何衡量多渠道和全渠道營銷成功與否的知識。 本文通過演示為什麼多點觸控歸因是跟踪性能和確定成功的最佳方式來解決該問題並提供解決方案。
章節：
- 什麼是多點觸控歸因？
- 如何收集多點觸控歸因的正確數據
- 多點觸控歸因和客戶旅程
- 多點觸控歸因模型的類型
- 打造隱私第一世界的多點觸控歸因工具
- 數據並不能告訴你一切
在隱私至上的世界中，傳統的多點觸控歸因方法既不准確也不可靠。 為了響應法規，Meta 和 Google 等廣告服務繼續從其報告中刪除用戶級跟踪功能，而依賴第三方 cookie 來量化中間漏斗的營銷人員注定要失敗。
用戶級數據的可靠性比以往任何時候都低，並且低準確性並不是數據驅動決策的成功開始。
那麼，數據驅動的營銷人員應該做什麼——回到 Web 2.0 孤立的、單點觸控歸因模型？ 在全渠道環境中，消費者在轉化之前跨渠道與品牌互動，單點觸控歸因沒有意義。 有效的營銷策略需要一套有凝聚力的策略，這些策略建立在彼此努力的基礎上，在一個重點方向上創造和保持動力。
單點觸控歸因僅允許營銷人員一次查看一種策略，通常是在發現或轉換階段。 依靠單點歸因來了解多渠道策略的營銷人員可能會因忽視關鍵的漏斗中部策略而做出短視決策。 品牌需要更全面地了解成功的因素，以便做出明智的多渠道決策。
什麼是多點觸控歸因？
多點觸控歸因是一種營銷模型，通過為每個渠道分配數值來衡量客戶旅程中的每個接觸點，以便營銷人員可以看到每個接觸點對轉化的影響。
漏斗中部很難衡量，但投入資源來量化漏斗中部是有回報的。 漏斗中段營銷通過提高多個渠道的轉化率，使品牌的收購工作更加成功。 它還通過儘早建立宣傳、提高生命週期價值和減輕客戶獲取壓力，為保留客戶鋪平道路。
多點觸控歸因（為客戶旅程的每個階段分配價值）仍然是一個重要的框架，但今天的版本與營銷人員過去喜歡的基於第三方 cookie 的方法相去甚遠。
如何收集正確的數據
通過像素和 cookie 收集的第三方數據曾經是多點觸控歸因的主要來源。 如果營銷人員想要跨渠道、設備和平台跟踪用戶行為，他們只需向其網站添加一段代碼即可。 未經用戶同意，流量將自動使用 Facebook 或 Google cookie 進行標記。 該 cookie 會在網絡上跟踪用戶，觀察他們做了什麼，並通過相關廣告重新定位他們。 營銷人員會將來自第三方 cookie 的數據匯總到多點觸控歸因報告中，以了解用戶行為並優化客戶旅程。
如今，相同的用戶級數據更難訪問。 GDPR 和 CCPA 促使 Google、Facebook 和其他平台逐步淘汰第三方 cookie，此舉迫使營銷人員放棄久經考驗的多點觸控歸因方法。
數據驅動的營銷人員已經開始適應新的分析環境，利用第一方數據和零方數據來量化整個營銷渠道的績效。
零方數據和第一方數據之間的區別相對較新。 直到最近，品牌收集的所有數據都被視為“第一方”。
如今，第一方數據是指品牌通過與客戶互動來跟踪的定量行為。 第一方 Cookie、標籤和頑固跟踪模塊 (UTM) 是消費者品牌用來收集第一方數據的常用方法。 全渠道零售商還可以跟踪實體店的訪問情況以及電子商務客戶的行為，例如購物車放棄和電子郵件點擊。 符合 GDPR 的 cookie 可以取代營銷人員使用第三方 cookie 進行跟踪的一些指標。
正確使用它們需要隱私優先的策略，徵求同意並允許用戶請求刪除其個人數據。
零方數據是指客戶自願告訴品牌的定性信息。 客戶支持對話、產品評論、調查回復和社交媒體評論都屬於零方數據的範疇。 如果利用得當，定性客戶數據對於品牌來說可能是無價的，但對於習慣於僅依賴定量報告的營銷人員來說，在文本中找到有意義的見解可能具有挑戰性。
在監管加強和跟踪系統逐步淘汰的時代，最好的消費者營銷人員依靠 Bazaarvoice 的零方定性洞察來闡明買家旅程並尋找增長機會。
多點觸控歸因和客戶旅程
在多渠道營銷中使用多點觸控歸因可以揭示提高轉化率、縮短平均購買時間並提高平均訂單價值 (AOV) 的策略。
營銷策略並不存在於真空中——它們存在於多渠道生態系統中。 通過單點歸因對任何一種策略給予充分信任，無論它位於客戶旅程的哪個階段，都會忽略在客戶獲取中發揮作用的其他一切。 品牌與渠道中部潛在客戶的關係對於贏得更多業務和增加收入至關重要。
在多渠道營銷環境中，多點觸控歸因是了解有效方法及其原因的關鍵。 考慮這個虛構的 500 美元戴森吸塵器的六步購買過程。
| 漏斗階段 | 用戶行為 | 數據採集方法 |
|---|---|---|
| 發現 | 用戶在 Google 上搜索“無繩吸塵器”。 他們點擊搜索廣告並查看戴森網站上的產品頁面。 | 戴森網站上的第一方 cookie |
| 意識 | 用戶在瀏覽 Instagram 時暫停觀看真空吸塵器的重定向廣告，然後滾動瀏覽該廣告而不點擊。 | Facebook 廣告洞察 |
| 意識 | 用戶看到另一個重定向廣告，這次是在 TikTok 上。 該廣告是用戶生成的內容 (UGC)，內容是一個人對她的戴森無繩吸塵器贊不絕口。 | TikTok 廣告洞察 |
| 考慮 | 用戶在晚餐時與伴侶討論購買事宜，同時仔細閱讀戴森網站上的選項。 | 戴森網站上的第一方 cookie |
| 考慮 | 用戶閱讀推薦戴森吸塵器的 Substack 時事通訊。 他們點擊亞馬遜附屬鏈接並將真空吸塵器添加到購物車中。 | 亞馬遜聯盟報告 |
| 轉換 | 用戶收到來自亞馬遜的電子郵件提醒，該吸塵器的價格已降至 500 美元。 他們購買真空吸塵器。 | 亞馬遜列表報告 |
使用首次接觸歸因，營銷團隊可能會得出結論：付費搜索顯然是贏家。 但付費搜索並不是全部。 如果沒有 UGC 和附屬機構的社會證明，戴森可能不會推動那麼多轉化，而首次接觸歸因無法說明這一點。
如果戴森僅依賴於最後一次接觸歸因，那麼團隊可能會決定以折扣為基礎制定營銷策略——這對於高端市場參與者來說是一個棘手的舉動。 戴森的產品價格昂貴，這一定價策略之所以有效，是因為戴森擁有專有技術和強大的品牌。 大幅折扣會抵消戴森的品牌超能力，而不是補充它們，從而引發一場無人能贏的逐底競爭。
多點觸控歸因讓戴森更好地了解他們的轉化路徑，這為實驗提供了更多選擇。 由於 UGC 眾所周知可以提高轉化率並在（虛構的）客戶旅程中發揮作用，戴森可能會決定在下個季度嘗試更多 UGC 廣告以增加收入。
多點觸控歸因模型的類型
消費者營銷人員使用線性、J 形、反 J 形和 U 形模型來歸因整個客戶旅程中的績效。
線性歸因對客戶旅程中的每個階段給予同等的重視，並為營銷人員提供了轉化路徑的平衡視圖。 與其他模型相比，它更加重視漏斗中部策略，這在第一次關注漏斗中部時非常有用。
這是一個很好的起點，但它可能會誇大不重要的互動的價值並低估關鍵策略的價值。 因此，線性歸因模型可以幫助營銷人員挑戰他們自己關於什麼有效的假設，但從長遠來看，它很少足夠準確，無法適用於所有場景。
傳統的J 形模型將更多的功勞分配給客戶旅程的最後階段，而逆 J 形模型則將更多的權重分配給客戶旅程的開始階段。
U 形模型，也稱為基於位置的模型，為第一次和最後一次觸摸分配相同的權重，而為中間的所有觸摸分配較小的百分比。
讓我們看看每種類型的多點觸控歸因如何為我們虛構的 500 美元真空吸塵器買家的旅程分配價值。
| 虛構買家的旅程： 無線吸塵器 | 線性歸因 | J型歸因 | 逆J形歸因 | U型歸因 | 首次觸摸歸因（單次觸摸） |
| 用戶在谷歌上搜索“無繩吸塵器”。 他們點擊搜索廣告，將他們帶到戴森產品頁面。 | 16%（80 美元） | 20%（100 美元） | 60%（300 美元） | 40%（200 美元） | 100% （500 美元） |
| 用戶在瀏覽 Instagram 時看到吸塵器的重定向廣告，但沒有點擊就滾動過去。 | 16%（80 美元） | 5%（25 美元） | 5%（25 美元） | 5%（25 美元） | 0% (0 美元) |
| 用戶在 TikTok 上看到戴森吸塵器廣告。 | 16%（80 美元） | 5%（25 美元） | 5%（25 美元） | 5%（25 美元） | 0% (0 美元) |
| 用戶與合作夥伴討論購買事宜，同時在戴森網站上一起查看選項。 | 16%（80 美元） | 5%（25 美元） | 5%（25 美元） | 5%（25 美元） | 0% (0 美元) |
| 用戶閱讀有關戴森吸塵器的 Substack 時事通訊。 他們點擊附屬鏈接並將商品添加到購物車。 | 16%（80 美元） | 5%（25 美元） | 5%（25 美元） | 5%（25 美元） | 0% (0 美元) |
| 用戶收到一封電子郵件，告知真空吸塵器的價格已降至 500 美元。 他們購買它。 | 16%（80 美元） | 60%（300 美元） | 20%（100 美元） | 40%（200 美元） | 0% (0 美元) |
品牌選擇的歸因模型取決於他們的場景、優先級和理念。 專注於構建發現的團隊可能會使用逆 j 形模型來了解客戶旅程的開始階段，而專注於中間漏斗的團隊可能會應用線性模型來生成見解。
在多渠道營銷中利用多點觸控歸因模型
這是一個場景：一家童裝品牌希望為其電子商務渠道尋找增長機會。
通過首次接觸歸因，團隊得出的結論是，與通過付費社交獲得的客戶相比，無品牌付費搜索流量的平均訂單價值 (AOV) 更高，但總體收入較少。
如果他們就此打住，服裝品牌可能會得出這樣的結論：儘管銷量較低，但付費搜索可以更好地利用他們的時間和金錢。 這可能是有道理的，但會以相對較小的幅度增加月末 (EOM) 收入。
| 虛構模型： 童裝品牌 | 基線： 付費搜索 | 基線： 付費社交 | 場景A ： 將更多預算投入付費搜索 |
| 平均面積 | 99 美元 | 79 美元 | 99 美元 |
| 轉化率（首次接觸） | 1.5% | 0.5% | 1.5% |
| 新訪問 | 10,000 | 50萬 | 20,000 |
| 轉換 | 150 | 2,500 人 | 300 |
| 收入（首次接觸） | $14,850 | 197,500 美元 | $29,700 |
| 收入提升 | $14,850 |
EOM 基線收入：212,350 美元
將多點觸摸歸因模型與首次觸摸報告配對為團隊提供了更多選擇。
當他們在細分中運行買家旅程報告時，團隊發現來自付費搜索流量的較高 AOV 買家往往會在購買前幾天訪問商店的推薦頁面。 該頁面突出顯示滿意客戶的評論，並鏈接到產品頁面。
由於該品牌從獲取的角度來考慮績效，因此他們決定使用逆 J 形模型來了解從付費搜索到高 AOV 客戶旅程的轉化路徑。
| 虛構付費搜索客戶旅程：童裝 平均售價：99 美元 | 互動價值（逆J型歸因） | 互動價值（首次接觸歸因） | 數據採集方法 |
| 用戶在 Google 上搜索“返校服裝”。 他們點擊搜索廣告，將他們帶到集合頁面。 用戶向購物車添加了一些商品，但沒有購買就關閉了窗口。 | 60%（59 美元） | 100%（99 美元） | 第一方 cookie |
| 用戶點擊購物車放棄電子郵件，將他們帶到購物車。 他們訪問兒童牛仔褲的產品頁面，然後單擊指向推薦頁面的鏈接。 他們打開五張客戶圖片並展開七條評論。 | 10%（10 美元） | 0% (0 美元) | 電子郵件洞察、熱圖 |
| 用戶在 Instagram 上看到一條牛仔褲的重定向廣告，但滾動過去但沒有互動。 | 10%（10 美元） | 0% (0 美元) | Facebook 廣告洞察 |
| 用戶會收到一封電子郵件提醒，告知該服裝品牌正在進行返校促銷。 他們點擊電子郵件，將牛仔褲與幾件襯衫一起添加到購物車中，然後進行購買。 | 20%（20 美元） | 0% (0 美元) | 電子郵件見解、第一方 cookie |
在將每次互動的相對價值與較低 AOV 買家旅程的相對價值進行比較後，團隊決定通過重定向活動將付費社交流量引導至推薦頁面，這可能會增加該渠道的 AOV。
進入場景 B：利用 UGC（在本例中為評級和評論）來提高 AOV 並從付費社交中獲得更多收入。 該團隊假設實驗結果表明，付費社交的 AOV 將增加至 99 美元。 如果可行，該實驗將比場景 A 增加更多的收入。
| 虛構模型： 童裝品牌 | 基線： 付費搜索 | 基線： 付費社交 | 場景A ： 在付費搜索上投入更多預算 | 場景 B ： 將付費社交流量直接引導至推薦頁面 |
| 平均面積 | 99 美元 | 79 美元 | 99 美元 | 99 美元 |
| 轉化率（首次接觸） | 1.5% | 0.5% | 1.5% | 0.5% |
| 新訪問 | 10,000 | 50萬 | 20,000 | 50萬 |
| 轉換 | 150 | 2,500 人 | 300 | 2,500 人 |
| 收入 | $14,850 | 197,500 美元 | $29,700 | $247,500 |
| 收入提升（與基線 EOM 收入相比） | $14,850 | $232,650 美元 |
EOM 基線收入：212,350 美元
多點觸控歸因將互補策略置於上下文中，為團隊提供根據市場限制和組織優勢做出細緻入微決策所需的信息。
打造隱私第一世界的多點觸控歸因工具
Bazaarvoice 的全渠道商務工具套件是收集零方數據的最佳方式。
英國排名第一的葡萄酒品牌 Hardys Wines 使用 Bazaarvoice 通過評級和評論收集零方數據，這是影響購買決策的兩個最重要的因素。 通過 Bazaarvoice 平台整合零售商之間的評論後，Hardys 的評論量增加了 2,300%，平均星級從 4.32 提高到 4.59。
由於許多在線購物者會篩選結果以顯示評級為 4.5 星或更高的產品，Hardys 能夠吸引更多潛在客戶，通過一種漏斗中部策略跨多個渠道創造收入。 Bazaarvoice 內部的見解和報告可幫助 Hardys 等品牌最大限度地發揮零方數據的價值。
將 Bazaarvoice 的工具與 Klaviyo 等自有營銷平台配對，收集行為數據，補充零方定性見解。 Klaviyo 的客戶檔案允許品牌在用戶級別繪製買家旅程，然後通過其電子郵件和營銷工具套件提供個性化體驗。
利用細分等聚合工具來量化跨渠道的客戶旅程並大規模揭示購買模式。 Segment 集成了來自多個來源的第一方數據流，連接洞察力，幫助消費品牌了解常見買家的旅程並在整個購買旅程中歸因表現。
借助 Segment 的鏈接資料，消費品牌可以根據親和力、購買模式和情緒對客戶進行細分，通過多點觸控歸因獲得更具體的信息，以提高參與度和忠誠度。
數據並不能告訴你一切
歸因模型就是模型。 每個模型都有缺陷、漏洞和盲點。 如果品牌只看表面價值，不留任何細微差別、洞察力和直覺的空間，就會因過度依賴數據而招致更多風險，而不是更安全。
多點觸控歸因並不完美 - 即使在 GDPR 之前，多點觸控歸因模型也從來都不是公正的現實圖景，也不是萬無一失的成功藍圖。 每個企業使用的營銷歸因方法都略有不同——沒有一種方法是“錯誤的”，但它們都反映了不同的優先事項和內在偏見。
將多點觸控歸因視為模型而不是處方，是打開戰略對話和有意義的見解之門的關鍵。
為了全面了解客戶行為，請將定量歸因模型與 Bazaarvoice 的定性用戶數據配對。 評級、評論和用戶生成的內容是洞察的金礦，消費品牌可以利用它們來了解其受眾。
Bazaarvoice 的洞察和報告工具為品牌提供情緒數據、社交分析和客戶反饋趨勢，以優化中間漏斗並提高跨渠道轉化。
請求演示