多點觸控歸因已死？ 構建更好的性能測量解決方案

營銷歸因的古老目標聽起來很簡單：找出哪些接觸點、渠道和/或活動在推動客戶轉化方面最有效。

在數字世界中，我們歸因於影響的能力基於確定性標識符，這些標識符讓我們將營銷互動結合在一起。 然後將基於規則或數據驅動的模型應用於這些交互，以調整分配給整個客戶旅程中每個交互的信用權重。

因此，從理論上講，歸因使營銷人員能夠理解和評估不同類型的品牌互動對消費者轉換決定的價值。 歸因模型的柏拉圖理想將產生用戶旅程中每個接觸點的整體視圖，並準確評估其在推動人們實現最終目標方面的重要性。

有些模型已經變得更接近了，比如多點觸摸歸因，而其他模型則有眾所周知的盲點，比如最後一次觸摸。

但根本不可能準確跟踪可能影響轉化事件的每個接觸點。 它可能永遠不會。 即使是這樣，歸因也可能無法真正為我們提供所需的全貌。

僅歸因本身就是一個有缺陷的目標

長期以來，完美歸因一直是營銷白日夢； 自約翰·沃納梅克 (John Wanamaker) 時代以來，營銷人員就一直痴迷於通用衡量框架的想法，該框架將證明他們正在推動價值。

但是，即使您可以看到所有接觸點並實現完美的整體歸因，是否會為您提供構建完美營銷策略所需的所有信息？ 畢竟，歸因本質上總是在看後視鏡。 它不展望未來，也不提供前進的道路。 它也沒有考慮關鍵的媒體投資信號，如收益遞減。

衡量績效應該側重於使用數據來了解下一個最好的錢應該花在哪裡，而不僅僅是最後一美元花多遠。 您需要能夠查看您的數據並回答前瞻性問題，例如：

• 在保持當前 ROAS 的同時，我們可以在哪裡增加預算來擴大轉化率？
• 我可以利用哪些槓桿來優化廣告系列效果？

如果您只查看在不完整數據集之上分配追溯信用的模型，則無法回答此類問題。 冷酷無情的事實是，確定性多點觸控歸因並不是萬靈藥； 如果這是你做決定所依賴的唯一模型，它就無法提供這些答案。

數據棄用使確定性多點觸控歸因變得更加困難

無論您是否同意歸因的想法只是讓我們到達最終測量目的地的一半，我們都同意許多營銷人員仍然受制於歸因模型。 與所有模型一樣，沒有完美的東西。 儘管多年來取得了進步，尤其是谷歌的價值衍生數據驅動歸因，但歸因的未來仍有許多未知數。

那是因為營銷數據的當前狀態只會讓事情變得更難。 當像 Meta、Google 和 Snap 這樣的平台努力應對 Apple 的 App Tracking Transparency (ATT) 時，這些公司的 CFO 將首先承認數據棄用是他們最大的挑戰。

至少一些歸因的實際問題是人為的：人們痴迷於連接點和尋找模式，無論它們是否真的存在。 由於與其他數據集不一致，我們經常從營銷人員那裡收到關於歸因在 Google Analytics 中如何工作的問題。

您可能熟悉這個挑戰：Facebook Business Manager UI 聲稱該平台帶來的轉化率比您在 Google Analytics 中看到的報告高出 10 倍。 那麼哪個是對的呢？

答案是他們都錯了，只是方式不同。 再多有趣的數學（即隨著時間的推移查看兩個數據點之間的增量的代理計算）也無法幫助您解決方程式並完美地準確計算出 Facebook 廣告應該獲得多少信用。

歸根結底，這是一個數據可觀察性問題； 數據不完整，但我們還是要尋找答案。

如果這讓您感到困惑，請這樣想：假設您正在接聽電話，但信號不佳。 每 10 個單詞，您就會漏掉一個單詞。 你很有可能仍然能理解談話的要點，因為你有很多其他的背景。

但是當你開始忘記整個句子或每個其他單詞時，你就會發現自己有麻煩了。 那是因為輸入太有限和零散，無法得出準確的結論。 這正是所有廣告平台上確定性歸因目前正在發生的事情，這是任何建模都無法完全解決的問題。

還記得 Rob Gronkowski 邀請 Tom Brady 在佛羅里達州退休的超級碗 T-Mobile 廣告，但 Brady 只能聽到每一個字，並認為 Gronk 告訴他去坦帕灣打球嗎？ 這就是今天的歸因。 這就是品牌面臨數據丟失的現實。

平台正在轉向模型以試圖彌合差距。 從本質上講，他們正在獲取他們擁有的有限數據，例如 Gronk 可以聽到湯姆在廣告中說的幾句話，並使用技術來模擬其餘的對話。

這類似於 ChatGPT 在編譯響應時預測最有可能的下一個詞的方式。 通常它是有道理的，但有時它會產生幻覺並告訴你埃隆馬斯克將成為下一任美國總統。

當然，建模總是存在一定範圍的誤差，但如果數據丟失的情況嚴重，就無法建立準確的模型。 然後真正的問題開始形成：您對廣告平台的信任度有多大？

這就是您需要擴展測量工具包的原因。

媒體組合建模和增量測試可以讓您更接近了解影響

歸因仍然是一個強大的結構，但底層方法需要改變，以便它能夠發展到現代。 您需要提出一些棘手的問題，以確定哪種測量工具包和框架適合您的組織，例如：

• 您需要採取哪些措施來做出有關跨渠道和平台的投資規劃的明智決策？
• 盡可能高效地擴展現有媒體組合的最佳機會在哪裡？

作為一個行業，我們已經習慣於將完美歸因的假想版本視為最終結果，但它只是用作路標。

這並不意味著它沒有用。 但您需要將注意力轉移到未來，讓歸因成為您決策的一部分，而不是唯一的仲裁者。

雖然沒有完美的解決方案，但有一個不完美的解決方案可以讓我們更接近目標：統一歸因與媒體混合建模 (MMM) 相結合，您可以在其中使用一些確定性數據和其餘部分的模型。 目標是利用過去的數據來預測未來的投資。 它植根於增長，而不是過去的表現。

為了做到正確，您需要投資於強大的增量測試，這將幫助您驗證建模的性能數據並更清楚地了解您的活動如何影響整個客戶旅程。

基於地理的增量測試對於媒體組合建模校準至關重要。 它也是最強大的單一衡量解決方案，可以確定您在給定時刻的哪些地方投資過多或投資不足。

大多數品牌都不太適應增量測試。 有些人以前做過，但從歷史上看，大多數人並不擅長。 如果這就是您的品牌所在，那麼您需要可靠的合作夥伴，他們採用可預測的方法，根據您獨特的業務挑戰的需求和怪癖進行定制。

現在是面向未來的集成多種工具的解決方案的時候了：性能測量框架

傳統媒體組合模型面臨的一大挑戰是行動速度。 在 Wpromote，我們構建了一個名為 Growth Planner 的高速媒體組合模型和投資場景規劃工具，作為我們 Polaris 營銷平台的一部分，以應對數據棄用挑戰和可操作性。

Growth Planner 構成了我們績效衡量框架的核心。 從本質上講，它預測客戶的全年，以找到可用美元的最佳投資來實現收入目標。 它還可以每周用於優化，這樣您的品牌就可以保持敏捷並適應新的發展。

Growth Planner 會查看您所有的營銷渠道和整個漏斗，以最大限度地提高利潤率，因為盈利能力是最終目標。 它告訴你如何投資，具體到具體策略，具體到渠道，具體到月、週、日。

我們確保模型保持誠實並通過持續的增量測試不斷變得更好，我們可以將額外的高級數據輸入（如預測生命週期價值）輸入模型，以進一步為投資決策提供信息。 然後，我們將來自 Growth Planner 的數據輸入到關鍵投資領域的數據潔淨室分析中。

在 Google 和 Facebook 等平台以及 CTV 等媒體渠道中，測量將繼續成為一項挑戰。 如果您真的想知道您的營銷實際效果如何，您需要開始探索符合隱私的測量解決方案測量。

下載 State of the Data 2023，了解如何領先於將影響您的業務的數據隱私變化。