Modelowanie atrybucji konwersji w Google Analytics

Modelowanie atrybucji nie jest nowością, ale to wciąż skomplikowany i czasochłonny proces. Wielu marketerów nie zawraca sobie nim głowy. Firmy e-commerce rzadko wykorzystują ścieżki wielokanałowe i modelowanie atrybucji do zwiększania sprzedaży w sklepach online.

Użytkownicy przed podjęciem ostatecznej decyzji zwykle przeglądają w sieci wiele źródeł, porównują konkurencyjne oferty, a dopiero po rozważeniu wszystkich za i przeciw dokonują wyboru i przeprowadzają transakcję. W ten sposób pomiar danych sprzedażowych z Facebooka, Google, czy narzędzi takich jak edrone, w modelu Last Click, staje się niezrozumiały i nie dostarcza już właściwych informacji. Tymczasem zaawansowane analizy wzajemnie przeplatających się kanałów i kampanii marketingowych pozwalają zwiększać zyski i optymalizować nieefektywne źródła pozyskiwania ruchu.

Z artykułu dowiesz się m.in:

  • Czym jest modelowanie atrybucji i jak może nam pomóc,
  • Jaki jest idealny model atrybucji,
  • Czym jest model Last-Click i dlaczego jest wadliwy,
  • Jak patrzeć na dane rentowności źródła „edrone” we właściwym modelu atrybucji,
  • Jak odejść od modelu Last-Click i wykorzystać jedno źródło prawdy w e-commerce,
  • Jak zwiększyć przychody włączając nowy model oparty o dane „Data Driven”,

Prawidłowa implementacja modelu atrybucji pomoże Ci zrozumieć jak wygląda sposób i ścieżka dokonywania zakupów, jaki kanał ma wpływ na decyzje zakupowe, a który z nich odpowiada za domykanie sprzedaży. Niewielka grupa osób wyświetla produkt w sklepie online i podejmuje decyzje zakupowe natychmiast. Internauci opuszczają stronę, szukają recenzji produktów, weryfikują opinie o sklepie, analizują ceny u konkurencji, szukają kuponów rabatowych, czekają na wypłatę, aż w końcu wracają na Twoją stronę, kiedy są gotowi wydać pieniądze i zrealizować konwersję.

Rys. 1. Długość ścieżek w interakcjach Internautów. 56% konwersji dokonywanych jest po 2 lub większej liczbie interakcji.
Rys. 1. Długość ścieżek w interakcjach Internautów. 56% konwersji dokonywanych jest po 2 lub większej liczbie interakcji.

Coraz większa liczba nowych technologii, rozwój systemów reklamowych i nowych rodzajów kampanii, wszystkie możliwości oferowane przez Internet powodują, że ścieżki prowadzące do transakcji stają się coraz dłuższe. Zatem, w które źródła ruchu należy zainwestować więcej, w które mniej, a z których być może zupełnie zrezygnować?

John Wanamaker już ponad 100 lat temu zauważył, że „połowa pieniędzy wydanych na reklamę zostaje zmarnowana. Problem w tym, że nigdy nie wiadomo, która to połowa”. Modelowanie atrybucji i model oparty o dane „Data Driven” pokazują jednak, że nie ma rzeczy niemożliwych. Prawidłowa analiza atrybucji i wnioski wyciągnięte na ich podstawie mogą przynieść znaczące oszczędności, zniwelować straty, zmniejszać koszt konwersji i co najważniejsze nie pomijać znaczących słów kluczowych, które w kolejnych etapach ścieżek zamykają sprzedaż w innych kanałach. Żyjący na przełomie XIX i XX wieku pionier marketingu nie przewidział więc, że w obecnych czasach pieniędzy wydanych na reklamę, nie będzie można nazwać zmarnowanymi, patrząc na widoczne efekty jakie można uzyskać wprowadzając właściwy model atrybucji w sklepie online.

Czym jest modelowanie atrybucji?

Atrybucja w marketingu to nauka o przypisywaniu wartości do poszczególnych elementów działań promocyjnych. To dzięki niej możemy zrozumieć jak dany element był ważny w wygenerowaniu sprzedaży i czy możemy zwiększać wydatki reklamowe w celu skalowania i zwiększenia sprzedaży z wybranej kampanii. Każdy sklep internetowy jest inny, różni się od siebie. Zatem w teorii każdy biznes będzie miał swój, unikalny model, który trzeba odkryć i wypracować analizując kilka predefiniowanych modeli atrybucji w Google.

Modelowanie ścieżek konwersji w Google Analytics może dostarczyć nam wielu cennych informacji. Pozwala zaoszczędzić budżety reklamowe i zarobić sporo pieniędzy. To dzięki atrybucji ścieżek konwersji możemy odpowiedzieć na pytania:

  • Na ile poszczególne kanały marketingowe wpływają na konwersje i jaka jest ich wartość w porównaniu z ponoszonymi na nie wydatkami?
  • W jakim stopniu kanały marketingowe nachodzą na siebie?
  • Czy nachodzące na siebie kanały wspierają się, czy się kanibalizują?
  • Na ile zwiększenie wydatków, ich zmniejszenie lub rezygnacja z danego źródła ruchu powinny wpłynąć na zmianę w generowaniu większych przychodów?

Większość marketerów korzysta tylko z jednego, najpopularniejszego modelu atrybucji. Jest nim model Last-Click, który całą wartość konwersji przypisuje do ostatniego źródła ruchu. W ten sposób pomija inne źródła i kampanie, pomija wiele wspomagających kanałów marketingowych i nie pozwala optymalizować mix mediów.

Rys. 2 Ścieżki konwersji składające się z wielu źródeł ruchu. W modelu Last-Click konwersja przypisana do ostatniego kanału znajdującego się na końcu każdej ścieżki konwersji.
Rys. 2 Ścieżki konwersji składające się z wielu źródeł ruchu. W modelu Last-Click konwersja przypisana do ostatniego kanału znajdującego się na końcu każdej ścieżki konwersji.

Jak widać na rys. 2 konwersja dokonywana jest najczęściej z nazwy marki wpisywanej w wyszukiwarkę. Musimy pamiętać jednak, że wejścia brandowe oraz ruch bezpośredni nigdy nie powstają same z siebie. Są zawsze efektem (bezpośrednim lub pośrednim) wcześniejszych działań marketingowych.

Rys. 3 Porównanie dwóch modeli atrybucji: ostatniej i pierwszej interakcji, przedstawiający średnio 50% wzrost liczby transakcji, względem pierwszej interakcji z reklamą.
Rys. 3 Porównanie dwóch modeli atrybucji: ostatniej i pierwszej interakcji, przedstawiający średnio 50% wzrost liczby transakcji, względem pierwszej interakcji z reklamą.

Czym jest model Last-Click i dlaczego jest wadliwy?

Model ten jest najłatwiejszym modelem do policzenia i zrozumienia przez marketerów. Z racji prostoty, łatwych obliczeń i braku wiedzy jest też najczęściej wykorzystywany. Model Last-Click przypisuje całą wartość konwersji ostatniemu punktowi styku Internauty z witryną e-sklepu. W ten sposób wszystkie wcześniejsze kroki, źródła ruchu, które odbył potencjalny klient są pomijalne co może wprowadzać w błąd, a brak analizy ścieżek wielokanałowych i modeli atrybucji ostatecznie wprowadzi nas w zjawisko tzw. spirali śmierci. Innymi słowy skupiając się tylko na źródłach, którym przypisana jest „zasługa” za pozyskanie transakcji bardzo często zapominamy o źródłach, które również brały udział w procesie zakupowym i bez nich potencjalny klient nie dokona transakcji.

Wielu marketerów podejmując decyzję na podstawie modelu Last-Click optymalizuje koszty i przenosi budżety reklamowe na błędne źródła, którym przypisana jest konwersja. Z czasem jednak, po wyeliminowaniu wcześniejszych punktów styku stopniowo sprzedaż będzie ulegała zmniejszeniu. Podejmowane na tej podstawie decyzje o alokacji budżetów reklamowych na poszczególne kanały będą obarczone błędem. Eliminacja źródeł, które otwierają ścieżkę zakupową spowoduje likwidację całej ścieżki decyzyjnej potencjalnego Internauty.

Rys. 4 Modele atrybucji dostępne do analizy w narzędziu Google Analytics.
Rys. 4 Modele atrybucji dostępne do analizy w narzędziu Google Analytics.

Ścieżkę zakupową porównać możemy do gry zespołowej, w której każdy z zawodników ma swój wkład w ostateczny wynik meczu. W przypadku piłki nożnej najczęściej bramki strzelane są przez napastników, jednak nawet najlepsi piłkarze na tych pozycjach nie są w stanie sami wygrać meczu. To dzięki podaniom obrońców, pomocników oraz dobrej strategii i taktyce menedżera drużyna ma szansę strzelić bramkę. W takiej ocenie nie możemy patrzeć „modelem Last-Click”, w której całość zasługi przypisalibyśmy tylko jednemu z jedenastu zawodników. Oczywiście podobnie jak w przypadku działań marketingowych będziemy mieli kluczowych zawodników, których nie sposób zastąpić innym sportowcem, co może ostatecznie zmniejszyć szansę na zwycięstwo (konwersję w działaniach reklamowych).

Dobrym przykładem złego zarządzania modelami atrybucji może być również sklep sportowy. W asortymencie sklepu oferowane są buty sportowe, akcesoria na siłownie, sprzęt fitness, piłki, akcesoria sportowe. Właściciel sklepu po analizach sprzedażowych zauważa, że większy przychód i marżę posiada na sprzęcie fitness, których cena przeważnie przekracza 1000 zł. Pozostałe produkty powodują więcej problemów tj. zwroty, reklamacje, kwestie logistyczne, a w dodatku marża jest niższa. W ten sposób eliminuje problematyczne produkty i zamawia do magazynu tylko produkty wysokomarżowe. W efekcie wpada we wspomnianą „spiralę śmierci”. Klienci, którzy dotychczas przychodzili głównie do sklepu z zamysłem zakupu akcesoriów sportowych i niskomarżowych produktów z czasem lub przy okazji dokonywali zakupów większych. W skutek złych decyzji wyeliminowani zostali potencjalni klienci, sprzedaż maleje, a w skrajnych przypadkach spada do zera.

edrone na ścieżkach zakupowych – wsparcie kolejnymi kanałami marketingowymi

Podobnie wygląda sytuacja z kanałem marketingowym – edrone. Narzędzie, które zatrzymuje konsumentów, którzy skompletowali w sklepie koszyk produktów, ale nie sfinalizowali zakupu. Najczęściej w ten sposób docieramy do osób, które znają już markę. Często też błędnie analizujemy zwrot z inwestycji analizując dane przez pryzmat ostatniego kliknięcia w sekcji Pozyskiwanie 🡪 Cały ruch 🡪 Edrone.

Rys. 5. Efektywność kanału w modelu Last Click w Google Analytics.
Rys. 5. Efektywność kanału w modelu Last Click w Google Analytics.

Zdecydowanie lepszym raportem będzie dogłębna analiza wszystkich ścieżek lub też weryfikacja konwersji wspomaganych.

Rys. 6 Większy pogląd na opłacalność źródła – edrone. Weryfikacja wszystkich ścieżek zakupowych, na których w procesie decyzyjnym pojawiło się narzędzie edrone.
Rys. 6 Większy pogląd na opłacalność źródła – edrone. Weryfikacja wszystkich ścieżek zakupowych, na których w procesie decyzyjnym pojawiło się narzędzie edrone.

Jak odejść od modelu Last-Click i wykorzystać jedno źródło prawdy w e-commerce

Narzędzia analityczne do śledzenia konwersji platform reklamowych tj. Google AdWords, Facebook Ads, Criteo, czy RTBHouse przypisują konwersję ostatniemu kliknięciu w reklamę danego systemu. W ten sposób każda z platform raportuje, iż w 100% odpowiada za doprowadzenie do konwersji.

Z pomocą przychodzi narzędzie Google Attribution, które przedstawi nam jedno źródło prawdy o konwersjach w naszym e-commerce. Jego celem jest pomoc każdej firmie w zrozumieniu, w jaki sposób funkcjonuje ich marketing. Określa prawidłową ilość udziału przyporządkowanego do każdego kroku ścieżki decyzyjnej. Pozwala nam na obiektywne rozdzielenie wartości konwersji w obrębie wszystkich podłączonych źródeł.

Modele atrybucji oferowane w Google Analytics mają jedną zasadniczą wadę. Wymagają tego, by to użytkownik zdecydował, jak model ma wyglądać. Czyli to marketer decyduje o wyglądzie danych. Biorąc pod uwagę fakt, iż proces modelowania atrybucji jest wciąż skomplikowany i czasochłonny, a brak wiedzy wielu marketerów wcale nie pomaga w skalowaniu sklepu online. Rozwiązania Google Attribution są idealnym sposobem na rozwiązanie tego problemu. Model atrybucji w nowym narzędziu pracuje w oparciu o uczenie maszynowe, które nauczy się rzeczywistych wag udziałów kanałów marketingowych. Nie będzie kierować się modelami narzuconymi przez użytkownika. System dynamicznie przypisuje wartości konwersji do poziomów dziesiętnych w poszczególnych ścieżkach jakie przechodzi nasz klient w naszej witrynie, od pierwszej interakcji aż do zakupu.

Nowy model atrybucji w Google AdWords oparty na danych: Data-Driven

W przypadku systemu Google AdWords od niedawna pojawiła się możliwość przypisywania konwersji w modelu opartym na danych Data-Driven. W większości sklepów e-commerce system ten odgrywa bardzo ważną rolę, więc prawidłowa atrybucja w obrębie wszystkich realizowanych kampanii reklamowych tego systemu ma ogromne znaczenie.

Rys. 7 Zmiana modelu atrybucji w systemie Google AdWords na model oparty na danych.
Rys. 7 Zmiana modelu atrybucji w systemie Google AdWords na model oparty na danych.

Po zmianie z modelu Last-Click zmieni się całkowicie obraz efektywności realizowanych kampanii. Najczęściej stracą kampanie z zapytań brandowych, większa część konwersji przypisana będzie do kampanii otwierających ścieżkę sprzedaży, tym samym automatyczne strategie i optymalizacja kampanii AdWords pod większy zwrot z inwestycji ROAS będzie bardziej precyzyjna i skalowalna dzięki nagłej większej liczby konwersji w kampaniach, które dotychczas tylko otwierały ścieżkę sprzedażową.

Rys. 8 Porównanie modelu Last-Click z nowym modelem Data-Driven
Rys. 8 Porównanie modelu Last-Click z nowym modelem Data-Driven.

Modelowanie atrybucji ścieżek konwersji w Google Analytics będzie coraz trudniejsze wraz z rozwojem marketingu, nowych technologii oraz zwiększaniem się ilości kanałów marketingowych. Pamiętajmy, że największą część konwersji wywołują wielokrotne interakcje – prawie 80%. Pomimo tego ponad połowa marketingowców używa modelu atrybucji do pojedynczej interakcji. Im szybciej uciekniemy od modelu Last-Click, tym szybciej uzyskamy przewagę nad konkurencją, zaczniemy lepiej rozumieć sprzedaż w naszym e-sklepie i przede wszystkim dzięki nowym rozwiązaniom atrybucji będziemy lepiej alokować budżety reklamowe.

Krystian Kucharski

Krystian Kucharski
Performance Director i wiceprezes zarządu Promotraffic. Certyfikowany specjalista Google Adwords i Analytics. W branży marketingu internetowego działa od 2009 roku. W tym czasie zdobył doświadczenie w zarządzaniu kampaniami za pomocą platformy Google AdWords i Google Analytics. Specjalizuje się w budowaniu, prowadzeniu i optymalizacji kampanii Google AdWords, Doubleclick i innych płatnych platform nastawionych na konwersję lub/i budowę świadomości marki. W swojej karierze odpowiadał za kampanie PPC i wdrożenia analityczne dla takich klientów jak: Sneakerstudio, Takeda, Puccini, MoneyMan, Ekomaluch, Rolmarket czy Sklep Sportowy. Wykładowca i prelegent podczas wydarzeń marketingowych na E-biznes Festiwal, Uniwersytecie Ekonomicznym oraz Wyższej Szkoły Ekonomii i Informatyki w Krakowie. Wszystkie działania wspiera i analizuje za pomocą narzędzi analitycznych tj. Facebook Analytics czy Google Analytics.

Marcin Lewek

view all post

By Daniele Zedda • 18 February

← PREV POST

By Daniele Zedda • 18 February

NEXT POST → 34
Share on