讀懂歸因模型，廣告收入翻倍
      

                        
      
                                                        
                                 2525 閱讀
                            
                            
                                 0 評論
                            
                            
                        
      

                    
      

                    
      
                        
                        
      
                                                        


      ?今天談談數據方面的問題，我先瞎編個栗子，不要考究我細節哈。
      大家看看哪個操作帶來了轉化？
      ? ? 案例分析? ??
      小明搬新家后想買一款投影儀，11月21日，他在手機端的Google搜索了“Home Projector”，查看了2021年最佳投影儀排行榜（附帶產品鏈接），看到了2款不錯的投影儀Epson和BenQ。他分別在PC端搜索了這兩款投影儀，并分別通過Search廣告和Shopping廣告進入官網查看。

      11月22日白天，他在Meta APP搜索了Epson和BenQ的主頁，并進入Group了解到了更多的真實信息反饋，從Meta進入了官網。晚上，他又在TikTok APP刷到了一些KOL的測評和官網的直播，詳細了解了兩款品牌的功能和投影效果，進入官網查看了幾款熱賣的型號。

      11月23日通過雅虎搜索并直接進入了官網找了2款不錯的型號，在Reddit調研發現這2款投影儀評價都還不錯，所以他打算在Black Friday入手。

      11月24日，他在刷Meta信息的時候，看到并點擊了Epson Home Cinema 5050UB的Black Friday的折扣廣告。

      11月26日，在Black Friday當天，他直接進入https://epson.com/官網，領取了首頁的coupon，由于發現其中一款的折扣力度更大更實惠，便購買了一臺新款投影儀。

      是不是覺得我編的小明有嚴重糾結癥？其實，現實中比小明更糾結的大有人在。

      小明在買投影儀的過程中，會與多個廣告、KOL、測評網站等產生互動，每一個互動對最終的決策都產生了或多或少的影響。如果我們可以跟蹤到每一個消費者的動作，并連結成一條路徑，知道每個互動帶來的回報收益和成本，就可以得到投資回報率，從而了解到該如何規劃渠道的優先級和比重。

      而歸因模型，就是這樣一個工具，它可以幫我們為每次互動分配轉化功勞。通過歸因模型，可以幫我們了解廣告的表現效果、KOL的影響力。



      我先介紹下目前市面上主要的幾種歸因模型，在每一個歸因模型下，轉化功勞都有可能不同。

      ??首 次?點 擊 |....
      將轉化功勞100%歸功于消費者的首次點擊的那個廣告。
      >>>適合品牌推廣初期，可以了解品牌在哪個渠道轉化率更高
      在例子中，小明首次點擊Epson的廣告是通過PC端的Google搜索廣告。雖然最開始看到的種草文章里面有Referral鏈接，但小明僅瀏覽了文章并未點擊。所以，轉化的功勞全部會被歸到Search廣告的Epson關鍵詞。

      這個模型的邏輯是系統認為只有通過第一次點擊，消費者才認知到這款產品，而后續消費者接觸這款產品都是從這個“因”出發，導致的“果”。如果沒有第一次看到這個產品，后續也不會產生主動查詢或者被動品牌觸達，也不會產生購買。而在這種理論下，往往第一次接觸的都是偏頂端或品牌性質的廣告，因為品牌廣告的接觸面積更為廣闊。

      當然這種模型也有自身的缺陷，比如當歸因的時間窗口為7日時，我們在11月1日看到并瀏覽過一款生日蛋糕，產生了購買的想法，11月3日又搜索了這個蛋糕品牌，并最終在11月9日購買了蛋糕。首次點擊實際是11月1日，但最終會歸因到11月3日。對于歸因鏈路比較長的轉化，歸因的數據也會失真。

      ??最 終?點 擊 ....|
      將轉化功勞100%歸功于消費者的最后一次點擊的那個廣告。
      >>>適合品牌推廣中后期
      在例子中，小明最終點擊Epson的廣告是Meta的Black Friday的折扣廣告，然后黑五當日直接進入官網進行了購買。根據GA的最終非直接點擊，轉化功勞會被歸因到Meta，從而排除大量direct流量的“誤導”。而在Shopify轉化功勞會被歸因到Direct，是不是很有趣？

      對于最終點擊模型，歸因窗口的影響很小。但對于初期品牌，上層漏斗往往會被忽視，很多會因此找不到最初客戶的來源，不利于前期的拓展。
      ?
      ?線 性 .....
      將轉化功勞平均分配給轉化路徑上的所有廣告互動。
      >>>適合保守型客戶
      在例子中，小明在買投影儀的過程中點擊了4次廣告和渠道。假設轉化次數為“1”，轉化功勞就會被N等分。每個接觸點的轉化功勞都為1/5。

      在這種情況下，轉化的計算非常簡單。但弊端就是轉化功勞比較分散，無法將重要渠道單拎出來。在實際應用中，也比較少采用。
      ?
      ?根 據 位 置 :...:
      第一次點擊和最后一次點擊分別擁有40%的轉化功勞，剩下的20%會被平均分配給其他點擊事件。
      >>>適合想獲得客戶來源和最終促成結果的客戶
      在例子中，小明的第一次點擊（Google Search）和最后一次點擊（Meta Ads）分別有40%的功勞，另外3個渠道均分20%，即Meta Social為6.67%，TikTok為6.67%，Yahoo organic search為6.67%。

      按渠道計算，Meta占有46.7%，功勞最大。在這種情況下，首次和末次都得到了重視。

      ?時 間 衰?減 .:|
      點擊行為越接近轉化發生時間，分配的功勞越多。每往前推7天，所分配的功勞就變成會乘以1/2。比如，轉化發生 8 天前的點擊所獲功勞是轉化發生 1 天前的點擊所獲功勞的1/2。
      根據這個模型，時間越靠近轉化發生的時間分配到的功勞越多。該模型的理論依據是越靠近決策行為的互動帶來的印象越深，促進購買的行為影響也越大。

      但這種模型下，往往會忽視首次渠道的重要性。對于前期想要開拓用戶渠道的品牌，并不太合適。

      ?以 數 據 為 依 據
      以每個接觸點不同的歷史數據來計算得到轉化功勞，利用帳號數據真實計算每次點擊互動的實際功勞。
      >>>適合規模大、客戶來源面廣的客戶
      上面5種都是以規則為依據的歸因模型，而最后這種是以數據為依據的。我們先來看下官方的定義：
      歸因工具使用機器學習算法來評估轉化路徑和非轉化路徑。由此形成的以數據為依據的歸因模型可以學習不同接觸點對轉化效果的影響。此模型會將轉化時間、設備類型、廣告互動次數、看到廣告的順序以及廣告素材資源類型等因素納入考量范圍。此模型使用逆向分析方法，將已發生的情況與“有可能發生的情況”進行對比，從而確定哪些接觸點最有可能促成轉化。此模型會根據這種可能性將轉化功勞歸因于相應接觸點。

      是不是感覺很高級，但又聽不太明白。沒關系，我第一次看也沒看懂。簡單舉個例子：小明買投影儀，他第一次接觸到Epsonc產品是Google，第二次是Meta，第三次是在TikTok，第四次是Yahoo，最后一次是Meta，然后是Direct。即實際的完整轉化路徑是：#1Google>>>#2Meta>>>#3TikTok>>>#4Yahoo>>>#5Meta>>>#6Direct

      假設#1Google>>>#2Meta>>>#3TikTok>>>#4Yahoo，轉化的可能性是5%。#1Google>>>#2Meta>>>#3TikTok，轉化的可能性是4%。那么Yahoo在轉化中的轉化可能性提升是多少？即（5%-4%）/4%=25%，說明Yahoo+25%的轉化可能性。同理，我們可以推出每一個接觸點的實際幫助。
      ?
      ?轉?化 丟 失
      之前經常會有剛做投放的朋友問我，“為什么Meta里面有10單，到Shopify后臺只有7單？”或者“好開心呀，Meta里面終于出單了，但Shopify后臺怎么沒有看到？”

      看完歸因模型，是不是就明白了呢。因為對于1單成交的訂單，可能Meta和Google都觸達了一次，如果他們采用了不同的歸因模型，很有可能會都記錄1單，也就是我們常說的轉化丟失。所以，GA就是很好的一個工具，幫我們把所有數據都匯總排重，反饋真實的渠道表現。



                              
      
                        
                    
      

                    


                    
      
                    
                
                    
                    
                    

                    

      
     點贊(17)
     打賞




      



                    






                    
      
    

    

      


                    
      
    

      


                    
      
                
      
            
      

                        
      
                
      
                    
      評論列表                        共有 0 條評論
                    
      
                
      
                
      
                                        
      
    
    
      
                
      暫無評論
      
            
      
    

    
    
      
            
      
    

    
    
    

      

                                    
      
            
      
            
        
      

        
    
      

      


      




      
    

















        
        
        
      
            
      
                
      
                    
      
                        
                        
      服務號
      
                    
      
                    
      
                        
                        
      訂閱號
      
                    
      
                    
      
                        
                        
       備注【拉群】
      
                    
      

                
      
            
      
            
            
        
      
          
        
        
        
      
            
      
            
      商務洽談
      
            
      微信聯系站長
      
        
      
          
        
        
        發表
      評論      
          
        
        
        立即
      投稿      
          
    











    
        
        返回
      頂部