SMX East Liveblog: Belajar Dengan Google — Strategi Atribusi

Di kelas Belajar dengan Google, topik pertama pagi ini adalah: Strategi Atribusi untuk Menginformasikan Pencarian Anda dan Investasi Digital.

“Mengapa atribusi penting? Karena memahami interaksi saluran mengarah pada investasi pemasaran yang lebih cerdas.”

Pembicara:

• Rachel Klooz, Manajer Akun Senior, Google DoubleClick Search
• Justin Huskamp, ​​Manajer Pemasaran Produk, DoubleClick Search

Mari Jadikan Periklanan Online Lebih Baik

• Dengan momen yang penting
• Aktifkan keputusan yang lebih baik >> presentasi ini
• Terus berinovasi

Jadwal acara:

• Mendapatkan pemahaman yang sama tentang atribusi
• Memulai pemodelan di DoubleClick (bukan strategi hanya untuk DoubleClick, juga dapat berfungsi untuk Google Analytics — model berbasis aturan yang dapat berfungsi di platform apa pun)
• Pemodelan tingkat lanjut
• Studi kasus
• Menggambar wawasan yang dapat ditindaklanjuti
• Ada apa dengan Adometri?

Mendapatkan di halaman yang sama

Apa itu atribusi multi-saluran? Ini pemahaman intuitif bahwa penjualan sepatu merah senilai $100 yang baru saja Anda beli segera didahului oleh email, yang mungkin didahului dengan banyak kontak dan klik lainnya.

Mengapa atribusi penting? Karena memahami interaksi saluran mengarah pada investasi pemasaran yang lebih cerdas.

Masuk akal! Di mana model atribusi saya? Tidak ada model yang sempurna. Hanya yang lebih baik. Mereka bergantung pada bisnis Anda, strateginya, dan pelanggannya. Bahkan di vertikal yang sama, kami telah melihat model atribusi yang sama bekerja dengan cara yang sangat berbeda. Sangat penting bahwa perusahaan memiliki keputusan pemasaran mereka.

Mulai

Menggunakan model atribusi dasar dan pembobotan khusus, ada beberapa model.

Model Standar:

• Klik atau tayangan terakhir: semua nilai ditetapkan untuk klik terakhir
• Klik atau tayangan pertama: semua nilai yang ditetapkan untuk interaksi pertama (baik untuk memahami nilai iklan bergambar dalam menjangkau orang baru)
• Linear: semua nilai ditetapkan secara merata di seluruh klik (digunakan sebagai dasar untuk pemodelan lanjutan yang dilakukan lebih lanjut)
• Peluruhan waktu: nilai yang ditetapkan oleh seberapa dekat waktu klik dengan konversi (mengakui bahwa setiap interaksi di jalur memiliki beberapa nilai dan bahwa interaksi yang lebih lama mungkin tidak terlalu berharga)
• Berbasis posisi: nilai interaksi sebelumnya dan kemudian lebih berat (hal-hal di tengah memiliki nilai, tetapi mungkin tidak sebanyak hal pertama yang dilihat seseorang dan hal-hal terakhir yang mendapat konversi)

Sekarang untuk hal-hal yang lebih canggih

Anda dapat menyesuaikan model Anda sendiri. Anda perlu mengetahui model cookie Anda. Anda perlu mengetahui banyak interaksi sebelum konversi. Anda membutuhkan cakupan yang baik dari model bisnis Anda; mereka harus tahu kinerja dari apa yang mereka lakukan hari ini.

• Buat aturan pemodelan granular berdasarkan jenis interaksi, posisi, dan waktu
• Langsung lihat dampak perubahannya
• Simpan dan kelola model khusus

Contoh pembobotan: Tayangan vs. Klik

Contoh pembobotan: Merek vs. Umum

Istilah merek memang berhasil, tetapi istilah umum dan non-merek bekerja lebih keras untuk Anda.

Contoh lain di mana pembobotan berperan dengan atribusi adalah organik, dan Anda dapat mendevaluasinya dalam model atribusi berbobot karena itu bukan sesuatu yang Anda bayar.

Level 201, 301: pembuat model khusus menggunakan tuas tambahan seperti peluruhan waktu.

Level 401, 501 (lanjutan, di mana Google melihat atribusi untuk 2015): Tingkatkan praktik atribusi Anda dengan atribusi berdasarkan data, seperti pemodelan prediktif dan analisis prediktif. Hal-hal yang harus diwaspadai dengan ini adalah pengaturan yang benar dan tidak membiarkan algoritme berjalan tanpa analisis.

Studi kasus: Agensi independen besar

Membutuhkan bantuan dengan tampilan, email, afiliasi, penargetan ulang — mereka memiliki banyak jenis media dan bingung.

Mendekati:

• Identifikasi tempat konversi yang menarik
• Tetapkan nilai pendapatan ke prospek
• Buat dimensi khusus berdasarkan keranjang media yang diminati
• Menggabungkan bobot tayangan alternatif dan peluruhan waktu ke dalam model khusus
• Gabungkan data biaya media untuk menghasilkan analisis ROAS

Rekomendasi berdasarkan analisis ROAS ini adalah beberapa anggaran pencarian dan tim dapat dialokasikan kembali untuk ditampilkan. Pencarian mendapatkan semua kredit karena itu adalah klik terakhir.

Menggambar wawasan yang dapat ditindaklanjuti

• Hal pertama yang mudah adalah membandingkan klik pertama dan klik terakhir dan mencari tahu konverter Anda, penutup Anda, generator prospek Anda.
• Filter ke pemasaran ulang membantu mengungkap nilai yang disembunyikan oleh model klik terakhir, tetapi perhatikan bahwa ini adalah korelasi dan bukan sebab-akibat. Untuk benar-benar mengetahui peran pemasaran ulang, lakukan pengujian A/B di mana separuh lalu lintas Anda melihat pemasaran ulang dan separuh lainnya tidak.

Hal-hal yang dapat Anda lakukan hari ini:

1. Bereksperimenlah dengan model standar di alat pilihan Anda. Lihat bagaimana ROAS/ROI berubah saat Anda menggunakan model yang berbeda.
2. Bandingkan model untuk mendapatkan wawasan tentang pengakuisisi vs. yang lebih dekat.
3. Buat aturan terperinci berdasarkan jenis interaksi, posisi, dan waktu. Untuk melakukan ini, lihat tautan jalur Anda. Berapa periode waktu yang biasa dibutuhkan seseorang untuk mempertimbangkan dan membeli. Perhatikan bahwa jendela cookie yang lebih lama dari 2 bulan menimbulkan masalah seperti kehilangan dan penurunan.
4. Uji dengan mengubah jendela cookie dan membandingkan data.

Jadi apa masalahnya dengan Adometri?

Google mengakuisisi Adometry pada akhir musim semi. DoubleClick dan Google Analytics melakukan "online" dengan sangat baik. Adometry menambahkan perkawinan online dan offline. Alat hari ini memiliki batas. Mereka biasanya tidak menggunakan perangkat dengan baik, dan mereka biasanya tidak pergi dengan klik. Adometry mencoba mengukur efek TV dan di rumah. Adometry dimaksudkan untuk membuat loop umpan balik tertutup.

T&J

T: Saya menggunakan Google Analytics untuk atribusi multi-saluran. Beberapa hal yang Anda tunjukkan di sini, bagaimana menerjemahkannya? Anda memiliki atribusi multi-saluran di sini dan sangat mirip dengan GA. Apa yang berbeda?

A: Itu dibangun di backend dan infrastruktur yang sama. Banyak model dan contoh yang bisa Anda lakukan di GA. Anda dapat mengubah jendela cookie di GA.

T: Bagaimana cara Universal Analytics melacak antar perangkat?

J: Universal menggunakan pengguna yang masuk secara anonim. Pengguna masuk ke Chrome di seluruh perangkat yang mewakili beberapa sampel populasi.

T: Saya merasa frustrasi karena melaporkan periode waktu antara tayangan dan klik terakhir.

A: Itu adalah kasus penggunaan yang menarik. Mari kita ikuti.