광고 속성의 3가지 가장 큰 문제점 및 개인화의 역할

마케팅 채널을 평가할 때 보유하고 있는 데이터가 많을수록 성공 가능성이 높아집니다.

한때 그랬던 곳에서 지금은 그 반대가 되고 있습니다. 데이터의 유형, 정보의 포인트 및 이를 이해하는 데 도움이 되는 도구의 수는 무수히 많습니다.

마케팅 담당자는 데이터가 부족하지 않습니다. 그들은 그것에 익사하고 있습니다. 그러나 그들이 물 위에서 머리를 유지하는 데 도움이 되는 방법이 있습니다. 바로 광고 기여입니다.

광고 속성이란 무엇입니까?

광고에서 속성은 특정 사용자 목표의 추천 소스를 추적하는 프로세스를 의미합니다. 그 목표는 가입, 다운로드, 구매 등이 될 수 있습니다.

구매자의 여정이 길고 복잡할 때 이러한 목표를 향한 경로를 추적하는 것은 모든 비즈니스에 매우 중요합니다. Attribution은 가장 수익성이 높은 채널에 대한 아이디어를 제공합니다. 사용자가 귀하를 어떻게 찾았는지, 어디에서 이탈했는지, 어떤 채널로 전환했는지 등을 알면 지출 및 최적화에 대해 더 나은 결정을 내릴 수 있습니다.

기여의 중요성

모든 마케터는 큰 문제를 안고 있습니다. 빅 데이터가 너무 큽니다.

모든 매체, 장치, 플랫폼에서 각 방문자와 함께 제공되는 수많은 데이터 포인트를 관리하는 것은 불가능해 보입니다. 그러나 이 데이터를 통해 정렬할 때 광고주는 선택의 여지가 없습니다.

기여는 광고 효과를 평가하는 방법입니다. 또한 어떤 채널이 다른 채널보다 더 많은 ROI를 창출하고 있는지 등 광고 캠페인의 효과를 판단할 수 없다면 예산 책정 방법을 알 수 없습니다.

따라서 마케팅 전문가의 4분의 1 이상이 모든 캠페인에 기여를 사용한다는 사실에 놀랄 수도 있습니다.

일부는 설정했지만 결과를 분석하지 않았다고 말했습니다. 다른 사람들은 기여를 전혀 사용할 계획이 없다고 말했습니다.

그러나 상당수의 마케터는 일부 캠페인에 사용하거나 사용하지 않지만 사용하고 싶다고 말합니다. 두 범주 모두 속성 채택에 장벽이 있음을 나타냅니다. 그리고 그것은 놀라운 일이 아닙니다. 가장 일반적인 모델에는 몇 가지 중요한 문제가 있습니다.

광고 속성의 문제

이론적으로 기여는 새로운 캠페인에 투자하고 실적이 저조한 캠페인을 최적화해야 할 때 배당금을 지불할 수 있는 전술입니다. 그러나 실제로는 수익성 있는 광고 캠페인의 리퍼러를 어트리뷰트하는 방법을 결정하기 어려울 수 있습니다.

광고 속성 문제 #1: 누가 크레딧을 받나요?

첫 번째 주요 문제는 특정 목표에 기여하는 리퍼러를 평가하는 방법을 결정하는 것입니다. 길고 복잡한 구매자 여정에서 각 접점에 가치를 할당하는 방법은 무엇입니까?

예를 들어 사용자가 Facebook 광고를 통해 들어왔다가 블로그 게시물을 읽은 다음 가격 페이지를 방문하고 몇 주 후 리타겟팅 광고를 클릭한 후 클릭 후 랜딩 페이지에서 구매하는 경우 전환에 가장 크게 기여한 요인은 무엇입니까? ?

첫 번째 클릭을 얻은 것이 Facebook이었습니까? 리타게팅 광고? 클릭 후 방문 페이지?

말하기 어렵다.

그렇기 때문에 도움이 되는 여러 가지 모델이 있습니다.

다양한 광고 기여 모델

어트리뷰션에 대한 만병통치약은 없습니다. 일부 모델은 전환으로 이어지는 첫 번째 클릭을 강조하고 다른 모델은 마지막 클릭을 강조합니다. 다음은 다른 모델이 크레딧을 제공하기로 결정한 사람입니다.

퍼스트 터치

첫 번째 터치 모델은 첫 번째 터치포인트에만 크레딧을 부여합니다. 따라서 사용자가 검색에서 클릭 후 랜딩 페이지로 이동한 다음 Facebook에서 리타게팅된 다음 다른 클릭 후 랜딩 페이지에서 클릭하고 전환하면 전환에 대한 기여도는 검색으로 이동합니다.

마지막 터치

첫 번째 터치 모델과 마찬가지로 마지막 터치는 하나의 터치포인트에만 크레딧을 부여합니다. 하지만 이번에는 상호 작용이 끝났습니다. 위와 동일한 예를 사용하는 경우(검색 → 클릭 후 페이지 → Facebook → 클릭 후 페이지) 마지막 클릭 후 페이지가 전환에 대한 모든 크레딧을 얻습니다.

마지막 간접

첫 번째 및 마지막 클릭과 마찬가지로 마지막 간접은 하나의 소스에만 전환 기여도를 부여합니다. 그러나 그들과 달리 직접 트래픽을 제외합니다. 귀하의 웹사이트를 직접 탐색하는 사람은 이전에 귀하의 브랜드에 참여한 적이 있는 사람일 가능성이 높기 때문에 마지막 간접 클릭은 직접이 전환의 영향 요인이 아니라고 가정하므로 기여도를 부여하지 않습니다. 직접적이지 않은 마지막 소스는 100% 크레딧을 받습니다.

선의

선형 모델은 멀티터치 속성을 사용하므로 이전 두 모델과 달리 이 모델은 둘 이상의 소스에 크레딧을 부여합니다. 선형 모델에서 각 터치포인트는 전환에 대해 동일한 기여도를 갖습니다.

시간 소멸

또 다른 다중 속성 모델인 시간 가치 하락은 터치포인트에 액세스하는 순서에 따라 기여도를 부여합니다. 우리의 예에서(다시: 검색 → 클릭 후 페이지 → Facebook → 클릭 후 페이지) 이것은 마지막 클릭 후 페이지에 가장 많은 기여도를 부여하고 두 번째로 Facebook에, 세 번째로 원래 클릭 후 페이지에 기여도를 부여합니다. 최소한 검색합니다.

위치 기반

또 다른 멀티터치 광고 속성 모델인 이 모델은 첫 번째와 마지막 터치포인트(각각 40%)에 가장 많은 기여도를 부여하고 나머지 20%는 이들 사이의 터치포인트로 나눕니다.

어떤 모델이 가장 좋은가요?

누구에게 물어보느냐에 따라 어느 출처가 공로를 인정받아야 할까요? 또한 다른 많은 변수에 따라 달라집니다. 각 모델은 구매자 여정의 다른 부분을 목표 행동의 가장 큰 이펙터로 강조합니다. 어떤 모델 이 가장 좋은가요? 조건에 따라서…

광고 속성 문제 #2: 어떤 모델을 사용해야 할까요?

두 번째 문제는 첫 번째 문제와 관련이 있습니다. 기여도를 결정하는 모델이 여러 개인 경우 기여도를 부여하는 방법이 여러 가지이므로 어떤 모델을 사용해야 하는지 어떻게 알 수 있습니까?

대답은 복잡하며 비즈니스마다 다릅니다. 판매 주기, 산업, 제품 등과 같이 많은 것에 따라 다르지만 사용할 것을 결정하는 몇 가지 방법이 있습니다. 다음은 장단점 및 사용하기에 가장 좋은 시간입니다.

퍼스트 터치

수요 창출에는 퍼스트 터치 어트리뷰션을 사용해야 합니다. 유입경로 상단 측정항목을 유도하려는 경우 방문자를 끌어들여 리드로 전환한 원인에 대한 아이디어를 얻을 수 있습니다.

이 모델의 장점은 설정이 매우 쉽다는 것입니다. 그러나 단점은 마케팅 퍼널에서 하나의 터치포인트만 설명한다는 것입니다.

마지막 터치

퍼스트 터치 기여는 판매와 같은 고가치 전환으로 이어진 소스를 파악하려고 할 때 하단 유입경로 캠페인에 특히 유용합니다.

이 모델의 장단점은 퍼스트 터치 모델과 비슷합니다. 설정하기 쉽지만 그림의 아주 작은 부분만 드러냅니다.

마지막 간접

마지막 비직접 모델은 직접 전환이 많은 비즈니스에 유용합니다. 이 기여 방법의 장점은 이러한 전환으로 이어진 마지막 채널을 표시한다는 것입니다. 여정의 작은 부분만 표시한다는 점에서 마지막 클릭과 유사하지만 대부분의 전환을 현장에서 보는 B2B 부문과 같은 비즈니스에 더 나은 정보를 제공합니다.

선의

선형 기여는 단일 기여 모델이 할 수 있는 것보다 더 포괄적인 스토리를 전달하는 데 유용합니다. 전환 경로가 더 긴 경우 목표 행동으로 이어진 모든 채널을 평가할 수 있는 좋은 방법입니다.

이 모델의 가장 큰 장점은 다른 모델보다 포괄적이라는 것입니다. 가장 큰 단점은 블로그 게시물을 읽거나 광고를 클릭하는 것과 같은 특정 작업이 두 가지 매우 다른 관심 지표일 때 크레딧을 동등하게 부여한다는 것입니다.

시간 소멸

시간 가치 하락 모델은 전환 여정 후반에 있는 터치포인트에 더 많은 기여도를 부여합니다. 이 기여 방법은 판매 주기가 더 긴 비즈니스 또는 하단 퍼널 목표를 목표로 하는 비즈니스에 유용합니다.

이 모델의 이점은 전환에 가장 크게 기여하는 소스에 대한 아이디어를 제공한다는 것입니다. 그러나 변환 직전에 오는 소스가 가장 영향력이 있다고 가정합니다. 항상 그런 것은 아닙니다.

위치 기반(또는 U자형)

다른 다중 속성 모델의 경우와 마찬가지로 위치 기반 속성은 고객 여정이 길고 복잡할 때 가장 잘 사용됩니다.

이를 통해 사용자가 얻는 주요 이점은 선형 기여와 유사합니다. 즉, 고객 여정에 대한 보다 포괄적인 그림을 얻을 수 있습니다. 하지만 시간 소멸 기여와 마찬가지로 고객 여정의 주요 순간에 대한 가치를 추가로 얻을 수 있습니다. 주로 첫 번째이자 마지막 터치입니다. 본질적으로 이것은 첫 번째, 터치, 마지막 터치 및 선형 모델을 결합한 다중 속성 방법입니다.

그러나 단점은 첫 번째 터치와 마지막 터치가 실제로 전환 기여도의 40%를 차지할 자격이 있다는 모델의 가정입니다. 예를 들어 귀하가 마케팅 대행사이고 귀하의 고품질 블로그 게시물이 귀하를 고용할 가치가 있음을 입증한 것이라면 고객이 검색에서 귀하를 찾고 직접 전환했을 때 전환에 대한 크레딧을 거의 얻지 못할 것입니다.

광고 속성 문제 #3: 특정 리퍼러를 어떻게 속성화합니까?

세 번째 문제는 그것들을 평가하는 데 채널을 추적하는 것 이상이 필요하다는 것입니다.

모든 마케터가 증명할 수 있듯이 각 캠페인에는 리퍼러 내에 리퍼러가 함께 제공됩니다. 예를 들어 웹 페이지에는 여러 클릭 유도 문안이 포함될 수 있습니다. 귀하의 캠페인에는 여러 키워드에 걸쳐 있는 여러 개의 광고가 있을 것이며 클릭 후 방문 페이지는 다른 유사 콘텐츠 사이에 존재할 가능성이 높습니다.

기여 모델은 구매 경로를 광범위하게 결정하는 데 도움이 될 수 있습니다. 해당 경로를 더 잘 이해하기 위해 UTM 매개변수를 사용할 수 있습니다. 이는 속성에 대한 주요 세부 정보를 지정하는 URL 끝에 추가되는 텍스트입니다. 다섯 가지 유형이 있습니다.

• utm_source: 속성으로 트래픽을 보내는 광고주, 사이트, 간행물 등을 식별합니다(예: google, newsletter4, billboard).
• utm_medium: 광고 또는 마케팅 매체(예: cpc, 배너, 이메일 뉴스레터)입니다.
• utm_campaign: 제품에 대한 개별 캠페인 이름, 슬로건, 프로모션 코드 등입니다.
• utm_term: 유료 검색 키워드를 식별합니다. 유료 키워드 캠페인에 수동으로 태그를 추가하는 경우 utm_term을 사용하여 키워드를 지정해야 합니다.
• utm_content: 유사한 콘텐츠 또는 동일한 광고 내의 링크를 구별하는 데 사용됩니다. 예를 들어 동일한 이메일 메시지 내에 두 개의 행동 유도 링크가 있는 경우 utm_content를 사용하고 각각에 대해 다른 값을 설정하여 어떤 버전이 더 효과적인지 알 수 있습니다.

이러한 UTM 코드를 함께 사용하면 가장 상세한 클릭 출처까지 식별할 수 있습니다. 또한 계산 착오를 방지하는 데 도움이 될 수 있습니다. Confluent Forms의 블로그 게시물에서 David Kutcher는 다음과 같은 예를 제공합니다.

예를 들어, 동일한 링크를 자주 공유하라는 권장 사항을 따르는 열렬한 Twitter 사용자라고 가정해 보겠습니다. 중복 콘텐츠로 표시되는 것을 방지하려면 종종 다른 텍스트와 해시태그를 사용하여 링크와 함께 제공되는 콘텐츠를 변경합니다.

UTM 코드를 사용하지 않는 경우 해당 트윗의 모든 트래픽은 Twitter의 추천과 동일하게 보이는 분석으로 이동합니다. 물론 Twitter 내에서 일부 메트릭을 사용할 수 있지만 트윗을 전환에 연결할 수는 없습니다.

이는 채널 이상의 평가에 정말 유용합니다. 예를 들어 해시태그가 트윗 성능 개선의 원인이었을 수 있습니다. 시간이었을 수도 있고 문자였을 수도 있습니다. UTM 매개변수를 사용하면 클릭과 관련하여 추적할 수 없는 것이 거의 없습니다.

UTM 매개변수가 해결하는 다른 문제는 분석 플랫폼에서 가져올 수 있는 일관되지 않은 정보입니다. 모든 플랫폼이 동일한 기여 모델을 사용하는 것은 아닙니다. 예를 들어 Facebook은 마지막 터치 속성을 사용합니다. Facebook 광고를 클릭하여 전환이 발생하면 Facebook이 크레딧을 받습니다. 이는 광고주와 먼저 소통한 경우에만 사용자에게 표시되는 리타게팅 광고에 대한 전체 그림을 그리지 않습니다.

Instapage Personalization 속성 리퍼러 방법

UTM 매개변수를 사용하면 설명적인 레이블 지정 규칙이 분석 대시보드에서 보다 완전한 스토리를 전달하는 데 도움이 될 수 있습니다. 예를 들어 Instapage에서는 링크를 클릭하는 사람들에게 제공하려는 각 개인화된 경험에 대해 UTM 매개변수를 설정할 수 있습니다.

결국 분석 도구는 그들이 경험한 것을 정확하게 보여줄 것입니다. 각 UTM 매개변수는 사전 정의된 레이블을 기반으로 해당 데이터 더미를 보다 쉽게 ​​정렬하는 데 도움이 됩니다.

더 나은 유형의 광고 속성으로 시작하기

모든 광고 기여 모델에 맞는 단일 크기는 없습니다. 각각은 자신의 상황에서 가치가 있습니다. B2B 마케터가 멀티터치를 선호하는 경우 구매 여정이 짧은 B2C 비즈니스에는 복잡성이 필요하지 않을 수 있습니다.

어떤 것을 선택하든 UTM 매개변수는 서로 다른 모델을 사용하는 플랫폼 간의 혼란을 최소화하고, 데이터를 더 잘 정렬하고, 더 자세한 정보를 기반으로 더 나은 결정을 내리는 데 도움이 되는 귀중한 추가 기능입니다.

광고 속성을 통해 더 우수하고 관련성 높은 사용자 경험을 제공할 수 있는 방법을 알고 싶으십니까? Instapage 개인화 솔루션의 데모를 받으세요.