Konwersja to termin, z którym często spotykają się ci, którzy chcą dokonać analizy zachowań użytkownika na stronie. Z konwersją ściśle łączy się atrybucja i to o niej będzie poniższa rozmowa, do której zaprosiliśmy Piotra Litwę – eksperta w dziedzinie analityki webowej.
Czym jest atrybucja?
Atrybucja to po prostu przypisanie konkretnemu źródłu udziału w konwersji. W przypadku Google Analytics atrybucja przypisywana jest “last click non direct” – to znaczy, że liczy się ostatnie źródło, po kliknięciu którego internauta został przekierowany na daną stronę. Żeby to wyjaśnić, najlepiej posłużyć się przykładem: jeśli klikam w reklamę Google i bezpośrednio po tym dokonuję zakupu w sklepie internetowym, to będzie to krok atrybucyjny, a atrybucja zostanie przypisana Google Ads. Innymi słowy: ostatni punkt styku reklamy ze stroną. Trzeba podkreślić jednak, że tym ostatnim kanałem nie musi być reklama, może być to np. wyszukiwarka, czy mailing.
Co kryje się za pojęciem ”modelowanie atrybucji”?
W standardowym modelowaniu atrybucji najczęściej występuje wspomniany wcześniej “last click”. Możemy go zamienić na inny model uwzględniający pozycję, na przykład oparty na uwzględnieniu pozycji- “position based” albo “first click”. W tym ostatnim przypadku, przypisanie atrybucji nastąpi wobec tych źródeł, które stanowią pierwszy punkt kontaktu użytkownika ze stroną.
Mamy też model, który jest rozłożony czasowo, który jest dostępny w Analyticsie. W tym modelu sukces konwersji przypisywany jest do określonego źródła pozyskania klienta, w zależności od czasu, jaki upłynął między wizytą użytkownika w tym kanale, a kupnem lub innym działaniem świadczącym o konwersji.
Na który model zatem należy się zdecydować?
Najlepiej z kilku i porównywać je między sobą. Atrybucja “last clickowa” daje zawężoną perspektywę. To tak jakbyśmy oceniali wszystkie książki, które przeczytamy, przez pryzmat jednej, którą uznaliśmy za benchmark. Zmiana atrybucji poszerza horyzonty i może sprawić, że pieniądze z budżetu marketingowego zainwestujemy inaczej, a konkretnie w te reklamy, które faktycznie się opłacają, z wysokim współczynnikiem konwersji.
Praca na różnych modelach atrybucji pomoże bardziej efektywnie planować wydatki i – co najważniejsze – móc je ze sobą porównywać. Należy pamiętać o tym, że najtańsze reklamy nie zawsze przynoszą najlepsze efekty.
Jakie różnice występują między atrybucją w Facebook Ads, Google Ads, a tą w Google Analytics?
Google Ads i Facebook Ads mają własne modele atrybucyjne, które nie uwzględniają atrybucji z innych systemów. To znaczy, że Google Ads określa atrybucję na podstawie danych zebranych tylko przez siebie, analogicznie robi Facebook. W przypadku Facebook Ads model atrybucyjny – standardowo – opiera się o formułę “28-day post view” i “1-day post click”. W praktyce wygląda to tak, że jeśli zobaczymy reklamę na Facebooku, po czym w ciągu 28 dni dokonamy zakupu reklamowanej rzeczy, to ten marketingowy sukces zostanie przypisany Facebookowi.
Wadą tego sposobu atrybucji jest to, że owe dane pochodzą wyłącznie z Facebooka. W sytuacji gdy w ciągu tych 28 dni zobaczymy tę samą reklamę w Google Ads, ono również przypisze sobie tę samą atrybucję. W systemie sprzedażowym będzie odnotowana jedna dokonana akcja, podczas gdy w systemach marketingowych, będą widniały 2 konwersje.
Inaczej dane o konwersji zbiera Google Analytics, które mierzy atrybucję dopiero po kliknięciu lub odwiedzeniu strony przez użytkownika. Takie statystyki bardzo upraszczają nam analizę, bo każdy użytkownik, który trafił na naszą stronę, pojawił się tam z konkretnego źródła, które Google Analytics przechwytuje i przypisuje mu wartość.
Nie polega na impresjach, czyli samych wyświetleniach reklamy na stronie czy w wyszukiwarce, ale faktycznych przejściach z jednej strony na drugą.
Czy model oparty na impresji jest zły?
Absolutnie nie, ale musimy dysponować narzędziami, które nie tylko te wyświetlenia zbiorą, ale też policzą konwersję. Samo wyświetlenie reklamy to przecież jedno, czym innym jest natomiast jego skuteczność, czyli np. dokonanie zakupu.
Czy badanie atrybucji za pomocą różnych narzędzi ma sens?
Każde narzędzie, tworząc atrybucję, robi to w taki sposób, aby udowodnić jej zasadność. Tworzenie atrybucji na Facebooku ma sens, ponieważ może pokazać, jak duże znaczenie ma impresja. Jeżeli dodamy do tego dane, które pozwolą nam wykluczyć duplikację transakcji, możemy w bardzo łatwy sposób zobaczyć, jak faktycznie impresja wpływa na zachowanie klienta.
Dodatkowo, jeżeli korzystamy z jakiegoś modelu matematycznego, na przykład Modelu Markowa, możemy obliczyć, który kanał przynosi nam największe zyski, a co za tym idzie – ma dla nas kluczowe znaczenie. Patrząc przez modele stosowane w Google Analytics takie jak “first click”, “last click”, czy “próg czasowy”, niestety nie obejmują one dokładnie wszystkich punktów styku użytkownika ze stroną. Nie zawsze jest tak, że użytkownik dokonuje konwersji przy pierwszej wizycie. Często jest tak, że potrzebuje na to 2-4 wizyt. Model matematyczny dokładnie pokazuje nam, jak ważne są poprzednie kroki aby osiągnąć ten cel. Być może ten “last click” nie jest dla nas rozwiązaniem, jeśli nie stworzymy tego modelu matematycznego, nie będziemy w stanie tego określić.
A na czym polega model atrybucji Google Analytics “last click non direct”?
Jest to rozszerzenie modelu “last click” – każdy ruch, który nie był ruchem niebezpośrednim, będzie przypisany do ostatniego źródła. Postaram się zobrazować to za pomocą przykładu: jesteśmy na stronie firmy x, opuszczamy witrynę, dzień później wracamy na nią za pośrednictwem reklamy Google Ads, następnie znów opuszczamy stronę, po czym dzień później wpisujemy adres strony w przeglądarce i dokonujemy konwersji. Dzięki modelowi “last click non direct”, zostaje nam przypisany krok nie na “Direct”, tylko na wcześniejszy, czyli CPC Google Ads.
Trudno więc mówić o “najlepszym modelu atrybucyjnym”?
Wszystko zależy od rodzaju biznesu, który prowadzimy, od jego skali oraz od tego, co chcemy osiągnąć. W przypadku małej firmy sprawa jest łatwa: wybieramy najprostsze systemy atrybucyjne, zwłaszcza gdy właściciel nie ma czasu na analizę. Jeżeli przedsiębiorstwo jest duże i posiadamy różne dane, stosujemy bardziej zaawansowane modele. Osobiście polecam modele matematyczne, choć ich stworzenie jest czasochłonne. Jak powiedziałem, wiele zależy od branży, ale czasem wystarczy zastosować proste modele, np. “last click”, tylko po to by mieć wszystkie dane skumulowane w jednym narzędziu i móc je przeanalizować.
Zostaw komentarz