Attribuutio tarkoittaa konversioiden kunnian jakamista kanaville. Viimeisen klikkauksen attribuutio antaa kunnian viimeiselle kanavalle ennen konversiota. Ensimmäisen klikkauksen attribuutio antaa kunnian ensimmäiselle kanavalle. Todellisuus on kuitenkin monimutkaisempi: päätökseen vaikutti useampi kanava. Kanavien välisten attribuutiomallien tavoite on jakaa kunnia reilusti kaikille vaikuttaneille kanaville. Tässä luvussa käydään läpi eri attribuutiomallit ja se, milloin kutakin kannattaa käyttää.
Attribuutiomallit selitettynä
Viimeisen klikkauksen attribuutio
Viimeisen kosketuksen kanava ennen konversiota saa 100 % kunniasta. Esimerkki: orgaaninen haku → sähköposti → maksetut mainokset → konversio = maksetut mainokset saavat 100 % kunniasta.
Etu: yksinkertainen, helppo ottaa käyttöön, suosii suppilon alapään kanavia. Haitta: ohittaa tukiroolit ja aliarvostaa tunnettuuskanavia.
Ensimmäisen klikkauksen attribuutio
Ensimmäisen kosketuksen kanava saa 100 % kunniasta. Esimerkki: orgaaninen haku → sähköposti → maksetut mainokset → konversio = orgaaninen haku saa 100 % kunniasta.
Etu: suosii tunnettuuskanavia, helppo ottaa käyttöön. Haitta: ohittaa vaalimisen ja konversion roolit sekä paisuttaa varhaisten kosketusten osuutta.
Lineaarinen attribuutio
Kunnia jaetaan tasan kaikkien kosketusten kesken. Esimerkki: orgaaninen haku → sähköposti → maksetut mainokset → konversio = jokainen saa 33 % kunniasta.
Etu: reilu kaikille kanaville, huomioi useat kosketukset. Haitta: ei huomioi, mitkä kosketukset ovat tärkeimpiä.
Ajan mukaan vähenevä attribuutio
Tuoreet kosketukset saavat enemmän kunniaa kuin vanhat. Esimerkki: orgaaninen haku (30 päivää sitten) saa 20 %, sähköposti (10 päivää sitten) 30 % ja maksetut mainokset (1 päivä sitten) 50 %. Yhteensä 100 %.
Etu: realistinen (tuoreet vuorovaikutukset ovat yleensä vaikuttavimpia), tasapainottaa tunnettuuden ja konversion. Haitta: monimutkaisempi ottaa käyttöön.
Mukautettu eli algoritminen attribuutio
Kunnia jaetaan historiadatan analyysin perusteella. Koneoppiminen tunnistaa, mitkä kosketukset ennustavat konversiota parhaiten. Esimerkki: data osoittaa, että kun sähköposti on mukana järjestyksessä, konversioaste on 15 % korkeampi. Sähköposti saa lisäkunniaa.
Etu: tarkin, huomioi vuorovaikutusvaikutukset. Haitta: vaatii dataa ja teknistä osaamista.
Attribuutiomallin valinta
Alkuvaihe (aloitat juuri): käytä viimeistä klikkausta. Yksinkertainen ja heti käyttöön otettava. Aliarvostaa tunnettuutta, mutta on hyvä lähtökohta.
Kasvava yritys: käytä ajan mukaan vähenevää mallia. Tarkempi kuin viimeinen klikkaus, huomioi useat kosketukset ja on suhteellisen yksinkertainen.
Kypsä yritys: käytä mukautettua tai algoritmista mallia. Sinulla on tarpeeksi dataa ja tiimin osaamista edistyneiden mallien käyttöön.
Paras käytäntö: seuraa useita malleja samanaikaisesti. Raportoi johdolle viimeinen klikkaus (yksinkertaisuus), strategiaan ajan mukaan väheneva (tasapaino) ja tunnettuusmittareihin ensimmäinen klikkaus. Näin saat kokonaiskuvan.
Attribuutiomallien käyttöönotto
Vaihe 1: valitse mallisi. Aloita ajan mukaan vähenevästä mallista, ellei sinulla ole syytä valita muuta.
Vaihe 2: määritä attribuutioikkunasi. Montako päivää ennen konversiota seuraat kosketuksia? 7, 14, 30, 90? Käytä oletuksena 30:tä.
Vaihe 3: määritä malli analytiikka-alustallasi. Useimmat alustat tukevat useita attribuutiomalleja. Google Analyticsissa ja useimmissa tuoteanalytiikan alustoissa on sisäänrakennettu tuki.
Vaihe 4: vertaa malleja. Aja kaikki mallit datallasi. Vertaa tuloksia. Missä ne eroavat? Muuttaako se strategiaasi? Jos eri mallit ehdottavat eri kanavaprioriteetteja, selvitä syy tarkemmin.
Kanavien välisen attribuution haasteet
Kanavien kannibalisointi: jos ajat sekä orgaanista että maksettua hakua samalle hakusanalle, kumpi kanava saa kunnian? Molemmat voivat vaatia konversion itselleen. Ratkaisu: aseta selkeät säännöt (ensimmäinen klikkaus = orgaaninen, viimeinen klikkaus = maksettu) ja noudata niitä johdonmukaisesti.
Puuttuva data: offline-vuorovaikutuksia (puhelut, tapaamiset kasvokkain) ei seurata analytiikassa. Ratkaisu: tuo offline-konversiodata analytiikkaan, kun mahdollista. Tiedosta, että joidenkin konversioiden attribuutiodata puuttuu.
Tietosuoja ja seurannan rajoitukset: iOS:n tietosuojamuutokset, mainosten estäjät ja tietosuojatyökalut heikentävät seurantaa. Osa käyttäjämatkoista on osittain näkymättömissä. Ratkaisu: käytä omaa dataa aina kun mahdollista. Tuo seurannan rajoitukset esiin raportoinnissasi.
Mitä attribuutiomallia minun pitäisi käyttää yritykselleni?
Ajan mukaan väheneminen on paras oletus useimmille yrityksille. Jos myyntisyklisi on lyhyt (1-2 päivää), käytä viimeistä klikkausta. Jos se on pitkä (yli 30 päivää), käytä ensimmäistä klikkausta tai lineaarista mallia. Testaa kolmea parasta mallia 1 kuukauden ajan ja katso, muuttuvatko suositukset. Jos eivät, pysy yksinkertaisimmassa (viimeinen klikkaus). Jos muuttuvat, käytä yrityksellesi realistisinta.
Miten selitän attribuutiomallit henkilöille, jotka eivät ole teknisiä?
Käytä esimerkkiä: 'Kolme ihmistä auttoi sulkemaan 10 000 $:n kaupan: henkilö A esitteli meidät (tunnettuus), henkilö B vastasi kysymyksiin (harkinta) ja henkilö C allekirjoitti sopimuksen (päätös). Viimeinen klikkaus antaa koko 10 000 $ henkilölle C (epäreilua). Ensimmäinen klikkaus antaa kaiken henkilölle A (ohittaa B:n ja C:n). Ajan mukaan väheneminen antaa 20 % A:lle, 30 % B:lle ja 50 % C:lle (realistista).' Selitä tämän avulla, miksi ajan mukaan väheneminen on reilumpi.
Pitäisikö eri kanaville käyttää eri attribuutiomalleja?
Ei, pysy yhdessä mallissa kaikilla kanavilla, jotta ne ovat vertailukelpoisia. Eri mallit eri kanaville luovat epäjohdonmukaisuutta. Käytä yhtä mallia johdonmukaisesti ja analysoi sen sisällä: orgaanisen haun rooli verrattuna sähköpostin rooliin ja niin edelleen. Jos tarvitset eri malleja eri tarkoituksiin, aja ne erikseen (raportointi ja strategia), älä sekoita niitä.
Miten päivitän attribuutiomallini, jos myyntisykli muuttuu?
Analysoi datasi uudelleen: kuinka pitkä keskimääräinen myyntisykli on? Jos se on muuttunut 15 päivästä 45 päivään, 30 päivän attribuutioikkunasi voi leikata pois tärkeitä kosketuksia. Päivitä 45-60 päivään. Aja analyysi uudelleen ja katso, muuttuvatko kanavaprioriteetit. Päivitä mallisi ja kirjaa muutos ylös.
Voinko käyttää attribuutiodataa ennustamaan, mitkä kampanjat onnistuvat?
Osittain. Historiallinen attribuutio näyttää, mitkä kanavayhdistelmät toimivat. Jos onnistuneet asiakkaat tulivat polkua orgaaninen → sähköposti → maksettu, uudet kampanjat, jotka noudattavat samaa kuviota, onnistuvat todennäköisesti. Käytä tätä hypoteesina: panosta näihin järjestyksiin. Jokainen kampanja on kuitenkin erilainen, joten testaa ja mittaa äläkä luota pelkästään historiallisiin kuvioihin.
Miten käsittelen offline-konversiot attribuutiomallissani?
Tuo offline-data analytiikkaan: puhelut, tapaamiset kasvokkain ja allekirjoitetut sopimukset. Yhdistä ne verkkokäynteihin asiakastunnisteen (sähköposti, puhelinnumero tai nimi) perusteella. Verkkokosketukset näkyvät attribuutiossa ja offline-konversiot ovat lopputulos. Näin saat täydemmän kuvan. Huomaa: offline-attribuutio on vaikeampaa, joten keskity ensin suurimpiin offline-kauppoihin.