Poprzedni artykuł (cz.5): Wizyty bezpośrednie (direct) i modele niebezpośrednie
Czym jest model atrybucji?
Model atrybucji to reguła, na podstawie której konwersje i związane z nimi przychody przypisywane są do interakcji, które znajdowały się na ścieżce prowadzącej do konwersji. Określa ona, którym interakcjom i w jakiej części zostanie przypisana zasługa za doprowadzenie do konwersji.
W roku 2024 w Google Analytics wprowadzono zmianę terminologii i dotychczasowe konwersje w Analytics zostały nazwane kluczowymi zdarzeniami. Niektóre, stworzone wcześniej ilustracje w tym artykule mogą wskazywać na kluczowe zdarzenia w Analytics jako na konwersje. W tym artykule użycie słowa „konwersja” (w ogólnym znaczeniu) nie zawsze będzie zgodne z terminologią Analytics.
Rodzaje modeli atrybucji
Podstawowy podział modeli atrybucji to podział na:
- modele single-touch, które przypisują 100% wartości konwersji jednej interakcji, która wystąpiła na prowadzącej do konwersji ścieżce
- modele multi-touch, które rozdzielają wartość pomiędzy wszystkie interakcje, które wystąpiły na ścieżce
Nie znaczy to, że w każdym modelu multi-touch każda interakcja zawsze otrzyma udział w konwersji. Niektóre modele multi-touch z bardziej złożonymi regułami mogą czasem przypisać niektórym interakcjom 0% udziału, a w skrajnym przypadku może się zdarzyć, że tylko jednej interakcji zostanie przypisane 100% wartości. Istotą modeli multi-touch jest że potencjalnie biorą pod uwagę wszystkie interakcje na ścieżce, ale konkretny udział zależy od konkretnego modelu.
Czasem modele atrybucji dzieli się na heurystyczne, czyli takie, w których obowiązuje stała reguła wyliczania udziału w konwersji, w odróżnieniu od modeli algorytmicznych, które w sposób dynamiczny mogą przydzielać udział w konwersji indywidualnie dla każdej ścieżki, w oparciu o dostępne dane.
Więcej o poszczególnych modelach atrybucji w artykułach na temat modeli single-touch i atrybucji multi-touch.
Narzędzie porównania modeli atrybucji
Jednym z podstawowym narzędzi modelowania atrybucji jest porównanie modeli. Raporty tego narzędzia pokazują, jak zmienia się przypisana do danego kanału/źródła wartość z zależności od zastosowanego modelu.
Porównanie modeli dostępne jest m.in. Google Ads, Campaign Managerze i w Google Analytics. Między poszczególnymi systemami mogą występować pewne różnice, ale zasada działania jest podobna.
Narzędzie porównania modeli atrybucji Google Analytics znajduje się sekcji Reklama. W tym artykule pomocy Analytics opisane jest jego działanie. Poniżej lista funkcji wartych dodatkowego komentarza.
1 – Wybór kluczowego zdarzenia (dawniej: konwersji)
Pierwszą czynnością, którą należy wykonać pracując z narzędziem porównania modeli, jest wybór kluczowego zdarzenia lub zestawu kluczowych zdarzeń, które chcemy modelować. Podstawowym kluczowym zdarzeniem, które w praktyce się najczęściej analizuje, jest transakcja lub lead. Można też analizować inne kluczowe zdarzenia o mniejszym znaczeniu, np. dodanie do koszyka.
Wybierając kilka kluczowych zdarzeń jednocześnie lub wszystkie, warto sobie zadać pytanie, jaka jest interpretacja tych danych?
Generalnie, wybór kilku kluczowych zdarzeń został umożliwiony, by stosować go do zestawu alternatywnych zdarzeń tego samego rodzaju, np. „zakup_online” i „zakup_offline” czy też „lead strona kontakt”, „lead_stopka” i „lead_landing_page” – czyli różnych wariantów de facto tej samej akcji. Zestaw „purchase” i „add_to_cart” raczej nie będzie miał większego sensu.
Jeśli masz zaznaczone wszystkie kluczowe zdarzenia, zastanów się, czy na pewno o to Ci chodzi i wiesz, jak te dane zinterpretować.
2 – Wybór wymiaru źródła ruchu
Następnie należy wybrać, w jakich wymiarach będziemy chcieli przeprowadzić atrybucję, czy będzie to domyślna grupa kanałów, czy może własna grupa kanałów (zalecane), czy źródło / medium itd.
3 – Wybór modeli do porównania
Wybieramy modele, które chcemy porównać. Jak widać, aktualnie (styczeń 2024) w GA4 wybór nie jest zbyt szeroki.
4 – Wybór wymiaru dodatkowego
Można nie zauważyć: Istnieje możliwość dodania dodatkowego wymiaru segmentującego raport. Może się przydać chociażby do wydzielenia kampanii z różnych źródeł, zwłaszcza jeśli zdarzy się, że nazwy kampanii nie są unikalne (np. te same nazwy kampanii w Google Ads i Microsoft Advertising (Bing)).
5 – Czas raportowania
Porównanie modeli w GA4 daje możliwość wyboru czasu raportowania (w czasie interakcji lub w czasie zajścia darzenia), co może się przydać przy porównywaniu z raportami z systemów reklamowych, które zazwyczaj raportują w czasie interakcji. Więcej o czasie raportowania przeczytasz w tym artykule.
6 – Filtry
W raporcie można dodać szerokie spektrum filtrów, np. tylko urządzenia mobilne czy wybrane kraje.
7 – Wynik porównania
Kolumna Zmiana % pokazuje, na ile obraz skuteczności kanałów różni się dla porównywanych modeli atrybucji – zarówno w wolumenie kluczowych zdarzeń jak i w ich wartości.
Wnioski z raportu porównania modeli
Najważniejszy wnioskiem wypływającym z porównania modeli jest właśnie różnica między przypisaniem kluczowych zdarzeń dla poszczególnych kanałów.
Gdy różnice są niewielkie…
Jeśli różnice są niewielkie (rzędu kilku procent), atrybucja nie ma większego wpływu na ocenę skuteczności działań.
Nie jest to coś niespotykanego. Interakcje z danego kanału będą pełnić różne role na ścieżkach, ale efekty te mogą się wzajemnie znosić, np. gdy dany kanał równie często otwiera jak i zamyka ścieżkę, więc zarówno modele pierwszego kliknięcia, ostatniego kliknięcia, model liniowy i wiele innych modeli multi-touch mogą pokazać identyczny wynik.
Przykład: Załóżmy, że dla naszej strony występują tylko dwie ścieżki, z których każda generuje tyle samo kluczowych zdarzeń (dawniej: konwersji): po 4 kluczowe zdarzenia (łącznie 8 kluczowych zdarzeń).
Oto jak będzie wyglądała atrybucja dla poszczególnych modeli:
Ostatnie kliknięcie
| Ścieżka | Organic Search | Cross- network | Łącznie |
|---|---|---|---|
| Organic Search > Cross-network | 0 | 4 | 4 |
| Cross-network > Organic Search | 4 | 0 | 4 |
| Łącznie | 4 | 4 | 8 |
Pierwsze kliknięcie
| Ścieżka | Organic Search | Cross- network | Łącznie |
|---|---|---|---|
| Organic Search > Cross-network | 4 | 0 | 4 |
| Cross-network > Organic Search | 0 | 4 | 4 |
| Łącznie | 4 | 4 | 8 |
Model liniowy
| Ścieżka | Organic Search | Cross- network | Łącznie |
|---|---|---|---|
| Organic Search > Cross-network | 2 | 2 | 4 |
| Cross-network > Organic Search | 2 | 2 | 4 |
| Łącznie | 4 | 4 | 8 |
Model uwzględnienia pozycji
| Ścieżka | Organic Search | Cross- network | Łącznie |
|---|---|---|---|
| Organic Search > Cross-network | 2 | 2 | 4 |
| Cross-network > Organic Search | 2 | 2 | 4 |
| Łącznie | 4 | 4 | 8 |
Model rozkładu czasowego*
| Ścieżka | Organic Search | Cross- network | Łącznie |
|---|---|---|---|
| Organic Search > Cross-network | 1 | 3 | 4 |
| Cross-network > Organic Search | 3 | 1 | 4 |
| Łącznie | 4 | 4 | 8 |
*) zakładając, że obie ścieżki są symetryczne w czasie
Jak widać, w każdym z tych modeli mamy dokładnie taki sam wynik dla każdego kanału: 4 kluczowe zdarzenia. Zob. też. artykuł – wprowadzenie do modelowania atrybucji.
W takich sytuacjach należy spróbować zmienić analizowane wymiary na kampanię, źródło / medium czy też inną, własną grupę kanałów lub posegmentować ruch wykorzystując wymiar dodatkowy bądź filtry. Niewykluczone, że wtedy pojawią się różnice. Pamiętajmy jednak, by szukać różnic istotnych zarówno pod względem procentowym (2-3% to nieistotna zmiana) oraz posiadających odpowiedni wolumen, by móc z tego wyciągać statystycznie istotne wnioski.
W przykładzie z konta demo (Google Merch Shop) w zasadzie nie widać nic ciekawego. Porównywane są tam modele ostatnie kliknięcie kanałów płatnych i bezpłatnych oraz ostatnie kliknięcie kanałów płatnych. Widzimy kilkuprocentowe przejęcie przez Cross-network (czyt. Performance Max) atrybucji z pozostałych kanałów (głównie z Organic search). Wiele to nie wnosi – prawdopodobnie część użytkowników, którzy przyszli z kampanii Performance Max wraca na stronę wyszukując nazwy sklepu w Google i klika link w bezpłatnych wynikach wyszukiwania. Zastanawiać może różnica między zmianą liczby kluczowych zdarzeń i przychodu dla kanału Cross-network: 5,29% vs. 32,06%.
Niewykluczone, że jest to dziełem przypadku i za tę anomalię odpowiada jedna duża transakcja, ale może to też być wynik jakiegoś błędu w konfiguracji (konto demo jest dalekie od ideału).
Istotne różnice
Zobaczmy teraz, jakie wnioski można wyciągnąć z istotnych różnic w atrybucji. Ponownie mamy tu porównanie modeli ostatnie kliknięcie kanałów płatnych i bezpłatnych oraz ostatnie kliknięcie kanałów płatnych.
Ten pierwszy raport będzie najbliższy** wartościom kluczowych zdarzeń raportowanych w standardowych raportach ruchu (session source), ten drugi powinien być zbliżony*** do raportów Google Ads.
**) różnice będą wynikać ze stosowania innych wymiarów: session source w raporcie pozyskania vs. source w porównaniu modeli. Więcej na ten temat w artykule o atrybucji w Google Analytics.
***) Google Ads może stosować inny model atrybucji oraz inne modelowanie danych.
To, co rzuca się w oczy, to bardzo silny wzrost znaczenia kanału Google Ads Non-Brand, głównie kosztem Affiliate oraz Big Direct (o Big Direct przeczytasz m.in. w artykule o grupach kanałów).
Widać więc, że ścieżki reklam Google i Affilate się pokrywają i prawie połowa (48,7%) kluczowych zdarzeń z Affiliate ma wcześniej na ścieżce wizytę z Google Ads. Faktyczne nachodzenie tych kanałów prawdopodobnie jest większe (zestawienie to obejmuje tylko kluczowe zdarzenia z Affiliate w modelu ostatniego kliknięcia, a przecież kanał ten prawdopodobnie występuje też wcześniej na ścieżkach.
Wniosek o wzajemnym nachodzeniu na siebie tych kanałów może być początkiem dyskusji, czy w tym przypadku mamy do czynienia ze wzajemnym wspomaganiem, czy kanibalizacją.
Bardzo ciekawy jest prawie trzykrotny wzrost kanału Google Ads Non-brand (zob. artykuł o grupach kanałów). Wiele wskazuje na to, że po kliknięciu w reklamę Google użytkownicy wracają na stronę bezpośrednio bądź wyszukując ją w Google i klikając link organiczny lub naszą reklamę. Oznacza to, że faktycznie skuteczność reklam w Google jest wyższa, niż wynika ze standardowych raportów w modelu ostatniego kliknięcia. Może to też tłumaczyć znaczne rozbieżności między danymi Google Ads i Analytics.
Jeśli dotychczasowe decyzje o inwestycji w reklamę w Google były podejmowane na podstawie danych z Analytics, być może należałoby zrewidować ocenę skuteczności w Google Ads i zwiększyć inwestycję w ten kanał, gdyż jest on bardziej opłacalny, niż to się wcześniej wydawało.
W dalszych artykułach o modelowaniu atrybucji znajdziesz więcej przykładów wykorzystania porównań modeli.
Kolejny artykuł (cz. 7): Modele single-touch
Warto przeczytać: Przewodnik po atrybucji w Google Analytics
