Porównanie modeli atrybucji – Modelowanie atrybucji (cz. 6)

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.

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, 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 artykule pomocy Analytics opisane jest jego działanie. Poniżej lista funkcji wartych dodatkowego komentarza.

1 – Wybór konwersji

Pierwszą czynnością, którą należy wykonać pracując z narzędziem porównania modeli, jest wybór konwersji lub zestawu konwersji, które chcemy modelować. Podstawową konwersją, którą w praktyce się analizuje, jest konwersja główna (purchase). Można też analizować inne konwersje (mikrokonwersje), np. dodanie do koszyka.

Wybierając kilka konwersji jednocześnie lub wszystkie, warto sobie zadać pytanie, jaka jest interpretacja tych danych? Głównym przeznaczeniem tej funkcji jest umożliwienie wybrania zestawu alternatywnych, pokrewnych konwersji, np. „zakup online” i „zakup offline” lub „lead strona kontakt”, „lead stopka” i „lead landing page”.

Jeśli masz zaznaczone wszystkie konwersje, 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 przypisywać konwersje, 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 konwersji), co może się przydać przy porównywaniu z raportami z systemów reklamowych, które zazwyczaj raportują w czasie interakcji. Więcej o czasie raportowania przczytasz w tym artykule.

6 – Filtry

W raporcie można dodać szerokie spektrum filtrów, np. tylko urządzenia mobilne czy wybrane kraje.

7 – Wynik porównania

Kolumna zmiany pokazuje, na ile obraz skuteczności kanałów różni się dla porównywanych modeli atrybucji – zarówno w wolumenie konwersji jak i w ich wartości.

Wnioski z raportu porównania modeli

Najważniejszy wnioskiem wypływającym z porównania modeli jest właśnie różnica między przypisaniem konwersji dla poszczególnych kanałów.

Gdy różnice są niewielkie…

Jeśli różnice są niewielkie (rzędu kilku procent), atrybucja nie ma większego wpływu na ocenę skuteczności działań.

Może się to często zdarzać, bo mawet jeśli na niektórych ścieżkach pewne interakcje z danego kanału pełnią inną rolę, to te efekty mogą się wzajemnie znosić (np. dany kanał równie często otwiera jak i zamyka ścieżkę, więc zarówno modele pierwszego kliknięcia, ostatniego kliknięcia, model liniowy i wiele innych modeli multi-touch pokażą identyczny wynik.

Przykład: Załóżmy, że dla naszej strony występują tylko dwie ścieżki, z których każda daje tyle samo konwersji, po 4 (łącznie 8 konwersji).

Oto jak będzie wyglądała atrybucja dla poszczególnych modeli:

Ostatnie kliknięcie

ŚcieżkaOrganic
Search
Cross-
network
Łącznie
Organic Search > Cross-network044
Cross-network > Organic Search 404
Łącznie448

Pierwsze kliknięcie

ŚcieżkaOrganic
Search
Cross-
network
Łącznie
Organic Search > Cross-network404
Cross-network > Organic Search 044
Łącznie448

Model liniowy

ŚcieżkaOrganic
Search
Cross-
network
Łącznie
Organic Search > Cross-network224
Cross-network > Organic Search 224
Łącznie448

Model uwzględnienia pozycji

ŚcieżkaOrganic
Search
Cross-
network
Łącznie
Organic Search > Cross-network224
Cross-network > Organic Search 224
Łącznie448

Model rozkładu czasowego*

ŚcieżkaOrganic
Search
Cross-
network
Łącznie
Organic Search > Cross-network134
Cross-network > Organic Search 314
Łącznie448

*) zakładając, że obie ścieżki są symetryczne w czasie

Jak widać, w każdym z tych modeli mamy dokładnie taki sam wynik dla każdego kanału: 4 konwersje.

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 tam nic ciekawego. Porównywane są tam modele ostatnie kliknięcie kanałów płatnych i bezpłatnych oraz ostatnie kliknięcie kanałów płatnych. Kilkuprocentowe przejęcie przez Cross-network (czyt. Performance Max) atrybucji z pozostałych kanałów (głównie z Organic search). Nie wnosi tu w zasadzie wiele nowego – prawdopodobnie część użytkowników wraca na stronę wyszukując nazwy sklepu w Google i klika link w bezpłatnych wynikach wyszukiwania. Zastanawiać może różnica między zmianą konwersji 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 (szewc bez butów chodzi, konto demo jest dalekie od wzorcowej konfiguracji).

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 konwersji 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.

modelowanie atrybucji: porównanie modeli ostatnie kliknięcie kanałów płatnych i bezpłatnych oraz ostatnie kliknięcie kanałów płatnych.

To, co rzuca się w oczy to bardzo silny wzrost znaczenia kanału Google Ads Non-Brand, głównie kosztem Afiliate 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%) konwersji z Affiliate wcześniej na ścieżce wizytę z Google Ads. Faktyczne nachodzenie tych kanałów prawdopodobnie jest większe (zestawienie to obejmuje tylko konwersje z Affiliate w modelu ostatniego kliknięcia, a przecież kanał ten prawdopodobnie występuje czasem też wcześniej na ścieżce.

Wniosek o wzajemnym nachodzenie 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

Autor

Data

Related posts