Modelowanie atrybucji w praktyce (cz. 3) Modele Last-Click i modele awaryjne
Google Analytics oferuje różnego rodzaju modele atrybucji. Są to modele oparte o ostatnią interakcję, pierwszą interakcję, modele: liniowy, uwzględnienie pozycji i rozkład czasowy. Tym, którzy z tymi terminami stykają się po raz pierwszy, polecamy sekcję pomocy Google Analytics dotyczącą modelowania atrybucji.
Modele oparte o ostatnie kliknięcie (last click) są najbliższe standardowemu raportowaniu Google Analytics oraz innych systemów śledzenia konwersji (np. Google AdWords czy Facebook Ads).
W modelach tych 100% udziału w konwersji przypisywane jest jednej interakcji (kliknięciu), które miało miejsce przed konwersją. Wcześniejsze interakcje są ignorowane. Modele te wyznaczają jednak pewne reguły, które powodują że to nie zawsze ostatnia interakcja, która miała miejsce przed konwersją.
W raportach Google Analytics, źródło ruchu i 100% udziału w konwersji nie są przypisywane bezwzględnie do ostatniej interakcji, ale do ostatniego wejścia niebezpośredniego. Jeśli więc widzimy wizytę z wyszukiwarki Bing, to może to być również wizyta bezpośrednia dokonana przez użytkownika, którego wcześniejsza wizyta na stronie miała miejsce z wyszukiwarki Bing.
Ruch wykazywany w Google Analytics jako ruch bezpośredni (direct / none) dotyczy wyłącznie użytkowników, którzy nie odwiedzali strony wcześniej (w okresie ostatnich 6 miesięcy) lub odwiedzali ją wcześniej wyłącznie przez wizyty bezpośrednie. Faktycznie wizyt bezpośrednich jest zazwyczaj znacznie więcej, ale są one przypisywane do wcześniejszych źródeł ruchu.
Dlatego analizując wyniki modelowania atrybucji w odniesieniu do standardowego raportowania Google Analytics, będziemy porównywać różne modele z modelem Ostatnie kliknięcie niebezpośrednie – zdefiniowanym systemowo w Google Analytics.
Z kolei system śledzenia konwersji w Google AdWords, przypisuje całość udziału w konwersji ostatniemu kliknięciu w reklamę AdWords. Wszystkie wcześniejsze interakcje są ignorowane, podobnie jak wszystkie późniejsze wizyty ze źródeł innych niż Google AdWords. W Google Analytics mamy zdefiniowany również model Ostatnie kliknięcie AdWords, co pozwala nam odwzorować działanie śledzenia konwersji AdWords w Google Analytics.
Ostatnie kliknięcie niebezpośrednie vs. Ostatnie kliknięcie AdWords
Porównując konwersje w modelu Ostatnie kliknięcie AdWords z modelem Ostatnie kliknięcie niebezpośrednie (czyli takim, jak w standardowych raportach Google Analytics) możemy zobaczyć, że różnica między konwersjami w Google Analytics, a tymi, które pokazuje panel AdWords jest wynikiem nadpisania źródeł ruchu dla tych konwersji, w których po kliknięciu reklamy AdWords, a przed dokonaniem przez użytkownika konwersji, miała miejsce przynajmniej jeszcze jedna wizyta tego użytkownika z innego źródła niebezpośredniego.
Istotnie, liczba konwersji w modelu Ostatnie kliknięcie AdWords przypisanych do płatnych wyników wyszukiwania uległa zwiększeniu o 27,27%. Uwagę zwraca jednak to, że liczba konwersji bezpośrednich wzrosła o ponad połowę, a we wszystkich pozostałych kanałach znacznie ubyło konwersji:
Wynika to z tego, że systemowy model Ostatnie kliknięcie AdWords przypisuje konwersje do ostatniego kliknięcia AdWords, a jeśli takiego nie było na danej ścieżce konwersji – to konwersja jest przypisana do ostatniej interakcji, również jeśli jest to wizyta bezpośrednia. Dlatego porównywanie takiego modelu z modelem Ostatnie kliknięcie niebezpośrednie nie ma większego sensu w odniesieniu do innych kanałów niż płatne wyniki wyszukiwania.
Dodatkowe zasady dotyczące modelu awaryjnego
Za tą piękną nazwą (ang. additional rules for the fallback model) kryje się funkcja, która pozwoli nam tworzyć modele atrybucji, które będzie sens porównywać z modelem ostatniego kliknięcia niebezpośredniego. Oto jak wygląda definicja modelu Ostatnie kliknięcie AdWords:
Jeśli żadna interakcja na ścieżce nie spełni wymogów reguły (w tym przypadku, jeśli żadna interakcja nie będzie pochodziła z google / cpc), to konwersja zostanie przypisana do ostatniej interakcji.
Kliknięcie “Zmień” pozwala stworzyć zasady modelu awaryjnego. Przypisanie udziału w konwersji zadziała tak: Jeśli żadna interakcja na ścieżce nie spełni wymogów reguły podstawowej (tutaj: nie będzie pochodziła z AdWords), to konwersja zostanie przypisana do ostatniej interakcji która spełnia zasadę (regułę) modelu awaryjnego. W naszym przypadku chcemy, aby nie było to wejście bezpośrednie:
W ten sposób, dopiero jeśli żadne interakcje nie spełnią również zasady modelu awaryjnego (w tym przypadku: jeśli nie będzie żadnej interakcji nie będącej wejściem bezpośrednim), to wtedy udział w konwersji zostanie przypisany ostatniej interakcji niezależnie od tego, czym ona jest (w tym przypadku będzie to wejście bezpośrednie).
W ten sposób stworzyliśmy model Ostatnie kliknięcie AdWords (niebezpośrednie). Model ten wskaże taką samą liczbę konwersji przypisanych do płatnych wyników wyszukiwania jak model Ostatnie kliknięcie AdWords, ale jednocześnie zachowa zasadę nieprzypisywania konwersji do ruchu bezpośredniego, jeśli istnieje jakieś inne źródło na ścieżce. Dzięki temu liczba konwersji przypisanych do ruchu bezpośredniego będzie taka sama, jak w modelu Ostatnie kliknięcie niebezpośrednie:
Model awaryjny jest również dostępny dla modeli opartych o pierwsze kliknięcie. Wydaje się, że należy go stosować w zasadzie w każdym modelu modyfikującym zasady przypisania konwersji do ostatniego kliknięcia, gdyż przypisywanie udziału w konwersji wejściom bezpośrednim nie tylko nie dostarcza żadnych informacji na temat atrybucji poszczególnych działań marketingowych, ale wręcz zniekształca te dane.
Model awaryjny może zostać również zastosowany do modeli, które wyłączą z przypisywania udziału w konwersji innych interakcji (wyświetlenia reklam display i interakcji z reklamami rich-media) – uwzględnianie tych interakcji jest obecnie możliwe w Google Analytics 360 Suite (Premium).
Zobacz też: Jak działa model ostatniego kliknięcia niebezpośredniego
Zastosowanie modeli last-click
Modele oparte o ostatnie kliknięcie są najbliższe standardowemu modelowi raportowania Analytics (ostatnie kliknięcie niebezpośrednie). W podobny sposób udział w konwersji przypisywany jest również przez systemy śledzenia konwersji systemów reklamowych (AdWords, Bing, Facebook, Twitter, AdKontekst itd.), a także w programach partnerskich (afiliacyjnych) – do ostatniego kliknięcia, ale rzecz jasna tylko kliknięcia określonej reklamy lub w ramach programu afiliacyjnego. W ten sposób konwersja, która powstała po kliknięciu w link afiliacyjny, a następnie w reklamę AdWords i na Facebooku będzie przez każdy z tych systemów “uznawana za swoją”, a tymczasem konwersja jest tylko jedna. Łączna liczba konwersji raportowana przez te systemy reklamowe może okazać się większa, niż faktyczna liczba konwersji (którą powinniśmy widzieć w Google Analytics).
Dzięki porównaniu modeli ostatniego kliknięcia reklamy (niebezpośredniego) z modelem ostatniego kliknięcia niebezpośredniego możemy zweryfikować liczbę konwersji dostarczanych przez poszczególne źródła, a także ocenić skalę kanibalizacji jednego źródła przez drugie.
Przykładowo, w raporcie powyżej widzimy, że płatne wyniki wyszukiwania przypisują sobie o 28,74% więcej konwersji niż w modelu ostatniego kliknięcia niebezpośredniego (stąd różnica w konwersjach wskazywanych w AdWords i Analytics), przy czym odbywa się to kosztem wyłącznie bezpłatnych wyników wyszukiwania: 2,19% konwersji pochodzących z bezpłatnych wyników wyszukiwania to użytkownicy, którzy wcześniej kliknęli również reklamę AdWords.
Stworzenie modeli ostatniego kliknięcia Facebook Ads, ostatniego kliknięcia programu partnerskiego itp. pozwala też na uzgodnienie danych. Często spotykamy się z sytuacją, gdy dane z systemów raportujących konwersje są kwestionowane ze względu na rozbieżności, co podważa zaufanie do raportów. Dzięki odwzorowaniu w Google Analytics modeli atrybucji stosowanych przez te systemy, jesteśmy w stanie te rozbieżności wyjaśnić i wskazać, gdzie “zniknęły” konwersje.
Warto tu zaznaczyć, że różnice w konwersjach raportowanych przez systemy reklamowe i Google Analytics wynikają nie tylko z innych modeli atrybucji. Kolejną istotną różnicą jest to, że Google Analytics raportuje konwersje w momencie ich zajścia, a systemy reklamowe (np. AdWords) zazwyczaj przypisują konwersje do daty ostatniego kliknięcia przed konwersją (wstecz w czasie). Systemy mogą mieć również różne okna czasowe, w których konwersja jest przypisywana do interakcji. W narzędziach analizy atrybucji w Google Analytics dostępne są opcje modyfikacji okna czasowego, ale zagadnienie to nie będzie poruszane w tym artykule.
Zastosowanie modeli atrybucji do własnego grupowania kanałów
We wcześniejszym artykule przedstawiliśmy przykładowe grupowanie kanałów, którego fundamentem było połączenie ruchu bezpośredniego i wyszukiwań haseł związanych z marką. Jest to związane z założeniem, że ruchowi temu nie chcemy przypisywać udziału w konwersji, jeśli mamy zidentyfikowane inne źródła na ścieżce konwersji.
Idąc w tym kierunku możemy stworzyć modele, które nie będą przypisywać udziału w konwersji nie tylko wizytom bezpośrednimi, ale również pochodzącym z wyszukiwania słów związanych z marką. Poniżej przykład konfiguracji modelu Last Non-Direct Non-Brand Click:
W modelu tym konwersja będzie przypisana do ostatniej wizyty niebezpośredniej, nie będącej wizytą z płatnego wyszukiwania marki (w tym przypadku marką jest przykładowo “adequate”). W ten sposób można lepiej określić, które kanały faktycznie dostarczają klientów, a nie tylko ułatwiają osobom szukającym naszego sklepu dotarcie do niego.
Z modelem tym można porównywać zmodyfikowane modele przypisujące konwersje pewnemu kanałowi, np. Last AdWords Search Non-Brand (non-direct, non-brand) Click, który przypisze konwersje do ostatniego kliknięcia AdWords nie związanego z marką, a jeśli takiego kliknięcia nie będzie na ścieżce – do ostatniego kliknięcia nie będącego wejściem bezpośrednim ani wyszukiwaniem słowa związanego z marką (chyba, że tylko takie interakcje były na ścieżce – jeśli żadna interakcja nie spełnia warunków określonych w modelu, to konwersja przypisywana jest do ostatniej interakcji).
Tutaj niezbędne będzie zastosowanie modelu awaryjnego, aby uniknąć przypisywania konwersji do wejść bezpośrednich i wyszukiwań marki.
Porównanie modeli atrybucji
Istotą analizy modelowania atrybucji jest porównywanie modeli i badanie, na ile dany kanał zmienia swoją wartość z zależności od zastosowanego modelu. Poniższe porównanie Last Non-Direct Non-Brand Click z modelem Ostatnie kliknięcie niebezpośrednie pokazuje, na ile poszczególne kanały zmienią wartość w stosunku do standardowych raportów Google Analytics:
Procentowa zmiana wpływu kanału na konwersję wskazywana jest w ostatniej kolumnie tabeli. Jeśli zmiana ta jest większa niż 10%, strzałka przy liczbie ma kolor czerwony lub zielony w zależności od kierunku zmiany. Jak widać, znaczenie większości kanałów (poza remarketingiem – o czym za chwilę) wzrosło. Widzimy na przykład, że kanał AdWords Search Non-Brand (płatne wyniki wyszukiwania nie związane z marką) dostarczył o 14,23% więcej konwersji, jeśli pominąć udział wyszukiwań związanych z marką.
Możemy też porównać, na ile śledzenie konwersji w Google AdWords (oparte o model Ostatnie kliknięcie AdWords) zmieniłoby udział w konwersjach gdyby pominąć słowa związane z marką i całość konwersji przypisać wyszukiwaniu słów kluczowych nie związanych z marką (Last AdWords Search Non-Brand (non-direct, non-brand) Click):
Widać więc, że słowa związane z marką “zabierają” konwersje pozostałym słowom i gdyby efekt ten pominąć, udział tych słów w konwersji byłby większy o 16,66%. Aby dokładniej przeanalizować, na ile przy tym podejściu zmienia się wpływ poszczególnych kampanii, możemy zmienić wymiar porównania na Kampanie AdWords. Widzimy, że udział w konwersji straciły kampanie związane z marką (Brand) oraz remarketingowe (zaznaczono kolorem).
Spadek udziału remarketingu wynika z tego, że w modelu Last AdWords Search Non-Brand (non-direct, non-brand) Click przypisujemy udział w konwersji tylko kampaniom w wyszukiwarce, skutkiem czego kampanie display (w tym remarketing) będą traciły udział w konwersjach.
Wykluczenie remarketingu w tym przypadku wydaje się uzasadnione (o czym jeszcze za chwilę). Ponieważ reklamodawca w omawianym przykładzie nie prowadzi działań display AdWords poza remarketingiem, więc zastosowanie tego modelu “nie krzywdzi” kampanii display nie będących remarketingiem. W przeciwnym wypadku, lepiej byłoby stworzyć model, który przypisuje również konwersje reklamom display (ewentualnie z wyłączeniem remarketingu).
W kampaniach w wyszukiwarce nie związanych z marką (Kampania A…G) widzimy wzrost udziału w konwersji od kilku do prawie 40%. Różnice wskazują, że w poszczególnych kampaniach należałoby dokonać różnych modyfikacji stawek:
Analizując kampanie AdWords możemy zejść do poziomu słowa kluczowego i zidentyfikować różnice w odniesieniu do poszczególnych słów kluczowych:
Jeżeli dane słowo kluczowe występuje w kilku kampaniach, wtedy należy zastosować dodatkowy wymiar kampanii, bo może okazać się, że dane słowo kluczowe (np. zaznaczone kolorem [Słowo kluczowe 1]) będzie miało znacznie inne zmiany w konwersjach dla różnych modeli w poszczególnych kampaniach:
Okazuje się więc, że jeśli pominiemy wpływ wyszukiwań związanych z marką, udział pozostałych słów kluczowych w konwersjach rośnie. Oznacza to, że faktyczna rentowność tych słów jest większa, niż wykazuje standardowe raportowanie – zarówno w Google Analytics jak i w AdWords.
W konsekwencji jest niewykluczone, że istnieje przestrzeń do zwiększenia nacisku na te słowa kluczowe i podniesienie stawek – tym bardziej, im większe różnice w udziale w konwersjach występują przy porównaniu modeli atrybucji. Nasze kampanie są najprawdopodobniej zbyt konserwatywne, a zwiększenie wydatków na słowa nie związane z marką może pozwolić na wzrost sprzedaży przy utrzymaniu właściwej rentowności kampanii.
Co poza wykluczeniem haseł związanych z marką?
W opisywanych wyżej przykładach stworzyliśmy model, który wykluczał udział wyszukiwań związanych z marką z udziału w konwersji. Osoba, która wchodzi na naszą stronę bezpośrednio lub szuka naszej marki, w momencie tej interakcji ma intencję odwiedzenia naszej strony. Interakcja ta nie stanowi de facto żadnego działania marketingowego.
Jeżeli tylko nie popełniono kardynalnych błędów w optymalizacji strony pod kątem wyszukiwarek (SEO), to nasza strona powinna wyświetlać się jako pierwsza w bezpłatnych wynikach wyszukiwania naszej własnej marki. Płatne kampanie w wyszukiwarce na słowa związane z marką mają zazwyczaj znacznie niższy koszt konwersji, który należy raczej traktować jako obronę marki (minimalizacja wpływu ewentualnych reklam konkurencji wyświetlanych na te słowa). Wydatków na te słowa nie należy łączyć z budżetem marketingowym związanym z pozyskiwaniem nowych klientów, stąd wyłączenie ich udziału w konwersji pozwoli lepiej oceniać rentowność pozostałych działań.
W omawianym wyżej przykładzie wyłączyliśmy z udziału konwersji kampanie display. Ponieważ w tym przypadku były to tylko kampanie remarketingowe, uznaliśmy, że jest to pożądane. Dlaczego? Remarketing jest co prawda działaniem zwiększającym konwersje, a jego skuteczność, jeśli nie popełni się błędów, jest zazwyczaj bardzo wysoka. Niemniej, trzeba pamiętać że bez pozostałych działań marketingowych, pierwotnie doprowadzających użytkowników na stronę, kanał ten nie miałby racji bytu. Podobnie jak w przypadku płatnych kampanii na słowa związane z marką, budżet ten można traktować oddzielnie od budżetu przeznaczonego na pozyskiwanie nowych klientów. Wyłączenie kampanii remarketingowych z udziału w konwersji (nie tylko remarketingu AdWords) pozwoli na jeszcze lepszą ocenę kosztów pozyskiwania klientów.
Jeżeli w naszych źródłach ruchu istotną część stanowią mailingi skierowane do zarejestrowanych użytkowników (czyli osób, które wcześniej już odwiedziły stronę i pozostawiły swój adres e-mail w celach marketingowych), to można również rozważyć stworzenie modelu, w którym także ten ruch zostanie wykluczony z udziału w konwersji – z tego samego powodu, z którego wykluczyliśmy remarketing. W przypadku niektórych działań marketing automation będziemy mieli do czynienia de facto z remarketingiem, na przykład jeśli e-mail będzie wysyłany do użytkownika po porzuceniu koszyka zakupowego. Jest to tym bardziej uzasadnione, że nie są to działania płatne (ponoszone koszty są zazwyczaj pomijalne w porównaniu z kosztami kampanii płatnymi za kliknięcie).
Podsumowując, aby lepiej określić opłacalność i przypisać konwersje do źródeł ruchu związanych z faktycznym pozyskiwaniem klientów, należy rozważyć stworzenie modeli które, poza ruchem bezpośrednim, odbiorą udział w konwersjach również:
- płatnym wynikom wyszukiwania słów związanych z marką (przy jednoczesnym zaliczeniu bezpłatnych wyników wyszukiwania tych słów do ruchu bezpośredniego)
- wszystkim działaniom remarketingowym
- wysyłce wiadomości e-mail, SMS itd. skierowanej do użytkowników z własnej bazy danych
Dzięki takim porównaniom, otrzymujemy więcej informacji na temat tego, które źródła zamykają proces akwizycji klienta i jaka jest ich opłacalność:
Opisane wyżej przykłady rzecz jasna nie wyczerpują wszystkich możliwości tworzenia modeli, które pozwolą lepiej zrozumieć udział poszczególnych kanałów w konwersjach. Do tematyki tej będziemy wracać w kolejnych artykułach.
Kolejny artykuł z tego cyklu:
Modelowanie atrybucji w praktyce (cz. 4) Modele uwzględniające wspomaganie
Wcześniejsze artykuły:
Modelowanie atrybucji w praktyce (cz. 1) Wprowadzenie
Modelowanie atrybucji w praktyce (cz. 2) Grupowanie kanałów
Zobacz też:
Modelowanie atrybucji w praktyce (cz. 3½) Ostatnie kliknięcie niebezpośrednie
Zainteresowanych doradztwem w zakresie modelowania atrybucji zapraszamy do kontaktu z nami.
Witold Wrodarczyk
Dziękujemy! Wkrótce kolejne artykuły z tego cyklu.
Marcin
Zastanawia mnie jedna rzecz. Jaki jest sens promować i wykorzystywać funkcjonalności Google, które nie działają prawidłowo? Google samo przyznało, że atrybucje w darmowym Analyticsie nie działają dobrze i sami z nich nie korzystają
Witold Wrodarczyk
@disqus_0R0VLUoKSz:disqus – co konkretnie nie działa? Chętnie też zobaczyłbym źródło informacji, że Google nie zaleca GA… Mimo zdarzających się błędów, Google Analytics jest generalnie bardzo dobrym narzędziem. Jest oczywiście kwestia próbkowania danych w przypadku stron o bardzo dużym ruchu (którą też można ominąć). To wszystko jednak nie neguje sensu używania GA.
Marcin
Phi. Ale czy ja napisałem, że Google nie zaleca swojego narzędzia? o.O Również uważam, że jest bardzo dobrym narzędziem, jednak nie musimy ślepo bazować na wszystkim co tam jest. Po co marnować czas na analizę i wydawać pieniądze, na funkcje które nie działają dobrze i mogą wprowadzić w błąd. Napisałem, że modelowanie atrybucji nie działa dobrze w darmowym Google Analyticsie. O tym fakcie najpierw wspomniał jeden z zagranicznych pracowników Google podczas jednej prezentacji/konferencji (teraz nie wiem kto to był i na jakim wydarzeniu) oraz uczulał na to jeden z oficjalnych trenerów Google na szkoleniach organizowanych przez Google w ramach Akademii. Funkcjonalność atrybucji, wspomaganych konwersji … nie działa prawidłowo w darmowym Analyticsie, tak powiedziały osoby związane z Googlem.
Witold Wrodarczyk
Mogę się odnieść do konkretów. Google Analytics nie jest wolny od błędów, m. in. o jednym z nich wspominamy w artykule: adequate.digital/web-analytics/modelowanie-atrybucji-praktyce-cz-5-okna-konwersji (fragment tekstu na czerwono). Tyle, że Google pracuje nad ich usunięciem. Dziś błędy są, jutro ich nie będzie. Trudno mi jednak komentować enigmatyczne pogłoski i pozwolę się nie zgodzić z tezą, że błędy w module ścieżek wielokanałowych podważają przydatność narzędzi modelowania atrybucji. Analiza atrybucji pomogła wielu naszym klientom w konkretnych decyzjach biznesowych i dała konkretne dochody.
Witold Wrodarczyk
Dziękuję również!