W dobie rosnącej liczby kanałów komunikacji i punktów kontaktu z marką, właściwa identyfikacja wagi i wpływu każdego z nich nabiera coraz większego znaczenia. Poprawna odpowiedź na pytanie: w jakim stopniu wykorzystanie danego komunikatu i kanału wpłynęło na realizację celu jest kluczowa dla optymalizacji działań i maksymalizowania zwrotu z zainwestowanego budżetu marketingowego. Problem jest tyleż ważny, co trudny. Z pomocą przychodzi jednak modelowanie atrybucyjne i metody data science.
Czym jest modelowanie atrybucyjne?
Modelowanie atrybucyjne to proces budowy modelu służącego do przydzielania wartości każdemu z punktów kontaktu (touchpointów) na ścieżce konwersji klienta. Ma na celu zrozumienie, które kanały marketingowe i działania przyczyniają się do osiągnięcia celów biznesowych, takich jak np. sprzedaż, pozyskanie nowego klienta, aktywizacja klientów uśpionych, rekrutacja nowych uczestników programu lojalnościowego czy zwiększenie świadomości marki. Pod pojęciem modelu atrybucyjnego może kryć się wiele różnych konstruktów, od bardzo (zbyt) prostych do bardzo złożonych. Generalnie modele można podzielić na: jednopunktowe, wielopunktowe oparte o reguły i algorytmiczne modele wielopunktowe.
Modelowanie jednopunktowe
Modele jednopunktowe przydzielają całą wartość konwersji (czy szerzej osiągnięcia celu) tylko jednemu punktowi kontaktu. Typowe podejścia to pierwsze kliknięcie (first-click) lub ostatnie kliknięcie (last-click). Są to uproszczone modele. Nie uwzględniają całej ścieżki konwersji klienta. Nie uwzględniają interakcji między różnymi punktami kontaktu oraz kontekstu w jakim się on odbywa. Ich zaletą jest prostota i łatwość zastosowania. W złożonym świecie dzisiejszego marketingu są jednak zbyt proste aby wiarygodnie odzwierciedlać rzeczywistość.
Modele wielopunktowe oparte o reguły
Modele wielopunktowe rozdzielają wartość pomiędzy różne punkty kontaktu na ścieżce klienta. Przy czym dzielą się one na oparte o reguły i modele algorytmiczne. Te pierwsze przypisują wartość poszczególnym kontaktom w oparciu o predefiniowane reguły. Przykładowo:
- model liniowy – przydziela jednakową wartość każdemu punktowi kontaktu, z jakim zetknął się konsument na swojej ścieżce do konwersji;
- model U-kształtny – przydziela największą wartość pierwszemu i ostatniemu punktowi kontaktu, punkty pośrednie mają w tym modelu mniejsze (choć niezerowe) znaczenie;
- model oparty o czas konwersji – przydziela tym większą wartość im punkt był bliżej momentowi konwersji. W tym modelu największa waga przypisywana jest do ostatniego kontaktu bezpośrednio poprzedzającego konwersję.
Zaletą modeli opartych o reguły jest ich klarowność i względna prostota. Także to, że nie pomijają żadnych punktów kontaktu na ścieżce prowadzącej do konwersji. Ich wagi nadawane są jednak w oparciu o arbitralnie dobrane reguły. Dla każdej z nich można znaleźć uzasadnienie. Nie sposób jednak stwierdzić, która z nich jest najlepsza. Podobnie jak w przypadku modeli jednopunktowych ich wadą jest również to, że nie uwzględniają interakcji pomiędzy różnymi punktami styku i nie biorą pod uwagę kontekstu.
Algorytmiczne modele wielopunktowe
Modele algorytmiczne podobnie jak modele oparte o reguły przypisują wagę każdemu punktowi kontaktu na ścieżce klienta. Jednak zamiast arbitralnych reguł wykorzystują do określenia tych wag zaawansowane metody statystyczne. Zamiast więc przyjmować predefiniowane reguły, modele te „uczą się reguł” na podstawie rzeczywistych danych (przy pomocy metod uczenia maszynowego). Modele takie uwzględniają kolejność punktów kontaktu i interakcje pomiędzy nimi. Przykładowo wpływ emaila na konwersję może być większy, gdy był on poprzedzony wyświetleniem banera. Uwzględniają także kontekst np. porę roku, pogodę, aktywność medialną konkurencji, ceny. Mogą działać na bardzo szczegółowym poziomie np. rozróżniać wpływ poszczególnych wariantów kreacji bądź miejsca i czasu ich wyświetlenia.
Trudno nie zgodzić się ze stwierdzeniem, że dziś to właśnie tego typu modele są „złotym standardem”. Tylko one pozwalają uwzględnić całą złożoność ścieżek kontaktu konsumenta z marką. Za dokładnością i korzyściami płynącymi z modeli algorytmicznych idą jednak związane z nimi wyzwania. W szczególności co do ilości, jakości i zakresu danych oraz kompetencji analitycznych niezbędnych do ich stworzenia. Ich wadą jest też ograniczona transparentność wynikająca ze złożoności reguł jakie rządzą rzeczywistością i są identyfikowane przez model. Modele algorytmiczne pozwalają jednak na zaawansowana symulację (what if?) różnych scenariuszy np. co jeśli zrezygnowalibyśmy zupełnie z kanału A? co jeśli ograniczylibyśmy budżet na kanał B? co jeśli zamienilibyśmy kolejność komunikatów w sekwencji? To z kolei pozwala na optymalizację budżetu i działań. Inwestycja w tego typu model może się więc z nawiązką zwrócić.
Podsumowanie
Marketingowe modele atrybucyjne przeszły długą ewolucję od prostych jednopunktowych, do wielopunktowych opartych o złożone algorytmy uczenia maszynowego i metody statystyczne (m.in. oparte o głębokie sztuczne sieci neuronowe). Jest to przy tym wciąż obszar intensywnych badań i eksperymentów zarówno w środowisku naukowym, jak i wśród praktyków. Pomimo złożoności i wyzwań związanych z ich tworzeniem i zastosowaniem, są one coraz bardziej dostępne dzięki spadającym kosztom gromadzenia i przetwarzania danych. Wkraczamy więc w epokę, w której nie powinniśmy pytać „czy” warto je stosować, ale „jak” w sposób efektywny je budować i wykorzystywać.
