Ebben a bejegyzésemben az eltérő hozzárendelési szabályok alapján definiált, különböző attribúciós modelleket és a megfelelő használatukat mutatom be érthető példákon keresztül.

Egyszerűen megfogalmazva tehát, a digitális marketingcsatornák összehasonlítása ezen hozzárendelési modellek segítségével jól megmutatja egy adott forrás szerepét a konverziós folyamat egy adott szakaszában (legelső látogatás, konverziót megelőző látogatások, konvertálódó látogatás).

A többcsatornás útvonalak jelentésről és használatáról bővebben itt olvashattok.

Modell-összehasonlító eszköz

A Google Analytics Konverziók jelentésben található modell-összehasonlító eszközben (Model Comparison Tool), az alkalmazható különféle attribúciós modellek határozzák meg a konverziók számának és azok értékeinek a konverziós útvonalak különböző érintkezési pontjaihoz (a konverziós útvonalban résztvevő egy-egy látogatás) való hozzárendelését, ezáltal komoly segítséget adva nekünk az eltérő dinamikával rendelkező digitális marketingcsatornák (pl.: megcímkézett online hirdetési kampányok) megismeréséhez és alapos elemzéséhez.

A bal felső sarokban található Konverzió lenyíló menüben ki tudjuk választani, hogy melyik előre beállított mikro és makro konverziók értékei szerepeljenek a jelentésben.

Előre definiált, különféle attribúciós (hozzárendelési) modellek

1. Utolsó Interakció (Last Interaction)

Ezt a modellt használva közvetlenül a legutolsó érintkezési ponthoz, azaz a legutolsó forráshoz/csatornához történik a konverziók teljes értékének a hozzárendelése.

Ezt a modellt csak komoly fenntartásokkal érdemes használni (például konverzió fókuszú kampányok elemzésekor), és mindig tartsuk észben, hogy ez a modell teljesen mellőzi a segítő interakciók eredményeit, így használatával komolyabban is torzulhat a marketingcsatornáról/forrásról alkotott valós kép.

 2. Legutóbbi, nem közvetlen kattintás (Last Non-Direct Click)  

Ezt a modellt használva a teljes konverziós értéket a legutóbbi csatornához/forráshoz rendeli a rendszer. Az előzőhöz képest annyi kiegészítéssel, hogy ebben a modellben az összes közvetlen forgalom szűrésre kerül, tehát a közvetlen csatornához tartozó konverziók az azokat közvetlenül megelőző, más típusú csatornákhoz/forrásokhoz lesznek hozzárendelve.

Az Analytics standard jelentései alapértelmezetten ezt a hozzárendelési modellt használják (kivéve a többútvonalas csatornák jelentéseit), tehát érdemes a különféle modellek összehasonlításakor alapértelmezett modellként használni.

Használatára azonban (és gyakorlatilag az összes Google Analytics riport használatára) igaz az Utolsó interakció hozzárendelési modellnél már leírt állításom, vagyis az itt megjelent adatokat fenntartásokkal kezeljük és csak ez alapján nem érdemes messzemenő következtetéseket levonnunk. Ugyanis ennél a modellnél szintén nem számolunk a segítő konverziók hozzáadott értékével, ami hosszú távon több hibás döntés forrása lehet. Gondolok itt arra, hogy kizárólag erre támaszkodva könnyűszerrel kizárhatunk (amúgy hozzáadott érték szempontjából fontos) fizetett látogatói forrásokat.

3. Utolsó AdWords-kattintás (Last AdWords Click)

Ezt a modellt használva a teljes konverziós értéket a legutolsó Adwords kattintáshoz (fizetett keresési csatorna) rendeli a rendszer. Az itt használt mérési logika gyakorlatilag megegyezik az Adwords konverziókövetés működésével, persze az értékek (a beállított konverziós ablak hosszától függően) eltérőek lehetnek. A használatával egyszerű képet kaphatunk az Adwords-höz köthető konverziók számáról és jövedelmezőségéről egyaránt, azonban ez nem adja vissza az Adwords csatorna valós dinamikáját, érdemes tehát ezt is fenntartásokkal kezelnünk.

4. Első interakció (First Interaction)

Ezt a modellt használva közvetlenül a legelső érintkezési ponthoz, azaz a konverziós útvonalat megkezdő legelső csatornához/forráshoz rendeli a rendszer a teljes konverziós értéket.

Érdemes a brand kampányok mélyebb megértésére és elemzésére használni ezt a hozzárendelési modellt, azonban értelemszerűen ez is csak egy további perspektívát ad az elemzésünkhöz, így érdemes ezt is ennek megfelelően kezelni.

 5. Lineáris (Linear)

Ezt a modellt használva a rendszer a konverziós útvonal teljes hosszán, egyenlő arányban rendeli hozzá a konverziós értékeket az érintkezési pontokhoz. Érintkezési pontoknak az adott konverziós útvonal, egy-egy meghatározott forrásból érkező (csatornához köthető) látogatását nevezzük.

Tehát ez a modell feltételezi, hogy minden egyes látogatás (interakció) egyaránt fontos és egyenlő értékkel bír számunkra. Véleményem szerint érdemes az összehasonlításban megvizsgálni ezt az elképzelést is.

6. Időkésleltetés (Időbomlás – Time Decay)

Ezt a modellt használva a rendszer a konverziót közvetlenül kiváltó forrástól távolodva arányosan egyre kisebb konverziós értéket rendel hozzá az egyes érintkezési pontokhoz.

Szerintem ez nagyban függ az iparágtól és a vásárlási szokásoktól is, de alapvetően egy jó kiindulási modellnek tekintem, ugyanis számomra szimpatikus az alapkoncepció, miszerint a konverzióhoz legközelebbi látogatások kapják a konverziós érték legnagyobb részét.

Alapértelmezettként a konverziót 7 nappal megelőző érintkezési ponthoz a konverziós érték felét, míg a konverziót 14 nappal megelőző érintkezési ponthoz a konverziós érték negyedét rendeli hozzá a rendszer. Külön szimpatikus, hogy ez az időtartomány a vásárlási szokásoknak megfelelően szabadon változtatható. A időtartomány minél pontosabb meghatározásához érdemes segítségül hívni a Többútvonalas csatornák – Útvonal hossza jelentését.

7. Pozícióalapú (Position Based)

Ezt a modellt használva a konverziós érték 40%-át az első és 40%-át az utolsó érintkezési (interakciós) pont kapja. A konverziós érték fennmaradó 20%-át a közbülső érintkezési pontokhoz egyenletesen rendeli hozzá a rendszer.

Amikor egyéni hozzárendelési modellt készítek legtöbbször ezt használom kiindulási alapmodellként, mivel ennél gyakorlatilag szabadon hozzáadhatóak az egyéni hozzárendelési szabályok a fontosabb interakciós pontok között.

8. Egyéni modell (Custom Model)

Az előre definiált alapmodellek mellett lehetőségünk van általunk meghatározott szabályok használatával egyéni modelleket is létrehozni. Mindenkinek ajánlom, hogy alaposan vizsgálja meg a marketingcsatornáit/forrásait az alapmodellek használatával, aminek köszönhetően jól láthatóvá válik a konverziós útvonal különböző szakaszaiban elhelyezkedő érintkezési pontok szerepe a konverziós folyamatban, és ennek a sajátos dinamikának megfelelően érdemes egyéni modellben összegyúrni a megszerzett addicionális információkat.

Az egyéni modellek létrehozásakor először ki kell választanunk egyet az előbbiekben ismeretett alapmodellek közül, amely meghatározza, hogy az egyéni hozzárendelési szabályok alkalmazását megelőzően milyen szabály szerint ossza fel a rendszer a konverziós értéket a konverziós útvonal érintkezési pontjai között.

Példa egy pozícióalapú egyéni modellre, amit sűrűn használok a gyakorlatban:

• Első interakció: 20%
• Közbülső interakciók: 20%
• Utolsó interakció: 60%

A jelentésben használt visszatekintési időtartamot minden esetben az átlag konverziós ciklus hossza határozza meg, alapesetben a 30 nap megfelelő kiindulási pont lehet, de hosszabb konverziós ciklusú B2B szolgáltatás esetében ezt érdemes akár jelentősen megemelni, például akár 60-90 napra.

A Jóváírás felhasználói elköteleződés alapján pontnál a legördülő menüből érdemes az oldalmélység opciót választani, mivel az oldallátogatások száma az Analytics számára pontosabban követhető, mint az oldalon töltött idő, mivel a visszafordulási és kilépési oldalakon nincs számolva az oldalon töltött idő.

Ezt követően lehetőségünk van egyéni jóváírási szabályok alkalmazására, melyek segítségével azonosíthatóak a konverziós útvonalak érintkezési pontjai a különböző jellemzők által (pozíció, interakciós pont típusa, forgalmi forrás típusa). Az azonosítani kívánt érintkezési pontok meghatározása után megadhatjuk a rendszernek, hogy ezekhez hányszoros konverziós értéket rendeljen hozzá az adott konverziós útvonal többi pontjához képest.

Gyakorlatilag megtehetjük, hogy minden visszafordulással végződő Adwords Display kampányhoz tartozó segítő interakciós lépéshez rendelt konverziós értéket 0,1-es szorzóval módosítsunk .

A gyakorlatban azonban legtöbbször csak egyszerűbb módosításokat használunk, mint például az általános és a brand kulcsszavakat, vagy a közvetlen forgalmat szoktuk negatívan vagy pozitívan súlyozni más forrásokhoz képest.

Záró gondolat

A mai többképernyős és többcsatornás világban létszükség egy internetes vállalkozás életében, hogy pontosan ismerje a termékeihez és szolgáltatásaihoz köthető internetes fogyasztási szokásokat. Ennek és a különböző online marketingcsatornák egymásra gyakorolt hatásának a megértésében pedig óriási segítséget nyújtanak a Google Analytics többcsatornás jelentései, de csak a megfelelő szakértelem ellenében.

Ezért úgy gondolom, hogy (szabadidőnk függvényében) mindenképpen érdemes a témával foglalkozni, benne elmélyedni és remélem, hogy a bejegyzés hasznos segítséget nyújt majd a mindennapi munkádban.

Sok sikert!