Conversion Attribution to pojęcie, które… trudno (jeszcze) dobrze przełożyć na język polski 🙂 Jedno jest pewne – jest nierozerwalnie związane z nowymi raportami ścieżek konwersji w Google Analytics, o których pisaliśmy w ostatnim poście (bardzo ciekawe i szczegółowe opisanie tych raportów możecie znaleźć na blogu Conversion.pl).
Conversion Attribution (dosł. 'atrybucja konwersji', choć może bardziej pasowałoby określenie 'przypisanie konwersji') to parametr, który próbuje odpowiedzieć na pytanie – w jaki sposób każda z wizyt pojedynczego użytkownika wpłynęła na jego decyzję o wykonaniu pożądanej akcji (np. złożeniu zamówienia, rejestracji w serwisie, subsykrypcji newslettera, itp.), a także jaką wartość z tego tytułu reprezentuje?
Rozważmy trzy przykładowe ścieżki wizyt, które doprowadziły do teoretycznego zakupu:
Przy zastosowaniu najprostszych narzędzi i bez możliwości analizowania ścieżek konwersji, z raportów Google Analytics w domyślnej implementacji wyczytalibyśmy, że:
- w scenariuszu A konwersję wygenerowało wejście z wyników organicznych,
- w scenariuszu B konwersję wygenerowało wejście z wyników organicznych (znowu, ponieważ przy naliczaniu konwersji ignorowane są wejścia bezpośrednie, jeżeli wcześniejsza wizyta pochodziła z oznaczonego źródła ruchu),
- w scenariuszu C konwersję wygenerowało wejście z banera (kampanii reklamowej).
Wyciąganie wniosków z tych informacji nie jest rozsądne, gdyż błędem byłyby chociażby twierdzenia, że:
- nie ma sensu prowadzić kampanii PPC, skoro nie wygenerowała żadnych konwersji (przecież w ścieżkach A i C pojawiają się wizyty z tego kanału!),
- najwłaściwsze jest prowadzenie działań SEO (choć w ścieżce B to nie była wizyta, podczas której użytkownik faktycznie złożył zamówienie!).
Wreszcie, wciąż nic nie wiemy o ścieżkach wizyt!
- Jak użytkownik trafił na naszą ofertę – od którego źródła ruchu rozpoczął kontakt ze stroną?
- W jaki sposób powracał na serwis (przez kanały typu pull czy push – czyli przypominaliśmy się z ofertą, czy to raczej internauta był stroną aktywnie poszukującą?)
- Jeżeli wracał przez wyszukiwarki, to czy szukał konsekwentnie tego samego produktu? A może znalazł nasz serwis przez przypadek, poszukując zupełnie innego produktu i usługi? Kiedy zapamiętał naszą markę lub nazwę produktu zaczynając jej używać w celach nawigacyjnych?
Można postawić bardzo wiele problemów analitycznych tego rodzaju. Wszystko zależy od ich znaczenia i faktycznej wartości biznesowej udzielonych odpowiedzi. Zanim jednak zagłębimy się w tego typu analizy, skoncentrujmy się na próbie oszacowania udziału poszczególnych wizyt w końcowej korzyści, jaką reprezentuje każda mierzona akcja.
Modele przypisywania wartości konwersji do wizyt
Ogólnie rzecz ujmując, modele przypisywania wartości do poszczególnych wizyt wchodzących w ścieżkę prowadzącą do konwersji, można podzielić na:
- jednowymiarowe – czyli takie, gdzie cała wartość konwersji (np. zysk z zamówienia) jest przypisana do jednej konkretnej wizyty
- ’first-click' – model bazujący na założeniu, że do decyzji zakupu przyczynia się wyłącznie pierwsza wizyta w serwisie; wszelkie kolejne nie mają żadnego znaczenia – internauta powraca jedynie w celach nawigacyjnych, by złożyć zamówienie;
- ’last-click' – całkowite przeciwieństwo modelu opisanego powyżej – bazuje na założeniu, że decyzję zakupu internauta podejmuje wyłącznie w ciągu ostatniej wizyty; wszystkie wcześniejsze doświadczenia ze stroną nie są istotne; model ten jest najmocniej zbliżony do wyników prezentowanych w podstawowej implementacji Google Analytics; z naszego doświadczenia wynika, że jest on najbardziej właściwy tylko przy wszelkich decyzjach podejmowanych spontanicznie, gdy wcześniejsze wizyty użytkownika w serwisie lub znajomość marki mają marginalny charakter;
- wielowymiarowe – wartość konwersji jest rozdzielana pomiędzy dwie lub więcej (a nawet wszystkie) wizyty użytkownika – są to warianty bardziej złożone i w zdecydowanej większości przypadków również bardziej zbliżone w swoich założeniach do przebiegu realnych procesów decyzyjnych; możemy podzielić je na:
- proporcjonalne – określające równy (proporcjonalny) udział każdej wizyty użytkownika; jeżeli zatem internauta dokonał zakupu produktu po 5 wizytach w serwisie, według założeń tego modelu, każda wizyta odpowiadała w 1/5 (20%) za końcowy efekt;
- ważone – określające indywidualne znaczenie każdej wizyty ze względu na czynniki takie jak:
- kolejność wizyt – wizyty wcześniejsze mają większe znaczenie od wizyt ostatnich w ścieżce konwersji (lub na odwrót); wizyty środkowe mają najmniejsze (lub żadne) znaczenie; brane pod uwagę są wyłącznie wizyty skrajne (pierwsze i ostatnie);
- czas pomiędzy wizytami – wizyty bardziej rozłożone w czasie mają większe znaczenie (internauta zapomina o ofercie lub produkcie);
- charakter wizyty – np. jej źródło (sekwencja wizyt z tego samego źródła ma mniejsze znaczenie), czas trwania, ilość odsłon (ignorujemy wizyty jednoodsłonowe);
- inne – dowolne parametry, które wynikają z indywidualnych uwarunkowań firmy i prowadzonych przez nią działań marketingowych.
Jest to najprostszy podział, a każdy zastosowany model należy jeszcze indywidualnie doprecyzować, biorąc pod uwagę np. wpływ prowadzenia działań marketingowych offline oraz kontakt użytkownika z produktem lub usługą w świecie rzeczywistym.
Niezależnie od tego jakie warianty analizy przyjmiemy, pamiętajmy o jednym – każdy model będzie tak dobry i wartościowy, jak trafne będą założenia i wnioski wyciągane z końcowych obliczeń. Z tego punktu widzenia, lepiej zacząć od modeli prostych, a więc obarczonych mniejszą ilością błędnych założeń, które będą stopniowo coraz bardziej złożone, przy jednoczesnym monitorowaniu zmian jakościowych w efektach końcowych.
Pamiętajmy też, że conversion attribution ma nam pomóc w bardziej dokładnym ustaleniu wartości i faktycznej rentowności podejmowanych działań marketingowych. Obliczenia pozwolą podjąć decyzję o lepszym alokowaniu budżetów reklamowych. Nie bójmy się analizować pośredniego wpływu wizyt na konwersje – myślenie w kategoriach wyłącznie ostatniej wizyty i jej wpływie na decyzję zakupową na szczęście powoli odchodzi do lamusa. Świadczą o tym chociażby realne dane z raportów Google Analytics, które pokażemy… w następnym poście 🙂
—
Maciej Gałecki
