Atrybucja konwersji – czym jest i dlaczego jest ważna?
Trzy główne rodzaje atrybucji konwersji
Kluczowe parametry: ekspozycja i okna konwersji
Problem z raportowaniem platform reklamowych
Dlaczego warto stworzyć własny model atrybucji?
Podsumowanie
Atrybucja konwersji pozwala określić, w jakim stopniu poszczególne kanały marketingowe przyczyniły się do osiągnięcia konwersji. W procesie analizy należy wziąć pod uwagę, czym dokładnie jest atrybucja konwersji, jakie czynniki na nią wpływają, jak różne narzędzia podchodzą do tego zagadnienia oraz jak stworzyć własny model atrybucji dopasowany do indywidualnych potrzeb firmy. W artykule przedstawiam podejście do modelowania atrybucji konwersji w oparciu o autorski model danych oraz praktyczne wskazówki dotyczące wdrożenia efektywnej analizy skuteczności poszczególnych źródeł ruchu.
Modelowanie atrybucji konwersji to złożony temat, który wymaga zrozumienia kilku podstawowych zagadnień. Atrybucja polega na przypisywaniu poszczególnym elementom procesu sprzedażowego określonych cech lub wartości. W kontekście analityki internetowej atrybucja oznacza przypisywanie konwersji konkretnym źródłom ruchu, działaniom marketingowym lub reklamom. Reklamy stanowią jedno z kluczowych „czemu”, którym przypisuje się wpływ na osiągnięcie konwersji. Skuteczne modelowanie atrybucji pozwala zidentyfikować, które działania marketingowe miały realny wpływ na decyzje zakupowe użytkowników. Dzięki temu można lepiej planować budżety reklamowe i optymalizować działania marketingowe w oparciu o twarde dane.
Na przykład podczas wizyty na stronie portalu horyzontalnego można od razu zauważyć dwie reklamy różnych marek. Konwersje można przypisać promocjom wewnętrznym lub reklamom zewnętrznym. Zakup konkretnego produktu, takiego jak smartfon, można przypisać do kilku miejsc: listingu wszystkich produktów marki, całej kategorii, a także do wyników wyszukiwania. W marketingu online można przypisywać różne wartości, takie jak przychód, wizyty czy określone akcje. Te aspekty przekładają się na różne poziomy analizy internetowej: poziom użytkownika, poziom sesji oraz poziom zdarzenia lub konwersji.
Atrybucja konwersji, o której mowa, to najbardziej powszechna metoda przypisywania konwersji do reklamy, z którą miał kontakt użytkownik. Przychód, transakcje lub szerzej – konwersje, przypisujemy do konkretnej reklamy, aby dokładnie policzyć zwrot z tej inwestycji. W marketingu kluczowe jest efektywne wydawanie budżetu i mierzenie efektów.
Warto pamiętać, że istnieją trzy główne rodzaje atrybucji konwersji. Pierwszym z nich jest atrybucja konwersji offline to online lub online to offline. Przykładem takiej atrybucji jest efekt ROPO (Research Online, Purchase Offline). Na przykład, jadąc autostradą, możemy zobaczyć billboard reklamujący określony model samochodu. Następnie sprawdzamy szczegóły tego auta w internecie, umawiamy się na jazdę testową, a ostatecznie decydujemy się na zakup. Efekt ROPO oraz atrybucje offline–online i online–offline są mierzone za pomocą modeli Marketing Mix Modeling. W tego typu analizach wykorzystuje się ekonometrię oraz statystykę.
Drugi rodzaj atrybucji konwersji, z którym często spotykają się firmy, to atrybucja pomiędzy różnymi urządzeniami. Przykładem może być sytuacja, w której użytkownik przegląda produkt na smartfonie podczas podróży komunikacją miejską, a następnie w domu lub pracy kontynuuje research na komputerze i dokonuje zakupu. Kluczowe w tym przypadku jest rozpoznanie użytkownika na różnych urządzeniach. Obecnie technologia coraz lepiej wspiera ten proces.
Trzeci, najczęściej występujący rodzaj atrybucji konwersji dotyczy sytuacji, w której użytkownik korzysta z jednego urządzenia, ale przechodzi przez wiele kanałów komunikacji przed dokonaniem zakupu. Użytkownik często odwiedza witrynę kilka razy z tego samego urządzenia, zanim zdecyduje się na zakup. Liczba wizyt zależy od procesu zakupowego — od czasu, jaki potrzebuje na podjęcie decyzji od pierwszej wizyty do finalizacji zakupu, a także od liczby powrotów na stronę. Im produkt jest bardziej skomplikowany lub droższy, tym proces decyzyjny zwykle trwa dłużej. W analizie zachowań użytkowników warto uwzględniać te różnice, aby lepiej zrozumieć ścieżkę zakupową klientów.
Przed przejściem do modelowania atrybucji należy pamiętać, że w raportach, zwłaszcza tych pochodzących z platform reklamowych, analizujemy kilka istotnych parametrów konwersji. To one decydują o tym, jak przypisujemy przychód lub konwersję do konkretnego kanału czy źródła ruchu.
Pierwszym z nich są ekspozycje na reklamę. Istotne jest, w jaki sposób narzędzie raportuje interakcje użytkownika z reklamą. Możemy mówić o konwersji post-click, gdy użytkownik kliknął w reklamę, lub o konwersji post-view, gdy tylko ją zobaczył. Często pojawia się też pojęcie engaged view, czyli zaangażowanego obejrzenia reklamy, które platformy reklamowe traktują w różny sposób.
Drugim ważnym parametrem jest okno konwersji. Określa ono, ile czasu upłynęło od momentu ekspozycji na reklamę do dokonania konwersji. Różne platformy mogą stosować odmienne okna konwersji, co wpływa na sposób raportowania i interpretacji danych. Przykładowo, okno konwersji może wynosić siedem dni od momentu zobaczenia reklamy. Oznacza to, że konwersja zostaje przypisana, jeśli nastąpi w ciągu siedmiu dni od wyświetlenia reklamy. W przypadku kliknięcia w reklamę okno konwersji może trwać tylko jeden dzień. Różne narzędzia analizują te sytuacje w odmienny sposób.
Google Analytics integruje dane marketingowe i rozpoznaje konwersje po zdefiniowaniu celu lub wdrożeniu kodu śledzącego e-commerce. Analytics identyfikuje źródła ruchu na podstawie parametrów UTM oraz parametrów pochodzących z platform reklamowych (np. FBC Lead, gclid). Agencje mediowe i działy marketingu raportują jednak wyniki kampanii na podstawie danych z paneli poszczególnych platform reklamowych, które działają w oparciu o piksele śledzące.
Platformy reklamowe, takie jak Meta czy Google, dążą do maksymalnego przypisania sobie zasług za wygenerowaną sprzedaż. Każdy kanał i każda platforma, na której prowadzona jest reklama i wydawane są środki, chce wykazać, że inwestycja jest wartościowa. Warto zwrócić uwagę, że raporty przygotowywane przez agencje marketingowe lub osoby odpowiedzialne za konkretne kanały bardzo często — nawet nieświadomie — są niewłaściwie prezentowane.
Osoby zarządzające e-marketingiem w firmie otrzymują kilka raportów z różnych źródeł i napotykają na problem dublowania wyników. Przykładowo, każdy raport może wskazywać sprzedaż na poziomie 200, a po zsumowaniu wyników z poszczególnych raportów okazuje się, że łączna sprzedaż jest pięciokrotnie wyższa, niż rzeczywiście powinna być. Taka sytuacja prowadzi do błędnych wniosków na temat skuteczności poszczególnych kanałów i kampanii.
Odpowiednie modelowanie atrybucji oraz analiza danych w jednym, spójnym ekosystemie pozwalają uniknąć rozbieżności i podejmować trafne decyzje biznesowe. Zadaniem przy tworzeniu modelu atrybucji jest rozłożenie przychodów od jednego użytkownika na poszczególne media, które przyprowadziły tego użytkownika. Nie można założyć, że ścieżka jest zawsze liniowa. Takie podejście jest niezbędne, aby prawidłowo policzyć ROI i ROAS (Return on Adspend).
Każde narzędzie raportujące posiada własne modele atrybucji. Największym wyzwaniem w przypadku większości platform reklamowych pozostaje ich nieprzejrzystość – często działają jak „czarne skrzynki”. Przykładem może być model data-driven, który z definicji powinien być najbardziej efektywny, jednak brak jasności co do jego działania sprawia, że trudno w pełni zaufać takim rozwiązaniom. Warto zatem opracować własny model atrybucji, który zapewni pełną kontrolę nad sposobem przypisywania konwersji.
W pracy z klientami wykorzystujemy gotowy model danych. Stworzenie własnego modelu nie jest możliwe w interfejsie żadnego standardowego narzędzia analitycznego. Konieczne jest skorzystanie z danych granularnych, które zapewnia Google BigQuery. Dane te powinny być przedstawione w formie czytelnych ścieżek konwersji. Dopiero na ich podstawie możliwe jest zdefiniowanie konkretnych reguł przypisywania konwersji. Efektem końcowym jest raport, który pozwala porównywać różne modele atrybucji, na przykład First Leaf Cleaner i Last Non-Direct.
W pracy z naszymi klientami wykorzystujemy gotową logikę, która łączy dane reklamowe z różnych platform oraz clickstream. Stosujemy własne zasady przypisywania źródeł ruchu, analizując parametry UTM i dane z platform reklamowych. Przeprowadzona przez nas analiza wykazała, że panel Google Analytics 4 często niepoprawnie przypisuje źródła ruchu. Przykładowo, po wdrożeniu autorskiego modelu, 33% ruchu wcześniej klasyfikowanego jako Direct zostało poprawnie przypisane do innych źródeł, a udział Google Ads wzrósł o 10%.
W naszym modelu danych zastosowano logikę techniczną, która standaryzuje źródła ruchu. Analizując listę wszystkich źródeł ruchu dostępnych w interfejsie GA4, widać, że z trzech podstawowych parametrów powstaje kilkanaście różnych kombinacji. Dodatkowo nasz model rozpoznaje ruch fraudowy. Jeśli wykryjemy fraudy, wykluczamy je z atrybucji. Wyklikiwanie reklam przez boty nie powinno wpływać na ocenę efektywności kampanii.
W modelu uwzględniamy także logikę biznesową. Analizujemy różne rodzaje ekspozycji, korzystając z domyślnych ustawień lub dodając własne warunki. To elastyczne podejście pozwala odpowiadać na pytania zarządu dotyczące przyjętych założeń i umożliwia szybką modyfikację modelu danych. Model customowy pozwala decydować, czy atrybucja opiera się na danych historycznych, czy na podejściu position based.
Własny model atrybucji rozwiązuje nie tylko problem odpowiedniego przypisania źródła ruchu czy właściwego obliczenia zwrotu z inwestycji w poszczególne kanały. Największym wyzwaniem, które obserwuję w wielu firmach, jest niezrozumienie tego, co faktycznie jest raportowane. Każda platforma reklamowa prezentuje własną wersję rzeczywistości, jednak prawdziwy obraz powinien wynikać z indywidualnych potrzeb biznesowych. Platformy reklamowe zawsze będą pokazywać dane korzystne ze swojej perspektywy, więc warto odnosić się do danych płynących bezpośrednio z biznesu.
Własny model atrybucji można stworzyć samodzielnie, korzystając z dostępnych poradników oraz narzędzi takich jak Google BigQuery. Można też skorzystać z gotowego modelu atrybucji, jaki oferujemy w Conversion. Nasze narzędzie pozwala od razu uzyskać rzeczywisty ROAS i ROI dla kampanii marketingowych, co znacząco ułatwia podejmowanie decyzji.
Dzięki spójnemu raportowaniu suma wyników z poszczególnych kanałów zawsze pokrywa się z danymi widocznymi w wewnętrznych systemach firmy. Pozwala to precyzyjnie kontrolować efektywność działań marketingowych i opierać decyzje o inwestycjach na rzetelnych danych. W przypadku pytań lub zainteresowania współpracą zapraszamy do kontaktu.
Tagi:
Historie sukcesów
Ostatnie wpisy na blogu
