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 – czym jest i dlaczego jest ważna?

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.

Trzy główne rodzaje atrybucji konwersji

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.

Kluczowe parametry: ekspozycja i okna konwersji

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.

Problem z raportowaniem platform reklamowych

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.

Dlaczego warto stworzyć własny model atrybucji?

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.

Wykorzystanie Google BigQuery

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.

Model danych Conversion

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.

Podsumowanie

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.

The post Własny model atrybucja, czyli wszyscy kłamią: Google, Meta czy TikTok. first appeared on Conversion.

Branża: Beauty
Klient: Hairstore (Szczecin, Polska)
Strona: www.hairstore.pl

Punkt wyjścia

Hairstore.pl to jeden z największych sklepów fryzjerskich w Polsce, oferujący produkty do pielęgnacji, koloryzacji i stylizacji włosów oraz akcesoria i meble fryzjerskie. Sklep generował już znaczący wolumen zamówień i cieszył się rozpoznawalnością w branży.

Mimo skutecznych działań marketingowych zespół Hairstore widział potencjał w dalszej optymalizacji współczynnika konwersji (CR) oraz średniej wartości zamówienia (AOV). Celem współpracy było przeprowadzenie zaplanowanych działań optymalizacyjnych, które realnie przełożą się na wzrost przychodów.

Wyzwania

Najważniejsze wyzwania obejmowały:

• potrzebę zwiększenia przychodów poprzez podniesienie CR i AOV,
• wybór między budową zespołu in-house a współpracą z zewnętrzną agencją,
• konieczność realizacji projektu bez nadmiernego angażowania CEO i zespołu,
• brak chęci obciążania własnych zasobów IT.

Klient oczekiwał skutecznych działań, gwarantowanych rezultatów oraz sprawnego procesu wdrażania zmian.

Nasze podejście

Współpracę rozpoczęliśmy od pogłębionych badań obejmujących analizę danych, analizę segmentacyjną, analizę konkurencji, badania użyteczności oraz ankiety wśród klientów. Na tej podstawie zidentyfikowaliśmy obszary o największym potencjale wzrostu.

W ramach projektu przetestowano łącznie 58 wariantów różnych podstron – zarówno w wersji mobilnej, jak i desktopowej. Optymalizacji poddano kluczowe elementy user experience:

• stronę główną,
• karty produktowe,
• koszyk,
• proces składania zamówienia (checkout).

Jednym z elementów, który istotnie wpłynął na wyniki, było wypracowanie silniejszego USP, opartego na analizie konkurencji oraz informacji zwrotnej od klientów. Wdrożono także mechanizm rekomendujący zakup zamiennika o wyższej wartości, co pozwoliło zwiększyć średnią wartość zamówienia.

Całość realizowana była w modelu, który nie angażował IT po stronie klienta.

Efekty

Dzięki przeprowadzonym działaniom Hairstore.pl osiągnęło:

• 26% wzrost przychodów, wynikający z podniesienia współczynnika konwersji oraz średniej wartości zamówienia,
• ROI na poziomie 195%,
• brak konieczności angażowania IT po stronie klienta,
• brak dodatkowych inwestycji w marketing.

Projekt przełożył się również na znaczną poprawę user experience oraz bardziej świadome podejmowanie decyzji optymalizacyjnych.

Opinia Hairstore.pl na temat przeprowadzonego projektu

Zdaniem Hairstore, zespół Conversion nie tylko sprostał oczekiwaniom ale zdecydowanie je przewyższył.

Jak mówi CEO Hairstore, Piotr Kościuszczyk: „Świetna współpraca. Mieliśmy konkretne oczekiwania i potrzeby, którym zespół Conversion nie tylko sprostał, ale i je przewyższył. Wyniki mówią same za siebie, wzrosty w perspektywie już kilku miesięcy były naprawdę imponujące.”

Podsumowanie

Przeprowadzony projekt dla Hairstore.pl pokazuje, że nawet dobrze prosperujący sklep internetowy może znacząco zwiększyć przychody dzięki systematycznej optymalizacji konwersji.

Oparcie działań na danych, testach A/B oraz sprawdzonym procesie pozwoliło osiągnąć 26% wzrost przychodów i 195% ROI, bez angażowania zasobów IT i bez zwiększania budżetu marketingowego.

The post Hairstore.pl – 26% wzrost przychodów i 195% ROI bez angażowania IT first appeared on Conversion.

Aby odpowiedzieć na powyższe pytanie nie wystarczy już analizowanie pojedynczych źródeł ruchu, ani wykorzystanie domyślnego modelu atrybucji, który przypisuje wartość konwersji jedynie do ostatniego niebezpośredniego kanału ruchu. Jeżeli użytkownicy Waszego serwisu, tak jak na poniższym raporcie, potrzebują więcej niż 2 interakcji, aby skonwertować, przy ocenianiu efektywności kanałów ruchu powinniście sięgnąć po analizę ścieżek wielokanałowych.

Raport długość ścieżki pokazuje nam, w ile interakcji z naszym serwisem wchodzi użytkownik zanim skonwertuje. W powyższym przykładzie w prawie 70% przypadków użytkownicy potrzebują więcej niż 2 interakcji z serwisem – oznacza to, że przy ocenianiu źródeł ruchu należy sięgnąć po analizę ścieżek wielokanałowych.

Analiza ta umożliwia identyfikację najczęstszych ścieżek konwersji, jakie przebywają nasi użytkownicy na drodze do konwersji. Ścieżka konwersji jest to sekwencja interakcji użytkownika ze stroną, która poprzedza każdą konwersję. Jednak, aby odpowiedzieć na pytanie, które z kolejnych interakcji użytkownika w największym stopniu odpowiadają za konwersję, musimy sięgnąć do raportów modeli atrybucji.

Czym są modele atrybucji?

Model atrybucji jest zbiorem reguł, który określa do którego punktu kontaktu na ścieżce konwersji będzie przypisana konwersja. Raporty porównujące modele atrybucji możemy znaleźć w raportach Konwersji, w Atrybucji konwersji.

Raporty porównujące modele atrybucji możemy znaleźć w raportach Konwersji, w Atrybucji konwersji.

Te punkty kontaktu na ścieżce konwersji to kanały ścieżek wielokanałowych, które określają źródła ruchu, poprzez które użytkownicy trafili na nasz serwis: przykładowo poprzez odesłanie z innych witryn albo poprzez płatne wyniki wyszukiwania (np. AdWords). W raportach modeli atrybucji znajdziecie domyślne pogrupowanie kanałów, które zawierają:

• Wejścia bezpośrednie
• Bezpłatne wyniki wyszukiwania
• Odesłania
• Płatne wyniki wyszukiwania
• Sieci społecznościowe
• Emaile
• Reklamy displayowe

W modelach atrybucji jako wartość konwersji możemy uwzględnić zarówno konwersje ecommercowe, jak również konwersje celów. W tym drugim przypadku, aby modele atrybucji działały poprawnie i zbierały dane, warto pamiętać o ustawieniu wartości celów.

W ustawieniach raportu możemy określić zakres czasowy raportu od 1 do 90 dni – określa on czas przed każdą konwersją, w którym będą zliczane kliknięcia z kanałów ruchu prowadzące do danej konwersji. Wybrany okres ważności powinien zależeć od długości ścieżki konwersji – w przypadku tanich produktów, takich jak drobna elektronika, będzie on krótki. Natomiast dla drogich produktów, takich jak samochody, gdy użytkownicy potrzebują dużo czasu i interakcji z serwisem, aby podjąć decyzję o zakupie, wybrany okres ważności raportu powinien być również dłuższy.

Zbyt krótki okres ważności spowoduje, że modele nie będą zawierały wszystkich punktów interakcji użytkownika z serwisem. Zbyt długi (szczególnie, gdy chcemy analizować konkretne kampanie) może powodować, że w naszej analizie znajdą się również punkty styczności użytkownika z serwisem, które miały miejsce zanim kampania ruszyła.

Wskazówki, ile dni wynosi długość ścieżki konwersji dla naszego serwisu, możemy poszukać między innymi w raporcie Konwersje -> Ścieżki wielokanałowe -> Upływ czasu.

Możemy również tworzyć własne grupy kanałów. Jest to bardzo przydatna opcja, szczególnie jeżeli prowadzimy działania marketingowe nakierowane na konkretne źródła pozyskiwania ruchu. Przykładowo, gdy duże kwoty z naszego budżetu marketingowego przeznaczamy na promocję w porównywarkach cenowych, możemy stworzyć z nich oddzielną grupę kanałów, co pozwoli nam na analizę ich udziału w ścieżce zakupowej.

Dostępne w Google Analytics modele atrybucji

Jak poszczególne modele atrybucji wpływają na ocenę kanałów, którymi przychodzą użytkownicy, zilustruję na przykładzie: użytkownik szuka butów na zimę.

1. Rozpoczyna poszukiwanie w wyszukiwarce Google, gdzie zauważa reklamę AdWords butów zimowych i klika na nią przechodząc na serwis www.butyzimowe.pl.
2. W trakcie wizyty nie decyduje się na zakup żadnego produktu na stronie.
3. Kolejnego dnia widzi reklamę tego samego serwisu na Facebooku i decyduje się kliknąć i ponownie zobaczyć ofertę sklepu www.butyzimowe.pl, ale wciąż nie decyduje się na zakup.
4. W kolejnym tygodniu użytkownik ponownie odwiedza serwis, najpierw poprzez link w porównywarce cenowej Ceneo, a następnie poprzez link w emailu, który zawiera bony rabatowe.
5. Następnie użytkownik wchodzi bezpośrednio na serwis wpisując nazwę serwisu w przeglądarce i dokonuje zakupu butów na zimę.

Ścieżka konwersji naszego przykładowego użytkownika wygląda następująco:

Przykładowa ścieżka konwersji użytkownika, który poszukuje w Internecie butów na zimę. Początkowo trafia na stronę www.butyzimowe.pl poprzez reklamę AdWords. Następnie poprzez Facebooka, odesłania z porównywarki cen, ofertę emailową i na końcu przychodzi na stronę poprzez wejście bezpośrednie i kupuje jeden z ofertowanych produktów na stronie.

Pojawia się pytanie: w przypadku tak złożonej ścieżki, do którego kanału ruchu powinniśmy przypisać największy udział w konwersji? Który kanał powinien być uważany za najbardziej efektywny w procesie zakupowym użytkownika?

Modele atrybucji stanowią odpowiedź na powyższe pytania i pomagają nam w ocenie poszczególnych źródeł ruchu. W zależności od przyjętych reguł, przypisują udział w konwersji całościowo do jednego kanału ruchu, bądź rozdzielają go na kilka kanałów.

Aby przeprowadzać efektywne analizy ścieżek wielokanałowych, na samym początku musimy znaleźć odpowiedź na pytanie: które z proponowanych modeli najlepiej pasują do specyfiki naszego serwisu? Rzadko zdarza się, że pasuje nam jedynie jeden model atrybucji. Najlepszym podejściem jest wybór paru modeli, które najbardziej odpowiadają specyfice prowadzonych przez nas działań i porównanie wyników oraz wniosków z nich płynących. W Google Analytics możecie wybrać pomiędzy siedmioma domyślnymi modelami.

Model ostatniej interakcji

Model ostatniej interakcji przypisuje 100% wpływu na konwersję do ostatniego kanału ruchu.

Model ostatniej interakcji przypisuje 100% wpływu na konwersję do ostatniego kanału ruchu. W powyższym przykładzie wartość konwersji w całości zostałaby przypisana do wejścia bezpośredniego.

Model ten sprawdzi się jedynie dla serwisów, gdzie w raporcie „Długości ścieżki konwersji” — 70% konwersji dzieje się przy pierwszych bądź drugich odwiedzinach użytkownika. Przykładowo model ostatniej interakcji może zostać wykorzystany przy analizowaniu ścieżki zakupowej produktów grupy FMCG, gdzie decyzja zakupowa jest podejmowana przez użytkownika szybko, najczęściej w ciągu tego samego dnia i gdy jedna lub dwie interakcje z serwisem wystarczą do podjęcia decyzji zakupowej. Dla większości serwisów będzie on jednak nieodpowiedni.

Model ostatniego kliknięcia niebezpośredniego

W tym modelu 100% udziału w konwersji zostanie przypisany do ostatniego kanału, który nie był wejściem bezpośrednim, a który użytkownik wykorzystał, aby przyjść na stronę serwisu.

Model ostatniego kliknięcia niebezpośredniego jest domyślnym modelem we wszystkich raportach, które możemy znaleźć w GA (oprócz raportów ścieżek wielokanałowych i modeli atrybucji).

W tym modelu 100% udziału w konwersji zostanie przypisane do ostatniego kanału, który nie był wejściem bezpośrednim, a który użytkownik wykorzystał, aby przyjść na stronę serwisu przed konwersją (wyjątek stanowi przypadek, gdy użytkownik skorzystał jedynie z wejścia bezpośredniego, aby znaleźć się na stronie, wtedy udział w konwersji zostanie przypisany w całości do wejścia bezpośredniego).

W omawianym przykładzie konwersja zostanie przypisane do wiadomości email.

Ten model motywowany jest założeniem, że użytkownicy, którzy przychodzą na serwis bezpośrednio, znają nasz serwis, zatem na ich zachowanie wpłynęły poprzednie kanały i działania marketingowe, z którymi mieli styczność. Założenie to jest nie do końca prawdziwe, gdyż przypisuje całą wartość konwersji tylko do ostatniego niebezpośredniego kanału wejścia użytkownika, całkowicie pomijając wpływ innych wcześniejszych kanałów ruchu. Model pomija także możliwość, że użytkownik może wejść bezpośrednio na nasz serwis i dokonać zakupu, będąc pod wpływem innych działań marketingowych czy informacji (przykładowo informacji z kanałów offline).

Model pierwszej interakcji

W modelu pierwszej interakcji cały udział w konwersji zostanie przypisany do pierwszego źródła, które stanowiło pierwszy punkt kontaktu użytkownika z serwisem.

W tym modelu cała wartość konwersji zostanie przypisana do pierwszego źródła, które stanowiło pierwszy punkt kontaktu użytkownika z serwisem.

W omawianym przypadku będzie to płatne wyszukiwanie w AdWords.

Ten model atrybucji może być wykorzystany przez serwisy, które dopiero pojawiły się na rynku. Dla tych serwisów istotną kwestią jest budowanie świadomości marki wśród użytkowników i na ten cel mogą przeznaczać zdecydowaną część swojego budżetu marketingowego. W takiej sytuacji przypisanie 100% wartości konwersji do pierwszego punktu kontaktu użytkownika z serwisem pomaga im w znalezieniu kanałów, które najlepiej spełniają założony cel.
Pozostałe serwisy nie powinny korzystać z tego modelu, chyba że chcą poznać media, w których użytkownicy spotykają się z nimi po raz pierwszy (a dzięki temu zaplanować odpowiednią komunikację).

Model ostatniego kliknięcia AdWords

Ten model przypisuje konwersję do ostatniego przyjścia użytkownika do serwisu poprzez reklamę AdWords. W powyższym przypadku konwersja zostałaby przypisana jedynie pierwszemu kanałowi ścieżki.

Model ostatniego kliknięcia AdWords nie ma większego zastosowania w analizach ścieżek wielokanałowych. Jego jedynym celem wydaje się uzasadnienie potrzeby ponoszenia większych wydatków na działania w AdWords, na czym zależy Google

Model liniowy

Model liniowy przypisuje po równo udział w konwersji każdemu punktowi kontaktu użytkownika z serwisem.

Model liniowy przypisuje po równo udział w konwersji każdemu punktowi kontaktu użytkownika z serwisem.

W naszym przykładzie każdy z kanałów otrzymałby 20% udziału w konwersji.

Ten model zakłada, że każdy kanał, poprzez który użytkownik przychodzi do serwisu, w takim samym stopniu wpływa na zachowanie użytkownika. Model ten możemy stosować, gdy w prowadzonych przez nas kampaniach każda styczność użytkownika z naszym serwisem jest tak samo ważna i zależy nam na ciągłym podtrzymaniu kontaktu z użytkownikiem.

Przykładowo prowadzimy ciągłą kampanię serwisu z opiniami o kosmetykach. Naszym celem jest pozyskanie jak największej bazy użytkowników (w celu ciągłego rozszerzania bazy opinii) oraz aby użytkownicy stale nas odwiedzali i nie zapomnieli o naszym serwisie. Wtedy każda styczność użytkownika z serwisem jest dla nas taka samo istotna i planujemy budżet tak, aby osiągnąć jak najszerszy zakres naszych kampanii w Internecie.

Model rozkładu czasowego

W modelu rozkładu czasowego największy udział w konwersji otrzymują ostatnie kanały, którymi użytkownik trafił na serwis przed konwersją. Pierwszy kanał natomiast otrzymuje najmniejszy udział w konwersji.

W modelu rozkładu czasowego największy udział w konwersji otrzymują ostatnie kanały, którymi użytkownik trafił na serwis przed konwersją. Pierwszy kanał natomiast otrzymuje najmniejszy udział w konwersji.

W podanym przykładzie najmniejszy udział otrzyma płatne wyszukiwanie, każdy kolejny kanał będzie otrzymywał wyższy udział w konwersji. Największy udział będzie miało wejście bezpośrednie, jako ostatni punkt kontaktu użytkownika przed konwersją.

Model ten zakłada, że każda kolejna interakcja użytkownika z serwisem poprzez kolejne kanały, coraz bardziej przybliża go do spełnienia celu strony, czyli konwersji.

Przykładowo model rozkładu czasowego moglibyśmy wykorzystać w kampaniach, które w zależności od etapu kampanii wykorzystują różne kanały promocji i ich zadaniem jest stopniowe budowanie zaangażowanie użytkownika na stronie.

Model ten warto wykorzystać również, gdy prowadzimy krótkie kampanie nakierowane na szybką konwersję użytkownika. Wtedy kanały, dzięki którym użytkownik trafił na naszą stronę w trakcie trwania kampanii są dla nas dużo więcej warte niż kanały, poprzez które użytkownicy przychodzili na stronę, kiedy kampania jeszcze nie działała. Te wcześniejsze wejścia mają również przypisany udział w konwersji (chociaż zdecydowanie mniejszy) ze względu na funkcje budowanie wizerunku i świadomości marki.

Z domyślnie dostępnych modeli atrybucji w GA, jest to model najbardziej zbliżony do procesu budowania zaangażowania i znajomości marki w świadomości użytkownika, dlatego jest to najlepszy z dostępnych modeli, aby rozpocząć nasze pierwsze analizy ścieżek wielokanałowych.

Model uwzględnienia pozycji

Model uwzględnienia pozycji przypisuje po 40% udziału w konwersji do pierwszego i ostatniego punktu kontaktu na ścieżce konwersji. Pozostałe 20% udziału jest dzielone po równo pomiędzy pozostałe grupy kanałów.

Model uwzględnienia pozycji przypisuje po 40% udziału w konwersji do pierwszego i ostatniego punktu kontaktu na ścieżce konwersji. Pozostałe 20% udziału jest dzielone po równo pomiędzy pozostałe grupy kanałów.

W omawianym przykładzie płatne wyszukiwanie oraz wejście bezpośrednie otrzymały po 40% udziału w konwersji, natomiast sieć społecznościowa, odesłanie, email w sumie otrzymałyby pozostałe 20% udziału.

Model może być bardzo korzystny dla serwisów, które opierają swoje działania głównie dla remarketingu – pierwszy kontakt użytkownika z serwisem jest tutaj kluczowy, gdyż pozwala „oznaczyć” użytkownika. Kolejne działania marketingowe i kanały maja podtrzymać zainteresowanie użytkownika oferowanym produktem i usługą. Tak samo ważnym kanałem jak pierwszy, jest ostatni, który jest bezpośrednim źródłem konwersji. Przy tak dobranym modelu atrybucji, wiemy, w które kanały powinniśmy zainwestować najsilniej w przypadku wykorzystania remarketingu, aby (1) wpisać użytkownika na listę remarketingową (czyli de facto ściągnąć użytkownika po raz pierwszy kampanią namawiającą do sprawdzenia naszej strony / produktu / usługi / firmy) i (2) przekonać go do skonwertowania.

Porównywanie modeli atrybucji

Narzędzie porównywania modeli pozwala na porównywanie wpływu różnych kanałów na konwersję w zależności od wybranego modelu atrybucji. Do porównania możemy wybrać maksymalnie 3 modele.

W raportach atrybucja konwersji możemy porównać miedzy sobą do trzech modeli atrybucji, dzięki czemu możemy analizować efektywność poszczególnych kanałów ścieżek wielokanałowych według różnych modeli atrybucji.

Ostatnia kolumna porównuje jak radzą sobie poszczególne kanały w wybranych modelach atrybucji. W zależności od wybranego modelu atrybucji, udział i zarazem znaczenie poszczególnych kanałów dla naszych działań marketingowych byłyby znacząco różne. Miałoby to wpływ na planowane działania marketingowe i rozdystrybuowanie budżetu.

I tak na powyższym przykładzie widzimy, że wejścia bezpośrednie według modelu pierwszej interakcji mają ponad 55% mniejszy udział w konwersji. Za to o ponad 15% większy udział w konwersji w modelu pierwszej interakcji w porównaniu z modelem ostatniej interakcji ma kanał płatnych wyników wyszukiwania.

Podejmując decyzję o tym, w które kanały ruchu powinniśmy zainwestować najwięcej budżetu, korzystając zarówno z modelu ostatniej interakcji, jak i pierwszej interakcji, wybralibyśmy odesłania. Na drugim miejscu pod względem wysokości budżetu znalazłyby się albo wejścia bezpośrednie albo płatne wyniki wyszukiwania w zależności od użytego modelu. Przykładowo, jeżeli do tej pory inwestowaliśmy duże nakłady na wejścia bezpośrednie, poprzez inwestycję w kanały offline, gdyż korzystaliśmy jedynie z modelu ostatniej interakcji, porównanie obydwu modeli zwróci naszą uwagę na duży potencjał płatnych wyszukiwań, np. AdWords. Dzięki takiemu porównaniu większa część budżetu zostanie zainwestowana w ten kanał, niż jakbyśmy korzystali jedynie z pierwszego modelu.

Modele niestandardowe

Google Analytics umożliwia nam również tworzenie modeli niestandardowych. Tworzenie modeli niestandardowych, które pozwolą efektywnie analizować oraz optymalizować ścieżki wielokanałowe, wymaga:

• znajomości modelu biznesowego,
• znajomość użytkowników serwisu i ich zachowania,
• znajomości sektora, w którym działa serwis,
• analizy biznesowej przeprowadzonej pod kątem modeli atrybucji.

Uzbrojeni w taką wiedzę jesteśmy w stanie stworzyć model, który będzie odpowiadał wymaganiom i specyfice naszego biznesu. Aby stworzyć własny model wystarczy na rozwijanej liście modeli wybrać opcję „Utwórz nowy niestandardowy model”.

Na rozwijanej liście modeli atrybucji do wyboru znajduje się opcja „Utwórz nowy niestandardowy model”, która pozwala na stworzenie modelu atrybucji dostosowanego do potrzeb naszego biznesu.

W kolejnych krokach wybieramy nazwę dla naszego modelu atrybucji i model, który będzie bazowym modelem, na podstawie którego będziemy tworzyć nasz własny.

Przy tworzeniu niestandardowych modeli atrybucji mamy do wyboru trzy opcje: okres ważności, dostosowanie kredytu na podstawie zaangażowania użytkowników i niestandardowe reguły kredytowe, które nie są obowiązkowymi elementami w konfiguracji modelu, ale warto je wykorzystać.

Kolejne trzy opcje: okres ważności, dostosowanie kredytu na podstawie zaangażowania użytkowników i niestandardowe reguły kredytowe nie są obowiązkowymi elementami w konfiguracji modelu, ale warto je wykorzystać, aby stworzyć jak najbardziej zindywidualizowany model dla naszego biznesu.

Podziału udziału w konwersji pomiędzy poszczególne kanały możemy również dokonać na podstawie zaangażowania użytkowników przychodzących z poszczególnych kanałów. Google Analytics daje nam wybór między dwoma wskaźnikami zaangażowania: czasu spędzonego na stronie oraz głębokości wizyty.

Na przykład, jeżeli kanały stanowią poszczególne kampanie, które były przez Ciebie prowadzone w ostatnim czasie, przy wyborze opcji „głębokości wizyty” Google Analytics przypisze proporcjonalnie większy udział w konwersji do kampanii, która charakteryzuje się większą liczba stron odwiedzonych przez użytkowników.

Niestandardowe reguły kredytowe przy tworzeniu niestandardowych modeli atrybucji oferują szeroką możliwość dostosowania tworzonego modelu.

W niestandardowych regułach kredytowych możesz określić poszczególne punkty interakcji użytkownika z serwisem i następnie określić przydzielanie im udziału w konwersji w porównaniu z innymi punktami.

Po wyborze konkretnej pozycji na ścieżce konwersji możemy jej przydzielić większy udział w konwersji w tworzonym modelu atrybucji w porównaniu z pozostałymi kanałami ruchu.

Na przykład dla kanałów, które znajdują się na środku ścieżki konwersji, możemy ustawić regułę, że GA będzie im przydzielał 2 razy większy udział w konwersji w porównaniu z pozostałymi kanałami. Takie reguły możemy również wprowadzić dla konkretnych źródeł czy medium ruchu, dla konkretnych słów kluczowych czy formatu reklamy.

Dla jednego niestandardowego modelu atrybucji możemy dodać wiele niestandardowych reguł kredytowych, dzięki czemu modele niestandardowe dają nam niesamowite możliwości tworzenie indywidualnych modeli atrybucji dopasowanych do specyfiki i wymagań naszego biznesu.

Przykładowo niestandardowy model dla naszego przykładu mógłby prezentować się następująco:

Przykład niestandardowego modelu atrybucji, gdzie użytkownik przed konwersją trafia na serwis poprzez pięć różnych grup kanałów ścieżek wielokanałowych.

W powyższym modelu największy udział w konwersji jest przypisany dla wiadomości emailowych, które stanowiły ostatni (nie będący wejściem bezpośrednim) punkt kontaktu użytkownika z serwisem. AdWords otrzymał drugi największy udział w konwersji, gdyż zainicjował pierwszy kontakt użytkownika z serwisem, budując u użytkownika świadomości marki www.butyzimowe.pl. Wejście bezpośrednie jako ostatni kanał na ścieżce otrzymał 15% udział w konwersji. Odesłanie oraz sieć społecznościowa otrzymały kolejno mniejsze udziały w konwersji, jako kanały wspomagające konwersję.

Podsumowanie

Modele atrybucji stanowią potężne narzędzie w analizie ścieżek wielokanałowych. Zrozumienie prowadzonego biznesu internetowego i jego użytkowników jest kluczem do stworzenia modelu, który pozwoli Ci na identyfikację kanałów ruchu, które w największym stopniu przyczyniają się do konwersji. Dzięki takiemu podejściu będziesz mógł efektywnie zarządzać dostępnymi zasobami i planować działania marketingowe, które zwiększą efektywność sprowadzanego na stronę ruchu.

The post Atrybucja konwersji w Google Analytics – jak wybrać odpowiedni model? first appeared on Conversion.