Hodiny atribučního modelování pro starší a pokročilé

Digichef

V protikladu tomu, jak by se na první pohled mohlo zdát, má Kolumbie i jiné cennosti než ten obecně a nechvalně známý vývozní artikl. Hovořím o talentovaných lidech. Jednou z nich je sympatická Sandra Camacho, momentálně žijící v Paříži, původem právě z Kolumbie. Sandra z Kolumbie není zpěvačkou, ani fotbalistkou. Místo toho umí mnohem lepší věci: a to ve francouzském Googlu dost dobře pracovat s čísly, konkrétně s čísly v Google Analytics, které se točí okolo atribučního modelování.

image

Sandra Camacho hypnotizuje čísly publikum na Marketing festivalu 2014.

O atribučním modelování Sandra Camacho přednášela mimo jiné na brněnském Marketing Festivalu 2014, já za Sun Marketing jsem měl to štěstí, že jsem se o pár dnů dříve mohli zúčastnit v české pobočce Googlu jejího See/Think/Do Attribution workshopu.

image

Přestávka byla nutnost!

Jak jsem se snažil naznačit (poněkud zavádějícím) názvem článku, workshop nebyl určen úplným začátečníkům s Google Analytics. Oproti jiným workshopům na témže místě se nás sešla poměrně různorodá skupinka lidí: PPCčkaři z agentur i in-house, jak to bývá obvyklé, nepřevládali. Kromě nich se tam totiž objevila spousta webových či datových analytiků nebo dokonce lidí z oborů, o kterých nevím snad nic a jejichž název sestává ze dvou slov, přičemž k adjektivu se vždy připojuje slovo "Intelligence".

Následující řádky budou jen letmým úvodem do tématu, zůstanu pouze na povrchu. Rád bych se ale v dalších článcích tímto tématem zabýval více do hloubky a se skutečnými čísly. Takže věřte, že pokračování tohoto článku na sebe nenechá dlouho čekat.

Sandra hodně vychází z Kaushikova SEE/THING/DO/CARE frameworku, který není třeba českému internetu posledních dní představovat. Z tohoto hlediska lze atribuční modelování v Google Analytics chápat jako nástroj, který pomůže analyzovat a pochopit cestu zákazníka od SEE k DO, optimalizovat díky tomu jednotlivé (v budoucnu nejen) digitální marketingové kanály a vůbec dělat na jejich základě lepší bussiness decisions.

Co je atribuční modelování? Atribuci konverzím lze chápat jako postup, který marketéři používají, aby zjistili a mohli připsat realistický kredit každému kliku, impresi, interakci, jež dopomohly ke konverzi. Atribuční modelování je, resp. měla by být, snaha pomocí Google Analytics zjistit, který z kanálů/cest vedou ke konverzím, a díky danému modelu tak zjistit, jakou mají hodnotu.

Defaultní modely nabízené v Google Analytics (z hlediska daného frameworku nesmyslný "Last click", "Linear" nebo kupř. "Time Decay") jsou jen zlomkem toho, co lze obecně z tématu atribučního modelování vytěžit (např. třeba i různé algoritmické a statistické modely).

image

Příklad lineárního modelu

Abyste mohli nějaký ten pokročilejší a hlavně náležitý atribuční model vytvořit, vyžaduje si to splnění několika premis:

  • Nesmíte mít "crap" data. Správné nasazení měřících kódů, správné trackování jednotlivých médií/kanálů je prostě nutnost.
  • Také se musíte pořádně nad svým byznysem zamyslet. Např. právě skrze zmíněný S/T/D/C framework. Jak přispívají různé kanály média mixu do tohoto frameworku? Jaký atribuční model jsem dosud použival? Jaké nástroje? Jakými KPI vyhodnocuji? Integrace do CRM?
  • Dále je nutná jakási otevřená "politika" společnosti k testování.

Po vytvoření vlastních modelů je potřeba ozkoušet, zda takto navržený model bude mít pozitivní dopad na ROI. Sandra nedoporučuje pre/post testování, lepší je například geografické rozdělení nebo rozdělení na uživatele.) Z toho všeho si určitě sami domyslíte, že atribuční modelování může stát hodně nákladů a management nemusí chápat, k čemu je to dobré.

Workshop byl samozřejmě zaměřen i prakticky. Sandra mimo jiné například pro tvorbu vlastních seskupení kanálů, které k vytvoření atribučního modelu budete potřebovat vytvořit nejdříve, nakopírovala prvně ten, který je defaultně v Google Analytics k dispozici. Podobných praktických postupů jsme se na workshopu dozvěděli mnoho, ale o tom příště.

image

Tvorba vlastního seskupení kanálů

  • Celkový průměr hodnocení: 5.0 z 5
  • 5.0
  • 5.0
  • 5.0
  • 5.0
  • 5.0

11. listopadu 2014