What is Attribution Model Calculator?
▾
Калкулаторът на модела на приписване помага на търговците да разпределят кредита за реализация между множеството маркетингови допирни точки, с които клиентът взаимодейства, преди да извърши реализация. Моделирането на приписването отговаря на основния въпрос: кои маркетингови канали и кампании всъщност са довели до тази продажба? Отговорът варира драстично в зависимост от модела, който използвате, а изборът на грешен модел води до систематично свръх или недостатъчно инвестиране в определени канали. Повечето пътешествия на клиента включват множество допирни точки преди реализация. Типично B2C пътуване може да включва: откриване на органично търсене, имейл бюлетин, реклама в социални медии, директно посещение и след това щракване за покупка в Google Shopping. Едно B2B пътуване може да обхване 15-30 допирни точки за 90 дни, включително изтегляне на съдържание, присъствие на уеб семинари, последователности от имейли за продажби, платено пренасочване и директен обхват. Начинът, по който разпределяте кредита за реализация между тези допирни точки, фундаментално оформя вашите маркетингови инвестиционни решения. Шестте основни модела на приписване произвеждат радикално различни бюджетни последици. Приписването на първо кликване дава 100% заслуга на първата допирна точка – обикновено органично търсене или социално откриване – и систематично подценява средните и долните канали на фунията. Приписването на последно щракване дава 100% заслуга на крайната допирна точка преди реализация – обикновено платено търсене или имейл – и систематично подценява информираността и каналите за обмисляне. Линейното приписване разделя кредита поравно между всички допирни точки. Приписването със затихване във времето дава повече кредит на точките на съприкосновение, които са по-близо до реализация. Базиран на позиция (U-образен) дава 40% на първата и последната допирни точки и разделя останалите 20% между средните допирни точки. Управляваното от данни приписване използва машинно обучение, за да присвои кредит въз основа на действителния принос на реализациите – най-точният, но изисква значителни данни за реализациите (обикновено 3000+ реализации за статистическа валидност). Финансовите залози при избора на модел на приписване са огромни. Компания, която преминава от последно щракване към управлявано от данни приписване, обикновено вижда, че органичното търсене получава 15-25% повече кредити, кампаниите за осведоменост в социалните медии получават 20-40% повече кредити, а брандираното платено търсене получават 15-25% по-малко кредити. Тези промени пряко влияят върху бюджетите на каналите - и следователно кои канали растат и кои се съкращават. Правилното приписване струва милиони в правилно разпределени маркетингови разходи за всеки значим рекламодател. Съвременното приписване е допълнително усложнено от пътувания между различни устройства (един и същ потребител на телефон, таблет и лаптоп), междуканални тъмни социални мрежи (частно споделяне, което не се проследява) и промени в поверителността, които нарушават проследяването, базирано на бисквитки. Проследяването от страна на сървъра, стратегиите за данни от първа страна и вероятностното моделиране са все по-необходими за точно приписване на мултитъч.
DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.
Формула
▾
Кредит за приписване на канал = Кредитно тегло на точката на съприкосновение x Обща стойност на реализация. Тази формула изчислява calc на модела на приписване чрез свързване на входните променливи чрез тяхната математическа връзка. Всеки компонент представлява измеримо количество, което може да бъде независимо проверено.Variable Legend
▾
| Символ | Име | Единица | Описание |
|---|---|---|---|
| Touchpoints | Брой маркетинг | — | Брой маркетингови взаимодействия, които клиент е имал преди реализация, което е ключов параметър в изчислението на модела на приписване, който пряко влияе върху крайния изчислен резултат |
| Conversion Value | Приходи или потенциални клиенти | — | Приходи или потенциална стойност на завършената реализация, което е ключов параметър в изчислението на модела на приписване, който пряко влияе върху крайния изчислен резултат |
| Attribution Window | Период от време през | — | Период от време, през който допирните точки се зачитат за приписване (напр. 30-дневно кликване, 1-дневен изглед) |
| Credit Weight | Процент на реализация | — | Процент на кредита за реализация, присвоен на всяка точка на съприкосновение при избрания модел |
| Assisted Conversions | Преобразувания къде | — | Реализации, при които канал се появява в пътуването, но не е последната допирна точка |
How to Attribution Model Calculator
▾
- 1Съберете необходимите входни стойности: брой маркетинг, приходи или потенциални клиенти, период от време, процент на реализация.
- 2Приложете основната формула: Кредит за приписване на канал = Кредитно тегло на точката на съприкосновение x Обща стойност на реализация.
- 3Изчислете междинни стойности като Вариант 1, ако е приложимо.
- 4Уверете се, че всички единици са последователни, преди да комбинирате термини.
- 5Изчислете крайния резултат и го прегледайте за разумност.
- 6Проверете дали някакви специални случаи или гранични условия се прилагат към вашите входове.
- 7Интерпретирайте резултата в контекста и го сравнете с референтни стойности, ако има такива.
Worked Examples
▾
Този пример демонстрира изчисление на модела на приписване чрез изчисление Моделът на приписване определя всичко: Facebook получава $0-$120, Пазаруването получава $12-$120 -- същата продажба, изключително различен кредит. Сравнение на модела на приписване -- Едно и също пътуване, различни резултати илюстрира типичен сценарий, при който калкулаторът произвежда практически полезен резултат от дадените входни данни.
Този пример демонстрира изчисление на модела на приписване чрез изчисляване на преразпределение на бюджет от $200K от промяна на модела на приписване – демонстрира защо изборът на модел е финансово решение с високи залози. Последствията за бюджета на канала от смяната на модел илюстрира типичен сценарий, при който калкулаторът произвежда практически полезен резултат от дадените входни данни.
Този пример демонстрира изчисление на модела на приписване чрез изчисляване, управлявано от данни, което не е жизнеспособно при 280 реализации/месец – използвайте приписване въз основа на позиция като най-добрата налична алтернатива. Оценката на готовността за управлявано от данни приписване илюстрира типичен сценарий, при който калкулаторът произвежда практически полезен резултат от дадените входни данни.
Този пример демонстрира изчисление на модела на приписване чрез изчисляване на органичното търсене 4,6 пъти подценено от последно щракване – анализът на подпомогнатата реализация оправдава значително увеличение на бюджета за SEO. Анализът на подпомогнато преобразуване илюстрира типичен сценарий, при който калкулаторът произвежда практически полезен резултат от дадените входни данни.
Real-World Applications
▾
Разпределение на годишен маркетингов бюджет: преразпределяне на бюджетите на канали въз основа на управлявано от данни приписване, а не на последно щракване. Това приложение обикновено се използва от професионалисти, които се нуждаят от прецизен количествен анализ в подкрепа на вземането на решения, бюджетирането и стратегическото планиране в съответните им области
Оценка на канала: определяне на истинската възвръщаемост на инвестициите на канали за информираност, които изглежда имат ниски нива на директна реализация. Практиците в индустрията разчитат на това изчисление, за да сравнят производителността, да сравнят алтернативите и да гарантират съответствие с установените стандарти и регулаторни изисквания
Сравнение на платформи: нормализиране на приписването в Google Ads, Meta Ads и GA4, всеки от които използва различни модели. Академични изследователи и студенти използват това изчисление, за да валидират теоретични модели, да изпълняват курсови задачи и да развият по-задълбочено разбиране на основните математически принципи
Изпълнително отчитане: изграждане на унифициран модел на приписване, който справедливо представя всички канали в отчитането на ROI на ниво съвет. Финансовите анализатори и плановиците включват това изчисление в своя работен процес, за да изготвят точни прогнози, да оценят рисковите сценарии и да представят препоръки, базирани на данни, на заинтересованите страни
Измерване на ефективността на агенцията: оценяване на управляваните от агенцията канали по нарастване, а не на приписани кликвания. Това приложение обикновено се използва от професионалисти, които се нуждаят от прецизен количествен анализ в подкрепа на вземането на решения, бюджетирането и стратегическото планиране в съответните им области
Special Cases
▾
Приписване на офлайн реализация: импортиране на покупки в магазина, телефонно обаждане
Приписване на офлайн реализации: импортиране на покупки в магазина, реализации на телефонни обаждания и затваряне на CRM сделки обратно към рекламните платформи за пълно проследяване на пътуването. Когато се натъкнат на този сценарий при изчисленията на модела на приписване, потребителите трябва да потвърдят, че техните въведени стойности попадат в очаквания диапазон, за да може формулата да произведе значими резултати. Входните данни извън обхвата могат да доведат до математически валидни, но практически безсмислени изходи, които не отразяват условията в реалния свят.
Приписване на различни устройства: потребителите, които превключват между телефон и настолен компютър, създават
Приписване на различни устройства: потребителите, превключващи между телефон и настолен компютър, създават отделни сесии, базирани на бисквитки; изискват се потребителски данни за влязъл в системата или вероятностно съпоставяне. Този ръбов случай често възниква в професионални приложения на изчисляване на модел на приписване, където са включени гранични условия или екстремни стойности. Практиците трябва да документират кога възниква тази ситуация и да преценят дали алтернативните методи за изчисление или коригиращи фактори са по-подходящи за техния конкретен случай на употреба.
B2B приписване на ниво акаунт: множество контакти в една и съща компания взаимодействат
B2B приписване на ниво акаунт: множество контакти в една и съща компания взаимодействат с маркетинга; атрибут на ниво акаунт, а не на ниво индивидуален контакт В контекста на изчислението на модела на приписване, този специален случай изисква внимателно тълкуване, тъй като стандартните допускания може да не са валидни. Потребителите трябва да съпоставят резултатите с опит в областта и да обмислят консултация с допълнителни препратки или инструменти за валидиране на изхода при тези нетипични условия.
Тъмно социално приписване: частно споделяне чрез WhatsApp, Slack и имейл е
Тъмно социално приписване: частното споделяне чрез WhatsApp, Slack и имейл не се проследява; използвайте UTM параметри и кратки връзки за мрачни социални кампании Когато се сблъскате с този сценарий в изчисленията на модела на приписване, потребителите трябва да проверят дали техните входни стойности попадат в очаквания диапазон, за да може формулата да произведе смислени резултати. Входните данни извън обхвата могат да доведат до математически валидни, но практически безсмислени изходи, които не отразяват условията в реалния свят.
Референтни данни за Attribution Model Calc
▾
| Модел на приписване | Първа допирна точка | Средни допирни точки | Последна допирна точка | Най-добро за |
|---|---|---|---|---|
| Последно кликване | 0% | 0% | 100% | Директен отговор, оптимизация на долната фуния |
| Първо кликване | 100% | 0% | 0% | Оценка на канала за информираност/откриване |
| Линеен | Равен дял | Равен дял | Равен дял | Дори кредит, просто мултитъч |
| Разпад във времето | По-малко | Среден | повече | Кратки цикли на разглеждане |
| U-образна форма, базирана на позиция | 40% | Разделяне на 20% | 40% | Повечето B2B и обмислени покупки |
| Управляван от данни | ML-присвоено | ML-присвоено | ML-присвоено | Голям обем, най-добра точност |
Frequently Asked Questions
▾
Това се отнася до изчисленията на модела на приписване. Това е важно съображение при работа с калкулационни изчисления на модел на приписване в практически приложения. Отговорът зависи от конкретните входни стойности и контекста, в който се прилага изчислението. За най-добри резултати потребителите трябва да вземат предвид специфичните си изисквания и да валидират резултата спрямо известни бенчмаркове или професионални стандарти.
Това се отнася до изчисленията на модела на приписване. Това е важно съображение при работа с калкулационни изчисления на модел на приписване в практически приложения. Отговорът зависи от конкретните входни стойности и контекста, в който се прилага изчислението. За най-добри резултати потребителите трябва да вземат предвид специфичните си изисквания и да валидират резултата спрямо известни бенчмаркове или професионални стандарти.
Това се отнася до изчисленията на модела на приписване. Това е важно съображение при работа с калкулационни изчисления на модел на приписване в практически приложения. Отговорът зависи от конкретните входни стойности и контекста, в който се прилага изчислението. За най-добри резултати потребителите трябва да вземат предвид специфичните си изисквания и да валидират резултата спрямо известни бенчмаркове или професионални стандарти.
Това се отнася до изчисленията на модела на приписване. Това е важно съображение при работа с калкулационни изчисления на модел на приписване в практически приложения. Отговорът зависи от конкретните входни стойности и контекста, в който се прилага изчислението. За най-добри резултати потребителите трябва да вземат предвид специфичните си изисквания и да валидират резултата спрямо известни бенчмаркове или професионални стандарти.
Това се отнася до изчисленията на модела на приписване. Това е важно съображение при работа с калкулационни изчисления на модел на приписване в практически приложения. Отговорът зависи от конкретните входни стойности и контекста, в който се прилага изчислението. За най-добри резултати потребителите трябва да вземат предвид специфичните си изисквания и да валидират резултата спрямо известни бенчмаркове или професионални стандарти.
Това се отнася до изчисленията на модела на приписване. Това е важно съображение при работа с калкулационни изчисления на модел на приписване в практически приложения. Отговорът зависи от конкретните входни стойности и контекста, в който се прилага изчислението. За най-добри резултати потребителите трябва да вземат предвид специфичните си изисквания и да валидират резултата спрямо известни бенчмаркове или професионални стандарти.
Това се отнася до изчисленията на модела на приписване. Това е важно съображение при работа с калкулационни изчисления на модел на приписване в практически приложения. Отговорът зависи от конкретните входни стойности и контекста, в който се прилага изчислението. За най-добри резултати потребителите трябва да вземат предвид специфичните си изисквания и да валидират резултата спрямо известни бенчмаркове или професионални стандарти.
Common Mistakes to Avoid
▾
- !Използване на приписване на последно щракване за оценка на канали за информираност (социални, съдържание, дисплей) -- систематично подценява инвестициите в началото на фунията
- !Сравняване на данни за приписване между платформи, без да се признава, че всяка платформа използва различни прозорци и модели на приписване
- !Без отчитане на двойното отчитане на показванията – множество канали, претендиращи за една и съща реализация, изкуствено завишават общите приписани приходи
- !Използване на управлявано от данни приписване без достатъчен обем реализации (под 3000/месец) -- моделът няма статистическа мощност и дава ненадеждни резултати
- !Вземане на големи бюджетни решения въз основа на данни за приписване без инкрементално валидиране – приписването разкрива корелация, а не причинно-следствена връзка
Pro Tip
Изпълнете сравнение на модели на приписване в GA4, като отидете на Реклама > Приписване > Сравнение на модели. Сравнете управляваното от данни приписване с последното кликване за най-добрите ви канали. Каналите, при които управляваните от данни приписват значително повече заслуги, отколкото последното щракване, са вашите най-недооценени канали за осведоменост и обмисляне - това са основните кандидати за увеличения на бюджета. Канали, които намаляват значително при управление на данни спрямо последно щракване, може да са свръхфинансирани спрямо истинския си принос.
Did you know?
Средният B2B купувач взаимодейства с 27 части от съдържание, преди да вземе решение за покупка, според Demand Gen Report. Въпреки това повечето компании все още използват приписване на последно кликване, което кредитира само крайната точка на допир и игнорира останалите 26 взаимодействия. Тази разлика между реалността с много докосвания и приписването с едно докосване обяснява защо много B2B маркетолози систематично не инвестират достатъчно в съдържание и осведоменост за марката, въпреки огромното им влияние върху решенията за покупка.
Regional Guides
▾
🇪🇺 EU▾
🇺🇸 US▾
🇦🇺 AU▾
References
- ›Документация за приписване на Google Анализ 4
- ›Методологично ръководство за приписване на Measured.com
- ›Ръководство за приписване на HubSpot Multi-Touch
- ›Сравнителни показатели за приписване на Rockerbox
- ›Изследване на приписването на еволюцията на маркетинга
Получавайте седмични съвети по математика
Присъединете се към 12 000+ абонати, които получават съвети за калкулатор всяка седмица.