What is Attribution Model Calculator?
▾
A hozzárendelési modellszámítógép segítségével a marketingesek konverziós jóváírást oszthatnak ki azon több marketing kapcsolati pont között, amellyel az ügyfél konverzió előtt interakcióba lép. Az attribúciós modellezés választ ad az alapvető kérdésre: mely marketingcsatornák és kampányok vezették valójában ezt az eladást? A válasz jelentősen eltér attól függően, hogy melyik modellt használja, és a rossz modell kiválasztása bizonyos csatornákba való szisztematikus túl- vagy alulbefektetéshez vezet. A legtöbb ügyfélút több kapcsolati pontot foglal magában a konverzió előtt. A tipikus B2C utazás a következőket foglalhatja magában: organikus keresés, e-mailes hírlevél, közösségi média hirdetés, közvetlen látogatás, majd a Google Shopping vásárlási kattintása. Egy B2B utazás 15-30 kapcsolattartási pontot ölelhet fel 90 napon keresztül, beleértve a tartalomletöltéseket, a webináriumokon való részvételt, az értékesítési e-mailek sorozatait, a fizetett újracélzást és a közvetlen elérést. A konverziós jóváírás ezen érintkezési pontok közötti elosztása alapvetően befolyásolja marketingbefektetési döntéseit. A hat elsődleges hozzárendelési modell gyökeresen eltérő költségvetési vonzatokat eredményez. Az első kattintás hozzárendelése 100%-ban az első érintkezési pontot – jellemzően organikus keresést vagy közösségi felfedezést – tulajdonítja, és rendszeresen alulértékeli a csatorna középső és alsó csatornáit. Az utolsó kattintás hozzárendelése 100%-ban a konverzió előtti utolsó érintkezési pontot – jellemzően fizetett keresést vagy e-mailt – tulajdonítja, és rendszeresen alulértékeli a tudatosságot és a mérlegelési csatornákat. A lineáris hozzárendelés egyenlően osztja fel a jóváírást az összes érintkezési pont között. Az időcsökkentő hozzárendelés nagyobb mértékben adja a konverzióhoz közelebb eső érintkezési pontokat. A pozícióalapú (U-alakú) 40%-ot ad az első és az utolsó érintkezési pontoknak, a fennmaradó 20%-ot pedig a középső érintkezési pontok között osztja fel. Az adatközpontú hozzárendelés gépi tanulást használ a jóváíráshoz a tényleges konverziós hozzájárulás alapján – ez a legpontosabb, de jelentős konverziós adatokat igényel (általában 3000+ konverzió a statisztikai érvényesség érdekében). Az attribúciós modell kiválasztásának pénzügyi tétje óriási. Az utolsó kattintásról adatvezérelt hozzárendelésre áttérő vállalat általában 15-25%-kal több jóváírást kap az organikus keresésnél, 20-40%-kal több jóváírást a közösségi médiában, a márkás fizetős kereséseknél pedig 15-25%-kal kevesebb jóváírást kapnak. Ezek az eltolódások közvetlenül befolyásolják a csatornák költségvetését – és ezáltal azt, hogy mely csatornák növekednek és melyeket csökkentik. A megfelelő forrásmegjelölés több milliót ér a helyesen elosztott marketingköltségekkel bármely jelentős léptékű hirdető számára. A modern hozzárendelést tovább bonyolítják az eszközökön keresztüli utazások (ugyanaz a felhasználó telefonon, táblagépen és laptopon), a csatornákon átívelő sötét közösségi (privát, nyomon nem követett megosztás) és a cookie-alapú követést megszakító adatvédelmi változások. A kiszolgálóoldali követés, a belső adatstratégiák és a valószínűségi modellezés egyre inkább szükségesek a pontos többérintéses hozzárendeléshez.
DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.
Képlet
▾
Hozzárendelési jóváírás csatornánként = érintési pont jóváírás súlya x teljes konverziós érték. Ez a képlet úgy számítja ki a hozzárendelési modell számítását, hogy a bemeneti változókat matematikai kapcsolatukon keresztül viszonyítja. Mindegyik komponens mérhető mennyiséget képvisel, amely egymástól függetlenül ellenőrizhető.Variable Legend
▾
| Szimbólum | Név | Egység | Leírás |
|---|---|---|---|
| Touchpoints | A marketing száma | — | Az ügyfelek által a konverzió előtt végrehajtott marketinginterakciók száma, amely a hozzárendelési modell számításának kulcsparamétere, amely közvetlenül befolyásolja a végső kiszámított eredményt |
| Conversion Value | Bevétel vagy vezető | — | A befejezett konverzió bevétele vagy lead értéke, amely a hozzárendelési modell számításának kulcsparamétere, amely közvetlenül befolyásolja a végső számított eredményt |
| Attribution Window | alatti időszak | — | Időszak, amely alatt az érintkezési pontok beleszámítanak a hozzárendelésbe (pl. 30 napos kattintás, 1 napos nézet) |
| Credit Weight | Konverzió százaléka | — | A kiválasztott modellben az egyes érintkezési pontokhoz rendelt konverziós jóváírás százalékos aránya |
| Assisted Conversions | Konverziók hol | — | Olyan konverziók, amelyeknél egy csatorna megjelent az úton, de nem volt az utolsó érintkezési pont |
How to Attribution Model Calculator
▾
- 1Gyűjtse össze a szükséges bemeneti értékeket: Marketing száma, Bevétel vagy lead, Időtartam, Konverzió százaléka.
- 2Alkalmazza az alapképletet: Hozzárendelési jóváírás csatornánként = érintési pont jóváírás súlya x teljes konverziós érték.
- 3Adott esetben számítson ki köztes értékeket, például az 1. változatot.
- 4A kifejezések kombinálása előtt ellenőrizze, hogy minden egység konzisztens-e.
- 5Számítsa ki a végeredményt, és vizsgálja meg ésszerűségét.
- 6Ellenőrizze, hogy vonatkoznak-e különleges esetek vagy peremfeltételek az Ön bemeneteire.
- 7Értelmezze az eredményt összefüggésben, és hasonlítsa össze referenciaértékekkel, ha elérhető.
Worked Examples
▾
Ez a példa a hozzárendelési modell számítását mutatja be. A hozzárendelési modell mindent meghatároz: a Facebook 0–120 USD-t, a Shopping 12–120 USD-t kap – ugyanaz az akció, merőben más jóváírás. Attribútummodell-összehasonlítás -- Ugyanaz az utazás, különböző eredmények egy tipikus forgatókönyvet szemléltet, ahol a számológép a megadott bemenetek alapján gyakorlatilag hasznos eredményt ad.
Ez a példa az attribúciós modell számítását szemlélteti a hozzárendelési modell változásából származó 200 000 dolláros költségvetési átcsoportosítás kiszámításával – bemutatja, hogy a modell kiválasztása miért nagy téttel bíró pénzügyi döntés. A Model Switch csatornaköltségvetési vonatkozásai egy tipikus forgatókönyvet mutatnak be, ahol a számológép a megadott bemenetek alapján gyakorlatilag hasznos eredményt ad.
Ez a példa a hozzárendelési modell számítását szemlélteti úgy, hogy az adatvezérelt nem életképes 280 konverzió/hó mellett – használja a pozícióalapú hozzárendelést, mint elérhető legjobb alternatívát. Az adatvezérelt attribúciós készenléti értékelés egy tipikus forgatókönyvet szemléltet, ahol a számológép a megadott bemenetek alapján gyakorlatilag hasznos eredményt ad.
Ez a példa a hozzárendelési modell számítását szemlélteti az organikus keresés 4,6-szoros alulértékeltségének kiszámításával az utolsó kattintás miatt – a támogatott konverzióelemzés indokolja a SEO költségvetésének jelentős növelését. Az Assisted Conversion Analysis egy tipikus forgatókönyvet szemléltet, ahol a számológép gyakorlatilag hasznos eredményt ad a megadott bemenetek alapján.
Real-World Applications
▾
Éves marketingköltségvetés: a csatornaköltségkeretek újraelosztása az utolsó kattintás helyett az adatközpontú hozzárendelés alapján. Ezt az alkalmazást gyakran használják olyan szakemberek, akiknek pontos kvantitatív elemzésre van szükségük a döntéshozatal, a költségvetés-tervezés és a stratégiai tervezés támogatásához saját területükön.
Csatornaértékelés: az alacsony közvetlen konverziós aránnyal rendelkező ismertségi csatornák valódi ROI-jának meghatározása. Az iparági szakemberek erre a számításra támaszkodnak a teljesítmény összehasonlítása, az alternatívák összehasonlítása, valamint a megállapított szabványok és szabályozási követelmények betartása érdekében.
Platform-összehasonlítás: a hozzárendelés normalizálása a Google Ads, a Meta Ads és a GA4 között, amelyek mindegyike különböző modelleket használ. Tudományos kutatók és hallgatók ezt a számítást elméleti modellek validálására, tanfolyami feladatok elvégzésére és a mögöttes matematikai elvek mélyebb megértésére használják.
Vezetői jelentéskészítés: olyan egységes hozzárendelési modell felépítése, amely tisztességesen reprezentálja az összes csatornát a testületi szintű ROI-jelentésekben. A pénzügyi elemzők és tervezők beépítik ezt a számítást a munkafolyamatukba, hogy pontos előrejelzéseket készítsenek, értékeljék a kockázati forgatókönyveket, és adatközpontú ajánlásokat tegyünk az érdekelt felek számára.
Ügynökségi teljesítménymérés: az ügynökség által kezelt csatornák inkrementális értékelése a hozzárendelt kattintások helyett. Ezt az alkalmazást gyakran használják olyan szakemberek, akiknek pontos kvantitatív elemzésre van szükségük a döntéshozatal, a költségvetés-tervezés és a stratégiai tervezés támogatásához saját területükön.
Special Cases
▾
Offline konverzió-hozzárendelés: bolti vásárlások importálása, telefonhívás
Offline konverzió-hozzárendelés: a bolti vásárlások, a telefonhívás-konverziók és a CRM-ügyletlezárások importálása vissza a hirdetési platformokba a teljes útkövetés érdekében Amikor ezzel a forgatókönyvvel találkoznak a hozzárendelési modell számításai során, a felhasználóknak ellenőrizniük kell, hogy a bemeneti értékeik a képlet elvárt tartományába esnek-e, hogy értelmes eredményeket kaphasson. A tartományon kívüli bemenetek matematikailag érvényes, de gyakorlatilag értelmetlen kimenetekhez vezethetnek, amelyek nem tükrözik a valós körülményeket.
Eszközök közötti hozzárendelés: a telefon és az asztal között váltogató felhasználók létrehoznak
Eszközök közötti hozzárendelés: a telefon és az asztal között váltogató felhasználók külön cookie-alapú munkameneteket hoznak létre; bejelentkezett felhasználói adatok vagy valószínűségi egyeztetés szükséges Ez a szélső eset gyakran előfordul a calc attribúciós modell professzionális alkalmazásaiban, ahol peremfeltételek vagy szélsőértékek érintettek. A gyakorló szakembereknek dokumentálniuk kell, ha ez a helyzet előfordul, és mérlegelnie kell, hogy az alternatív számítási módszerek vagy korrekciós tényezők megfelelőbbek-e az adott felhasználási esetükhöz.
B2B fiókszintű hozzárendelés: ugyanazon cégnél több kapcsolattartó is együttműködik
B2B fiókszintű hozzárendelés: ugyanabban a vállalatnál több kapcsolat lép kapcsolatba a marketinggel; attribútum a fiók szintjén, nem pedig az egyéni kapcsolattartó szinten A calc hozzárendelési modell kontextusában ez a speciális eset körültekintő értelmezést igényel, mert előfordulhat, hogy a szabványos feltételezések nem teljesülnek. A felhasználóknak össze kell vetniük az eredményeket a tartományi szakértelemmel, és fontolóra kell venniük további referenciák vagy eszközök igénybevételét a kimenet érvényesítéséhez ilyen atipikus körülmények között.
Sötét közösségi forrásmegosztás: privát megosztás a WhatsApp-on, a Slacken és az e-mailen keresztül
Sötét közösségi forrásmegjelölés: a WhatsApp, a Slack és az e-maileken keresztüli privát megosztás nem követhető; UTM-paraméterek és rövid hivatkozások használata sötét közösségi kampányokhoz Amikor ezzel a forgatókönyvvel találkoznak az attribúciós modell számításai során, a felhasználóknak ellenőrizniük kell, hogy bemeneti értékeik a képlet elvárt tartományába esnek-e, hogy értelmes eredményeket kapjanak. A tartományon kívüli bemenetek matematikailag érvényes, de gyakorlatilag értelmetlen kimenetekhez vezethetnek, amelyek nem tükrözik a valós körülményeket.
Attribútummodell Calc referenciaadatok
▾
| Hozzárendelési modell | Első érintési pont | Középső érintési pontok | Utolsó érintési pont | Legjobb For |
|---|---|---|---|---|
| Utolsó kattintás | 0% | 0% | 100% | Közvetlen válasz, csatorna alsó optimalizálása |
| Első kattintás | 100% | 0% | 0% | Tudatosság/felfedezési csatorna értékelése |
| Lineáris | Egyenlő részesedés | Egyenlő részesedés | Egyenlő részesedés | Akár hitel, egyszerű multi-touch |
| Idő-bomlás | Kevesebb | Közepes | Több | Rövid mérlegelési ciklusok |
| Pozíció alapú U-alak | 40% | 20% megosztás | 40% | A legtöbb B2B és megfontolt vásárlás |
| Adatvezérelt | ML-hozzárendelt | ML-hozzárendelt | ML-hozzárendelt | Nagy hangerő, a legjobb pontosság |
Frequently Asked Questions
▾
Ez a hozzárendelési modell számításaira vonatkozik. Ez fontos szempont, amikor gyakorlati alkalmazásokban attribúciós modell számításokkal dolgozik. A válasz a konkrét bemeneti értékektől és a számítás alkalmazásának környezetétől függ. A legjobb eredmény elérése érdekében a felhasználóknak figyelembe kell venniük sajátos követelményeiket, és érvényesíteniük kell az eredményeket az ismert benchmarkok vagy szakmai szabványok alapján.
Ez a hozzárendelési modell számításaira vonatkozik. Ez fontos szempont, amikor gyakorlati alkalmazásokban attribúciós modell számításokkal dolgozik. A válasz a konkrét bemeneti értékektől és a számítás alkalmazásának környezetétől függ. A legjobb eredmény elérése érdekében a felhasználóknak figyelembe kell venniük sajátos követelményeiket, és érvényesíteniük kell az eredményeket az ismert benchmarkok vagy szakmai szabványok alapján.
Ez a hozzárendelési modell számításaira vonatkozik. Ez fontos szempont, amikor gyakorlati alkalmazásokban attribúciós modell számításokkal dolgozik. A válasz a konkrét bemeneti értékektől és a számítás alkalmazásának környezetétől függ. A legjobb eredmény elérése érdekében a felhasználóknak figyelembe kell venniük sajátos követelményeiket, és érvényesíteniük kell az eredményeket az ismert benchmarkok vagy szakmai szabványok alapján.
Ez a hozzárendelési modell számításaira vonatkozik. Ez fontos szempont, amikor gyakorlati alkalmazásokban attribúciós modell számításokkal dolgozik. A válasz a konkrét bemeneti értékektől és a számítás alkalmazásának környezetétől függ. A legjobb eredmény elérése érdekében a felhasználóknak figyelembe kell venniük sajátos követelményeiket, és érvényesíteniük kell az eredményeket az ismert benchmarkok vagy szakmai szabványok alapján.
Ez a hozzárendelési modell számításaira vonatkozik. Ez fontos szempont, amikor gyakorlati alkalmazásokban attribúciós modell számításokkal dolgozik. A válasz a konkrét bemeneti értékektől és a számítás alkalmazásának környezetétől függ. A legjobb eredmény elérése érdekében a felhasználóknak figyelembe kell venniük sajátos követelményeiket, és érvényesíteniük kell az eredményeket az ismert benchmarkok vagy szakmai szabványok alapján.
Ez a hozzárendelési modell számításaira vonatkozik. Ez fontos szempont, amikor gyakorlati alkalmazásokban attribúciós modell számításokkal dolgozik. A válasz a konkrét bemeneti értékektől és a számítás alkalmazásának környezetétől függ. A legjobb eredmény elérése érdekében a felhasználóknak figyelembe kell venniük sajátos követelményeiket, és érvényesíteniük kell az eredményeket az ismert benchmarkok vagy szakmai szabványok alapján.
Ez a hozzárendelési modell számításaira vonatkozik. Ez fontos szempont, amikor gyakorlati alkalmazásokban attribúciós modell számításokkal dolgozik. A válasz a konkrét bemeneti értékektől és a számítás alkalmazásának környezetétől függ. A legjobb eredmény elérése érdekében a felhasználóknak figyelembe kell venniük sajátos követelményeiket, és érvényesíteniük kell az eredményeket az ismert benchmarkok vagy szakmai szabványok alapján.
Common Mistakes to Avoid
▾
- !Az utolsó kattintás hozzárendelése az ismertségnövelő csatornák (közösségi, tartalmi, vizuális) értékelésére – rendszeresen alulértékeli a csatorna tetején lévő befektetést
- !A platformok hozzárendelési adatainak összehasonlítása anélkül, hogy felismerné, hogy az egyes platformok különböző hozzárendelési ablakokat és modelleket használnak
- !Nem veszik figyelembe a kattintás nélküli konverziók kétszeres számlálását – ha több csatorna követeli ugyanazt a konverziót, mesterségesen megnöveli az összes hozzárendelt bevételt
- !Adatvezérelt hozzárendelés használata elegendő konverziós mennyiség nélkül (3000/hó alatt) -- a modell nem rendelkezik statisztikai erővel, és megbízhatatlan eredményeket ad
- !Jelentős költségvetési döntések meghozatala hozzárendelési adatok alapján, inkrementális ellenőrzés nélkül – a hozzárendelés korrelációt tár fel, nem ok-okozati összefüggést
Pro Tip
Futtasson egy hozzárendelési modell-összehasonlítást a GA4-ben a Hirdetés > Hozzárendelés > Modell-összehasonlítás menüponthoz navigálva. Hasonlítsa össze az adatközpontú hozzárendelést az utolsó kattintással a legjobb csatornáknál. Azok a csatornák, ahol az adatvezérelt csatornák lényegesen több jóváírást rendelnek hozzá, mint az utolsó kattintás, a leginkább alulértékelt tudatosság- és mérlegelési csatornák – ezek a fő jelöltek a költségvetés növelésére. Azok a csatornák, amelyek jelentősen lecsökkennek az adatvezérelt és az utolsó kattintás alatti csatornáknál, a valós hozzájárulásukhoz képest túlfinanszírozottak lehetnek.
Did you know?
A Demand Gen Report szerint az átlagos B2B vásárló 27 tartalommal lép kapcsolatba, mielőtt meghozza a vásárlási döntését. Ennek ellenére a legtöbb vállalat továbbra is az utolsó kattintás hozzárendelését használja, amely csak a végső érintkezési pontot tulajdonítja, és figyelmen kívül hagyja a többi 26 interakciót. Ez a szakadék a többérintéses valóság és az egyérintéses hozzárendelés között megmagyarázza, hogy sok B2B marketinges miért fektet rendszeresen alul a tartalomba és a márkaismertségbe, annak ellenére, hogy túlzottan befolyásolja a vásárlási döntéseket.
Regional Guides
▾
🇪🇺 EU▾
🇺🇸 US▾
🇦🇺 AU▾
References
- ›Google Analytics 4 hozzárendelési dokumentáció
- ›Measured.com hozzárendelési módszertani útmutató
- ›HubSpot Multi-Touch hozzárendelési útmutató
- ›Rockerbox Attribution Benchmarks
- ›Marketing Evolution Attribution Research
Szerezzen heti matematikai tippeket
Csatlakozzon 12 000+ feliratkozóhoz, akik minden héten kapnak tippeket a számológéphez.