Що таке Attribution Model Calculator?
▾
Калькулятор моделі атрибуції допомагає маркетологам розподілити кредит конверсії між кількома маркетинговими точками взаємодії, з якими клієнт взаємодіє перед конверсією. Моделювання атрибуції відповідає на фундаментальне запитання: які маркетингові канали та кампанії насправді сприяли цьому продажу? Відповідь різко різниться залежно від моделі, яку ви використовуєте, і вибір неправильної моделі призводить до систематичного надмірного або недостатнього інвестування в певні канали. Більшість шляхів клієнта включають кілька точок дотику до конверсії. Типова подорож B2C може включати: пошук звичайних пошукових запитів, інформаційний бюлетень електронною поштою, рекламу в соціальних мережах, пряме відвідування, а потім клік покупки в Google Shopping. Подорож B2B може охоплювати 15-30 точок взаємодії протягом 90 днів, включаючи завантаження вмісту, відвідування вебінарів, продажі електронних листів, платне перенацілювання та пряме охоплення. Те, як ви розподіляєте кредит конверсії між цими точками взаємодії, фундаментально визначає ваші маркетингові інвестиційні рішення. Шість основних моделей атрибуції мають кардинально різні наслідки для бюджету. Атрибуція першого кліку надає 100% кредиту першій точці дотику – як правило, звичайного пошуку чи соціальних відкриттів – і систематично занижує цінність середніх і нижніх каналів послідовності. Атрибуція останнього кліку надає 100% кредиту останній точці взаємодії перед конверсією (зазвичай оплаченим пошуком або електронною поштою) і систематично занижує обізнаність і канали розгляду. Лінійна атрибуція рівномірно розподіляє кредит між усіма точками взаємодії. Атрибуція із загасанням у часі надає більше цінності точкам дотику, ближчим до конверсії. На основі позиції (U-подібний) дає 40% першій і останній точкам дотику, а решта 20% розподіляє між середніми точками дотику. Атрибуція на основі даних використовує машинне навчання, щоб призначити кредит на основі фактичного внеску конверсії. Це найточніше, але вимагає значних даних про конверсії (зазвичай понад 3000 конверсій для статистичної достовірності). Фінансові ставки вибору моделі атрибуції величезні. Компанія, яка переходить від атрибуції за останнім кліком до атрибуції на основі даних, зазвичай бачить, що звичайний пошук отримує на 15-25% більше кредиту, кампанії з підвищення обізнаності в соціальних мережах отримують на 20-40% більше кредиту, а фірмовий платний пошук отримує на 15-25% менше кредиту. Ці зміни безпосередньо впливають на бюджети каналів — і, отже, на те, які канали зростають, а які скорочуються. Для будь-якого великого рекламодавця правильна атрибуція коштує мільйонів у правильному розподілі маркетингових витрат. Сучасна атрибуція ще більше ускладнюється переміщеннями між пристроями (той самий користувач на телефоні, планшеті та ноутбуці), міжканальними темними соціальними мережами (приватний обмін, який не відстежується) і змінами конфіденційності, які порушують відстеження на основі файлів cookie. Відстеження на стороні сервера, стратегії власних даних і ймовірнісне моделювання стають все більш необхідними для точного мультитач-атрибуції.
DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.
Формула
▾
Кредит атрибуції на канал = вага кредиту точки дотику x загальна вартість конверсії. Ця формула розраховує модель атрибуції calc шляхом зв’язку вхідних змінних через їх математичний зв’язок. Кожен компонент представляє вимірну величину, яку можна незалежно перевірити.Опис змінних
▾
| Символ | Ім'я | Одиниця | Опис |
|---|---|---|---|
| Touchpoints | Номер маркетингу | — | Кількість маркетингових взаємодій, які клієнт мав перед конверсією, є ключовим параметром у розрахунку моделі атрибуції, який безпосередньо впливає на кінцевий обчислений результат |
| Conversion Value | Дохід або потенціал | — | Дохід або потенційна вартість завершеної конверсії, яка є ключовим параметром у розрахунку моделі атрибуції, який безпосередньо впливає на остаточний обчислений результат |
| Attribution Window | Період часу протягом | — | Період часу, протягом якого точки дотику зараховуються для атрибуції (наприклад, 30-денний клік, 1-денний перегляд) |
| Credit Weight | Відсоток конверсії | — | Відсоток кредиту конверсії, призначений кожній точці взаємодії за вибраною моделлю |
| Assisted Conversions | Перетворення де | — | Конверсії, у яких канал з’явився на шляху, але не був останньою точкою дотику |
Як Attribution Model Calculator
▾
- 1Зберіть необхідні вхідні значення: кількість маркетингових заходів, дохід або потенційний клієнт, період часу, відсоток конверсії.
- 2Застосуйте основну формулу: Кредит атрибуції на канал = Кредитна вага точки дотику x Загальна вартість конверсії.
- 3Обчисліть проміжні значення, такі як варіант 1, якщо це можливо.
- 4Переконайтеся, що всі одиниці узгоджені перед об’єднанням термінів.
- 5Обчисліть кінцевий результат і перевірте його на обґрунтованість.
- 6Перевірте, чи застосовуються якісь особливі випадки або граничні умови до ваших вхідних даних.
- 7Інтерпретуйте результат у контексті та порівняйте з еталонними значеннями, якщо такі є.
Розв'язані приклади
▾
Цей приклад демонструє розрахунок моделі атрибуції шляхом обчислення. Модель атрибуції визначає все: Facebook отримує 0–120 доларів США, Покупки – 12–120 доларів США – той самий розпродаж, але дуже різний кредит. Порівняння моделі атрибуції – той самий шлях, різні результати ілюструє типовий сценарій, коли калькулятор створює практично корисний результат на основі наданих вхідних даних.
Цей приклад демонструє розрахунок моделі атрибуції шляхом обчислення перерозподілу бюджету в розмірі 200 тис. дол. США від зміни моделі атрибуції – демонструє, чому вибір моделі є фінансовим рішенням із високими ставками. Наслідки перемикання моделі для бюджету каналів ілюструють типовий сценарій, коли калькулятор створює практично корисний результат на основі наданих вхідних даних.
У цьому прикладі демонструється розрахунок моделі атрибуції шляхом обчислення на основі даних, що не є життєздатним при 280 конверсіях на місяць – використовуйте атрибуцію на основі позиції як найкращу доступну альтернативу. Оцінка готовності атрибуції на основі даних ілюструє типовий сценарій, коли калькулятор створює практично корисний результат на основі наданих вхідних даних.
У цьому прикладі демонструється розрахунок моделі атрибуції шляхом обчислення звичайних результатів пошуку в 4,6 раза, занижених за останнім кліком – допоміжний аналіз конверсій виправдовує значне збільшення бюджету SEO. Аналіз допоміжних перетворень ілюструє типовий сценарій, коли калькулятор створює практично корисний результат на основі наданих вхідних даних.
Практичне застосування
▾
Розподіл річного маркетингового бюджету: перерозподіл бюджетів каналу на основі атрибуції на основі даних, а не на основі останнього кліку. Ця програма зазвичай використовується професіоналами, яким потрібен точний кількісний аналіз для підтримки прийняття рішень, бюджетування та стратегічного планування у відповідних галузях
Оцінка каналу: визначення справжньої рентабельності інвестицій каналів поінформованості, які мають низький коефіцієнт прямої конверсії. Практики галузі покладаються на цей розрахунок для порівняння продуктивності, порівняння альтернатив і забезпечення відповідності встановленим стандартам і нормативним вимогам
Порівняння платформ: нормалізація атрибуції в Google Ads, Meta Ads і GA4, які використовують різні моделі. Академічні дослідники та студенти використовують ці обчислення для перевірки теоретичних моделей, виконання курсових завдань і глибшого розуміння математичних принципів, що лежать в основі
Звіти керівників: створення уніфікованої моделі атрибуції, яка чесно представляє всі канали у звітах про рентабельність інвестицій на рівні правління. Фінансові аналітики та спеціалісти з планування включають цей розрахунок у свій робочий процес для створення точних прогнозів, оцінки сценаріїв ризику та надання рекомендацій на основі даних зацікавленим сторонам
Вимірювання ефективності агентства: оцінка каналів, керованих агентством, за приростом, а не за приписуваними кліками. Ця програма зазвичай використовується професіоналами, яким потрібен точний кількісний аналіз для підтримки прийняття рішень, бюджетування та стратегічного планування у відповідних галузях
Особливі випадки
▾
Атрибуція офлайн-конверсій: імпорт покупок у магазині, телефонний дзвінок
Атрибуція офлайн-конверсій: імпорт покупок у магазині, конверсій телефонних дзвінків і закриття угод CRM назад на рекламні платформи для повного відстеження шляху. Зіткнувшись із цим сценарієм під час обчислень моделі атрибуції, користувачі повинні перевірити, чи входять їхні вхідні значення в очікуваний діапазон, щоб формула дала значущі результати. Вхідні дані, що виходять за межі діапазону, можуть призвести до математично дійсних, але практично безглуздих вихідних даних, які не відображають реальних умов.
Атрибуція між пристроями: створюють користувачі, які перемикаються між телефоном і комп’ютером
Атрибуція між пристроями: користувачі, перемикаючись між телефоном і комп’ютером, створюють окремі сеанси на основі файлів cookie; потрібні дані користувача, що ввійшли в систему, або імовірнісна відповідність. Цей граничний випадок часто виникає в професійних програмах обчислення моделі атрибуції, де задіяні граничні умови або екстремальні значення. Практикуючі спеціалісти повинні задокументувати, коли ця ситуація виникає, і розглянути, чи альтернативні методи розрахунку або коефіцієнти коригування більш підходять для їхнього конкретного випадку використання.
Атрибуція на рівні облікового запису B2B: взаємодіють кілька контактів однієї компанії
Атрибуція на рівні облікового запису B2B: кілька контактів в одній компанії взаємодіють із маркетингом; атрибут на рівні облікового запису, а не на рівні індивідуального контакту. У контексті обчислення моделі атрибуції цей особливий випадок вимагає ретельного тлумачення, оскільки стандартні припущення можуть не виконуватися. Користувачам слід перехресно порівняти результати з експертними знаннями в галузі та розглянути можливість звернення до додаткових посилань або інструментів для перевірки виходу за цих нетипових умов.
Темна соціальна атрибуція: приватний обмін через WhatsApp, Slack та електронну пошту
Темна соціальна атрибуція: приватний обмін через WhatsApp, Slack і електронну пошту не відстежується; використовуйте параметри UTM і короткі посилання для темних соціальних кампаній. Зустрічаючись із цим сценарієм під час обчислень моделі атрибуції, користувачі повинні переконатися, що їхні вхідні значення входять у очікуваний діапазон, щоб формула дала значущі результати. Вхідні дані, що виходять за межі діапазону, можуть призвести до математично дійсних, але практично безглуздих вихідних даних, які не відображають реальних умов.
Довідкові дані Attribution Model Calc
▾
| Модель атрибуції | Перша точка дотику | Середні точки дотику | Остання точка дотику | Найкраще для |
|---|---|---|---|---|
| Останній клік | 0% | 0% | 100% | Пряма відповідь, оптимізація нижньої воронки |
| Перший клік | 100% | 0% | 0% | Оцінка каналу обізнаності/відкриття |
| Лінійний | Рівна частка | Рівна частка | Рівна частка | Навіть кредит, простий мультитач |
| Розпад у часі | менше | Середній | більше | Короткі цикли розгляду |
| U-образна форма на основі позиції | 40% | Розділити 20% | 40% | Більшість B2B і обдуманих покупок |
| На основі даних | ML-призначений | ML-призначений | ML-призначений | Великий обсяг, найкраща точність |
Часті запитання
▾
Це стосується обчислень моделі атрибуції. Це важливе зауваження під час роботи з обчисленнями моделі атрибуції в практичних програмах. Відповідь залежить від конкретних вхідних значень і контексту, в якому застосовується обчислення. Щоб отримати найкращі результати, користувачі повинні враховувати свої конкретні вимоги та перевіряти вихідні дані за відомими тестами або професійними стандартами.
Це стосується обчислень моделі атрибуції. Це важливе зауваження під час роботи з обчисленнями моделі атрибуції в практичних програмах. Відповідь залежить від конкретних вхідних значень і контексту, в якому застосовується обчислення. Щоб отримати найкращі результати, користувачі повинні враховувати свої конкретні вимоги та перевіряти вихідні дані за відомими тестами або професійними стандартами.
Це стосується обчислень моделі атрибуції. Це важливе зауваження під час роботи з обчисленнями моделі атрибуції в практичних програмах. Відповідь залежить від конкретних вхідних значень і контексту, в якому застосовується обчислення. Щоб отримати найкращі результати, користувачі повинні враховувати свої конкретні вимоги та перевіряти вихідні дані за відомими тестами або професійними стандартами.
Це стосується обчислень моделі атрибуції. Це важливе зауваження під час роботи з обчисленнями моделі атрибуції в практичних програмах. Відповідь залежить від конкретних вхідних значень і контексту, в якому застосовується обчислення. Щоб отримати найкращі результати, користувачі повинні враховувати свої конкретні вимоги та перевіряти вихідні дані за відомими тестами або професійними стандартами.
Це стосується обчислень моделі атрибуції. Це важливе зауваження під час роботи з обчисленнями моделі атрибуції в практичних програмах. Відповідь залежить від конкретних вхідних значень і контексту, в якому застосовується обчислення. Щоб отримати найкращі результати, користувачі повинні враховувати свої конкретні вимоги та перевіряти вихідні дані за відомими тестами або професійними стандартами.
Це стосується обчислень моделі атрибуції. Це важливе зауваження під час роботи з обчисленнями моделі атрибуції в практичних програмах. Відповідь залежить від конкретних вхідних значень і контексту, в якому застосовується обчислення. Щоб отримати найкращі результати, користувачі повинні враховувати свої конкретні вимоги та перевіряти вихідні дані за відомими тестами або професійними стандартами.
Це стосується обчислень моделі атрибуції. Це важливе зауваження під час роботи з обчисленнями моделі атрибуції в практичних програмах. Відповідь залежить від конкретних вхідних значень і контексту, в якому застосовується обчислення. Щоб отримати найкращі результати, користувачі повинні враховувати свої конкретні вимоги та перевіряти вихідні дані за відомими тестами або професійними стандартами.
Поширені помилки
▾
- !Використання атрибуції останнього кліку для оцінки каналів поінформованості (соціальний, контентний, медійний) – систематично занижує інвестиції на початку послідовності
- !Порівняння даних атрибуції на різних платформах без усвідомлення того, що кожна платформа використовує різні вікна та моделі атрибуції
- !Без урахування подвійного підрахунку переглядів: кілька каналів, які заявляють про ту саму конверсію, штучно завищують загальний віднесений дохід
- !Використання атрибуції на основі даних без достатнього обсягу конверсій (менше 3000/місяць) – моделі бракує статистичної потужності та дає ненадійні результати
- !Прийняття основних бюджетних рішень на основі даних атрибуції без перевірки інкрементальності – атрибуція виявляє кореляцію, а не причинно-наслідковий зв’язок
Порада профі
Запустіть порівняння моделі атрибуції в GA4, перейшовши в розділ «Реклама» > «Атрибуція» > «Порівняння моделі». Порівняйте атрибуцію на основі даних із атрибуцією за останнім кліком для ваших найкращих каналів. Канали, яким керовані даними призначають значно більше цінності, ніж останній клік, є вашими найбільш недооціненими каналами обізнаності та розгляду – це основні кандидати на збільшення бюджету. Канали, які суттєво падають у порівнянні з останнім кліком, можуть отримати надмірне фінансування порівняно з їхнім справжнім внеском.
Чи знаєте ви?
За даними Demand Gen Report, середній B2B-покупець взаємодіє з 27 елементами контенту, перш ніж прийняти рішення про покупку. Проте більшість компаній все ще використовують атрибуцію останнього кліку, яка враховує лише останню точку взаємодії та ігнорує інші 26 взаємодій. Цей розрив між реальністю мультидотику та атрибуцією одним дотиком пояснює, чому багато B2B-маркетологів систематично замало інвестують у контент і впізнаваність бренду, незважаючи на їхній величезний вплив на рішення про покупку.
Regional Guides
▾
🇪🇺 EU▾
🇺🇸 US▾
🇦🇺 AU▾
Джерела
- ›Документація про атрибуцію Google Analytics 4
- ›Посібник з методології атрибуції Measured.com
- ›HubSpot Multi-Touch Attribution Guide
- ›Тести атрибуції Rockerbox
- ›Дослідження атрибуції еволюції маркетингу
Отримуйте щотижневі поради з математики
Приєднуйтеся до 12 000+ підписників, які щотижня отримують поради щодо калькулятора.