گوگل اتریبیوشن؛ ابزار جدید آنالیتیکس برای بهینه کردن کمپینهای تبلیغاتی
چند وقت پیش بود که در گوگل آنالیتیکس بخش جدیدی به اسم اتریبیوشن Attribution اضافه شد. طبق توضیحات خود گوگل، با استفاده از این ویژگی میتوانید تبلیغات را بهتر توزیع کنید و دید بهتری نسبت به مشتریها و عملکرد کمپینهای دیجیتال مارکتینگ داشته باشید. اما اتریبیوشن آنالیتیکس چطور به شما برای بهبود عملکرد تبلیغات و رصد کردن کاربران کمک میکند؟
برای این که بتوانید از این ویژگی درست استفاده کنید، باید با بخشها و مدلهای گوگل آنالیتیکس اتریبیوشن آشنا شوید. در ادامه انواع مدلها و ویژگیهای اتریبیوشن را توضیح میدهیم. بعد از آن میتوانید اتریبیوشن آنالیتیکس را در کمپینهای تبلیغاتی بعدی استفاده کنید و نرخ تبدیل مخاطب به مشتری را افزایش دهید.
اتریبیوشن آنالیتیکس دقیقا چیست؟
هر مشتری قبل از تبدیل شدن از مخاطب به مشتری یک مسیر مشخص را طی میکند. در این مسیر، کارهای مختلفی مانند کلیک کردن، دیدن تبلیغات و چیزهای دیگر انجام میشود. اتریبیوشن در واقع به هر واکنشی که در مسیر سفر مشتری انجام میگیرد، یک وزن و اعتبار اختصاص میدهد.
نکته: هر موقع مشتری عمل مورد انتظار شما مثل خرید یا دانلود پیدیاف یا هر گونه اکشنی را انجام دهد، یک تبدیل کانورژن conversion (تبدیل مخاطب به مشتری) صورت گرفته است.
اختصاص اعتبار مدلهای مختلفی دارد. میتوان یک یا چند قانون برای آن در نظر گرفت یا این که وزن دادن به کارهای مشتری را به الگوریتم دادهمحور واگذار کرد. در ادامه هر کدام از این مدلها را تشریح میکنیم.
مدل اتریبیوشن قانونمحور
در این روش، قوانین مشخصی برای اختصاص اعتبار در نظر گرفته میشود. در مدل قانونمحور، از نوع تبدیل و رفتار کاربر صرف نظر میشود. چند روش در مدل قانونمحور وجود دارد:
-
Last click آخرین کلیک : تمام اعتبار را به کلیک آخر یک رویداد اختصاص میدهد
First click اولین کلیک : تمام اعتبار به نخستین کلیک یک رویداد داده میشود
Linear روش خطی : اعتبار را به صورت مساوی بین تمام کارهای انجام شده در طول مسیر تقسیم میکند
Time decay روش وابسته به زمان : کارهایی بیشتر اعتبار میگیرند که به زمان انجام تبدیل نزدیکتر باشند. اعتبار به وسیله مدل «7 روزه با ارزش نصف» توزیع میشود. به عنوان مثال، رویدادی که 8 روز قبل از تبدیل (conversion) انجام شده، نصف رویدادی که 1 روز قبل صورت گرفته اعتبار میگیرد
Position-based اعتبار دادن بر اساس موقعیت : به اولین و آخرین کلیک انجام شده در مسیر تبدیل، هر کدام 40 درصد اعتبار داده میشود. 20 درصد باقیمانده هم بین سایر رویدادها تقسیم میشوند
مدل اتریبیوشن دادهمحور
Each Data-driven : در این روش، اعتبار بر اساس دادههای هر تبدیل اختصاص داده میشود. در واقع اتریبیوشن گوگل آنالیتیکس از دادههای اکانت شما برای مشخص کردن مقدار اعتبار مناسب برای هر عمل استفاده میکند. مدل دادهمحور برای هر نوع تبدیل و هر تبلیغکننده، عملکردی اختصاصی دارد.
مدل دادهمحور چگونه کار میکند؟
اتریبیوشن آنالیتیکس با استفاده از الگوریتمهای یادگیری ماشین، مسیرهای تبدیل را ارزیابی میکند. چه تبدیل صورت گرفته باشد و چه کاربر اقدامی نکرده باشد، مسیرها توسط مدل دادهمحور بررسی میشوند. در واقع گوگل متوجه میشود چطور کارهای مختلف در طول مسیر، روی تبدیلها تاثیر میگذارند. این مدل عوامل مختلف مثل زمان، نوع دستگاه، تعداد تراکنشها و نمایش تبلیغ را در نظر میگیرد.
مدل دادهمحور اتریبیوشن آنالیتیکس، مسیر طی شده توسط کاربر را با مسیر مورد انتظار، مقایسه میکند. با این کار مشخص میشود کدام عمل بیشترین تاثیر را در انجام یک تبدیل داشته است. بر همین اساس، بیشترین اعتبارها به تاثیرگذارترین عملها اختصاص داده میشوند.
موارد مورد نیاز برای مدل دادهمحور در اتریبیوشن آنالیتیکس
اتریبیوشن گوگل آنالیتیکس برای تعیین اعتبار هر عمل، به مقدار مشخصی داده نیاز دارد. به همین دلیل، این مدل در حساب کاربری همه دیده نمیشود. باید حداقل در ماه 600 تبدیل داشته باشید تا بتوانید از مدل دادهمحور استفاده کنید.
بعد از تعریف پروژه به محض این که دادهها به حداقل مقدار ممکن برسند، اتریبیوشن آنالیتیکس کار تحلیل دادهمحور را شروع میکند.
وقتی دادههای کافی جمع شدند، میتوانید گزارش دادهها را ببینید. اگر دادههای کافی نداشته باشید، نمیتوانید از این مدل استفاده کنید.
مدل داده محور چطور همیشه دقیق عمل میکند؟
برای این که مدل دادهمحور اتریبیوشن آنالیتیکس بتواند دقیق عمل کند، به دادههای جدید و بهروز شده نیاز دارد. اگر تعداد تبدیلها در یک ماه کاهش پیدا کند و به حد نصاب مشخص نرسد، نمیتوان گزارش اتریبیوشن بر اساس این مدل را مشاهده کرد.
مقایسه اتریبیوشن و قیف چندکاناله در گوگل آنالیتیکس
با استفاده از ویژگی قیف چندکاناله (multi-channel funnel) هم میتوان مسیر تبدیل یک کاربر را بررسی کرد. با توجه به نیازهای پروژه، میتوانید بین این قابلیت و اتریبیوشن یکی را انتخاب کنید. در ادامه آنها را با هم مقایسه و مزایا و معایب هر کدام را مشخص میکنیم. با توجه به کارایی، مقایسه در قالب بخشهای گزارش، مدل دادهمحور و مدل قانونمحور انجام میشود.
گزارشها
اتریبیوشن آنالیتیکس میتواند در گزارشها مواردی مثل مقایسه مدلها، مسیرهای تبدیل، طول مسیر و تاخیر در تبدیل (conversion lag) را نشان دهد.
در گزارش روش قیف چندکاناله، بهترین مسیرهای تبدیل نمایش داده میشوند. همچنین میتوانید آنالیز نرخ بازگشت سرمایه (ROI) و مقدار تاخیر زمانی (Time lag) را هم ببینید.
گزارشها در هر دو روش قابلیت شخصیسازی دارند. در اتریبیوشن آنالیتیکس، گروهبندی کانالها طبق اتریبیوشن و گروهبندی پیشفرض کانالها (Default channel grouping) قابل مشاهده هستند. روش قیف چندکاناله گروهبندی کانالها را به هر سه روش سیستمی، پیشفرض و سفارشی، نمایش میدهد.
مدل دادهمحور
استفاده از این مدل در روش قیف چندکاناله رایگان نیست. تنها کاربران آنالیتیکس 360 میتوانند از این قابلیت استفاده کنند. اما اتریبیوشن آنالیتیکس این ویژگی را بدون هزینه در اختیار شما قرار میدهد.
اتریبیوشن آنالیتیکس در برابر روش قیف چندکاناله برتریهای دیگری هم دارد. میتوانید تمام اتفاقهایی که در طول مسیر سفر مشتری رخ داده است را مشاهده کنید. در روش قیف چند کاناله، تنها 4 عکسالعمل آخر کاربر نشان داده میشود.
نکته: در اتریبیوشن، کانال مستقیم (Direct) در نظر گرفته نمیشود، اما در روش قیف چندکاناله این کانال هم وجود دارد.
مدل قانونمحور
همانطور که قبلا گفته شد، در اتریبیوشن آنالیتیکس میتوان از گزینههایی مثل آخرین کلیک، اولین کلیک، خطی، زمانمحور و موقعیتمحور استفاده کرد.
در روش قیف چندکاناله، گزینه اولین کلیک وجود ندارد. به جای آن میتوانید گزینههای آخرین عکسالعمل، آخرین کلیک گوگل ادز و اولین عکسالعمل را انتخاب کنید.
جمعبندی
اتریبیوشن آنالیتیکس قابلیتهای ویژه ای برای ارزیابی کمپینهای تبلیغاتی و مسیر سفر مشتری دارد. با استفاده درست از آن و تحلیل درست آن ، میتوان نرخ تبدیل و میزان فروش را افزایش داد.
قبل از هر چیزی باید اهداف و خواستههای خود از پروژه را مشخص کنید. گاهی وقتها روش قیف چندکاناله میتواند برای شما مفیدتر باشد.
اتریبیوشن آنالیتیکس هنوز در نسخه بتا است. احتمالا در نسخههای بعدی شاهد قابلیتهای بیشتر و کاربردیتر در آن خواهیم بود.
۲ دیدگاه. Leave new
سلام. بسیار مطلب مفیدی بود. سپاسگزارم
سلام و درود
خوشحالیم که این مطلب براتون مفید بوده
با تشکر از کامنت شما