Jokainen suuri markkinointialusta tarjoaa attribuutiomallinnusta. Google Analytics antaa datavetoisen attribuution. Mainosalustanne tarjoaa viimeisen kosketuksen, ensimmäisen kosketuksen, lineaarisen, aikavaimennetun ja sijaintiin perustuvan mallin. Asiakasdata-alustallanne on todennäköisesti oma versionsa. Ja kaikilla on sama perusongelma.
Ne mittaavat korrelaatiota. Yksikään niistä — ei edes ”datavetoinen” attribuutio — ei vastaa kysymykseen, josta budjettipäätöksenne oikeasti riippuvat: mitä olisi tapahtunut, jos tätä kanavaa ei olisi ollut?
Miten attribuutiomallit toimivat (ja miksi ne ovat puutteellisia)
Kaikki vakioattribuutiomallit seuraavat konversiopolkuja ja jakavat kunnian kosketuspisteille jonkin säännön mukaan. Viimeinen kosketus antaa 100 % kunniasta viimeiselle kosketuspisteelle ennen konversiota. Ensimmäinen kosketus antaa sen ensimmäiselle. Lineaarinen jakaa tasan. Aikavaimennettu antaa enemmän kunniaa tuoreille kosketuksille.
”Datavetoinen” attribuutio käyttää koneoppimista löytääkseen kuvioita siitä, mitkä kosketuspisteyhdistelmät korreloivat korkeamman konversioasteen kanssa. Se kuulostaa hienostuneemmalta — ja on — mutta mittaa silti korrelaatiota. Kosketuspiste, joka esiintyy usein konvertoivissa poluissa, saa enemmän kunniaa, vaikka nuo polut olisivat konvertoineet muutenkin.
Brändihaun ongelma: ostamassa olevat asiakkaat hakevat usein brändinimeänne ennen konversiota. Brändihaku saa valtavan attribuutiokunnian lähes jokaisessa mallissa. Mutta aiheuttiko brändihaku konversion — vai hakiko asiakas siksi, että oli jo päättänyt ostaa?
Miksi ostoaikomus pilaa luvut
Attribuutiomallit johtavat harhaan siksi, että ostoaikomus ajaa molempia puolia yhtä aikaa. Jo ostopäätöksen lähellä olevat asiakkaat käyttäytyvät eri tavalla: he klikkaavat enemmän mainoksia, hakevat brändiänne ja avaavat enemmän sähköposteja. Niinpä he esiintyvät useammin jokaisessa onnistuneessa konversiopolussa riippumatta siitä, tekikö kanava yhtään mitään.
Mikä tahansa malli, joka jakaa kunniaa läsnäolon perusteella konversiopolussa, yliarvioi järjestelmällisesti kanavia, joita korkean ostoaikomuksen asiakkaat sattuvat käyttämään — ei siksi että kanavat aiheuttivat konversiot, vaan siksi että nuo asiakkaat olisivat konvertoineet joka tapauksessa.
Kun keskiarvo piilottaa vastakohdan
Yksi kuvio kannattaa tuntea nimeltä, koska se on yleinen ja kallis: koko asiakaskunnassa pätevä tulos voi kadota tai kääntyä päinvastaiseksi heti kun sen jakaa segmentteihin.
Todellinen kuvio: uudelleenmarkkinointikampanja näyttää tuottavan 12 % korkeamman konversioasteen kuin verrokkiryhmä kokonaisuutena. Mutta kun se jaetaan aiemman ostohistorian mukaan, sillä ei ole mitään vaikutusta uusiin asiakkaisiin ja negatiivinen vaikutus uskollisiin asiakkaisiin, joita uudelleenmarkkinointi ärsyttää. Kokonaistulos — se joka ohjaa budjettipäätöksiä — on seurausta asiakastyyppien sekoituksesta, ei kampanjasta.
Attribuutiomallit eivät pysty huomaamaan tätä saati korjaamaan sitä, koska ne eivät koskaan mallinna sitä, miten liiketoimintanne palaset oikeasti liittyvät toisiinsa.
Marketing Mix Modeling ei ole vastaus
Marketing Mix Modeling arvioi aikasarjaregressiolla kanavien osuutta liikevaihdosta. Se on joiltain osin parempi kuin kosketuspisteattribuutio — se pystyy huomioimaan laskevan rajahyödyn ja heijastusvaikutukset — mutta siinä on oma perusrajoituksensa.
MMM arvioi korrelaatiota panostuksen ja liikevaihdon välillä ajan yli. Se ei erota toisistaan kanavia, jotka aiheuttavat liikevaihtoa, ja kanavia, jotka korreloivat liikevaihdon kanssa yhteisen sesongin tai brändivauhdin takia. Kanava, johon panostatte enemmän korkean kysynnän aikoina, näyttää tehokkaammalta kuin on.
- —MMM-mallit vaativat tyypillisesti 2–3 vuotta viikkodataa vakaisiin arvioihin — useimmilla yrityksillä ei ole sitä
- —Ne eivät tuota asiakastason arvioita — vain kokonaistason panostus–liikevaihto-käyriä
- —Ne olettavat vakiotuoton mallinnetulla jaksolla, mikä pitää harvoin paikkansa
- —Ne eivät pysty arvioimaan segmenttikohtaisia vaikutuksia — mitkä kanavat toimivat kenellekin
Mitä kausaalinen attribuutio oikeasti mittaa
Kausaalinen attribuutio käyttää kausaalipäättelyn menetelmiä — erityisesti potentiaalisten lopputulemien kehikkoa ja rakenteellisia kausaalimalleja — arvioidakseen niin sanottua lisävaikutusta: sitä konversioasteen tai liikevaihdon muutosta, joka on suoraan kanavan ansiota, kun sekoittavat tekijät on vakioitu.
Keskeinen ero on vaihtoehtoinen skenaario: ”Mikä konversioaste olisi ollut, jos tätä kanavaa ei olisi ollut, niille asiakkaille jotka sille todellisuudessa altistuivat?” Tähän attribuutiomallit tai MMM eivät pysty vastaamaan. Se vaatii kausaalipäättelyä.
Lisävaikutuksen ja attribuution ero
Attribuutio kysyy: ”Mikä kanava saa kunnian tästä konversiosta?” Kausaalipäättely kysyy: ”Aiheuttiko tämä kanava konversion — vai olisiko se tapahtunut muutenkin?” Jälkimmäinen on se, jolla on väliä budjettipäätöksissä. Kannattaa maksaa vain lisäkonversioista, ei konversioista jotka olisivat tapahtuneet joka tapauksessa.
Miten siirtyä korrelaatiosta syy-seuraussuhteisiin
Käytännön polku ei vaadi attribuutiotyökaluistanne luopumista. Se vaatii sen ymmärtämistä, mitä ne kertovat (mitkä kanavat korreloivat konversion kanssa) ja mitä eivät (mitkä kanavat aiheuttavat konversion). Ja sitten kausaalipäättelyn käyttämistä vaikeampaan kysymykseen.
- —Tunnista keskeiset attribuutiokysymyksesi: mistä kanavista olet epävarmin? Brändihaku on yleensä ensimmäinen ehdokas
- —Rakenna kausaalirakenne: toimenpide = kanavalle altistuminen, lopputulos = konversio, sekoittavat tekijät = ostoaikomuksen merkit, aiempi käyttäytyminen, demografia
- —Mittaa lisävaikutus asiakastason datasta vertaamalla samanlaisia samanlaisiin sen sijaan että antaisit kunnian sille, joka sattui olemaan polulla
- —Vertaa kausaaliarvioita attribuutiomallien tuloksiin — ero kertoo, kuinka paljon sekoittavat tekijät vääristävät attribuutiotanne
- —Siirrä budjettia pois kanavilta, joilla on korkea attribuutiokunnia mutta matala todellinen vaikutus
Tyypillinen löydös: kausaaliarvioihin perustuva uudelleenkohdennus vähentää hukkaan menevää panostusta 20–40 % samalla kun konversioiden kokonaismäärä pysyy ennallaan tai paranee. Hukkaan mennyt raha valui kanaviin, jotka olivat konversiopoluilla mutta eivät aiheuttaneet niitä.
Yhteenveto
Attribuutiomallinnus ei ole katoamassa. Se on hyödyllinen asiakaspolkujen ymmärtämiseen ja kosketuspisteiden järjestyksen optimointiin. Mutta budjetin jakamiseen — kuinka paljon kuhunkin kanavaan panostetaan — tarvitaan kausaaliarvioita, ei korrelaatioon perustuvaa kunnian jakamista.
Seuraavan viiden vuoden markkinointianalytiikassa voittavat ne tiimit, jotka siirtyvät kysymyksestä ”mikä kanava saa kunnian” kysymykseen ”mikä kanava aiheuttaa tuloksia”. Se on menetelmällinen muutos, ja se on kenen tahansa asiakastason dataa omaavan tiimin ulottuvilla.