Cara Menggunakan Atribusi Algoritmik untuk Konversi Gamify dan Mendorong Pertumbuhan Corong Penuh

Bagaimana Anda mendorong pertumbuhan yang menguntungkan jika Anda tidak yakin ke mana harus mengalokasikan dana pemasaran Anda? Di dunia yang semakin terfragmentasi saat ini—di mana perjalanan pembeli menjangkau beberapa perangkat, saluran, dan titik kontak sebelum menghasilkan konversi—pertanyaan ini tetap menjadi lebih penting dari sebelumnya.

Jawabannya adalah atribusi algoritmik.

Dengan percepatan pertumbuhan saluran dan teknologi digital baru, konsumen menjadi lebih cerdas (dengan rentang perhatian yang semakin pendek). Menurut sebuah studi Cisco, dibutuhkan pelanggan rata-rata 56 titik kontak untuk melakukan pembelian. Bagi pemasar yang ingin mendapatkan gambaran lengkap tentang kinerja, sekaranglah saatnya untuk beralih ke bentuk pengukuran pemasaran yang lebih komprehensif.

Apa yang dimaksud dengan model atribusi multi-sentuh algoritmik (MTA)?

Atribusi sekali sentuh telah menjadi model andalan selama beberapa tahun; kemudahan penggunaan dan popularitasnya berasal dari hubungannya dengan Google Analytics. Namun, model atribusi satu sentuhan memberikan 100% kredit konversi hanya ke satu titik kontak tanpa dapat mengevaluasi dampak dari setiap titik kontak individual (dan tindakan yang dilakukan pengguna selama sesi itu) yang mengarah ke konversi. Berikut adalah beberapa contoh model atribusi sekali sentuh:

• Sentuhan terakhir: memberikan 100% kredit ke titik kontak pemasaran terakhir sebelum konversi
• Klik terakhir: memberikan 100% kredit ke "klik terakhir" sebelum konversi
• Sentuhan pertama: memberikan 100% kredit ke titik kontak pemasaran pertama (saluran atau aktivitas yang memperoleh pelanggan)
• Klik pertama: memberikan 100% kredit ke "klik pertama"

Singkatnya, tidak masuk akal untuk secara membabi buta menetapkan kredit ke satu titik kontak konversi tanpa sajak atau alasan. Anda mungkin sudah menginvestasikan dolar iklan Anda di saluran dan kampanye yang berbeda—jadi mengapa tidak menjadi pemasar yang berpikiran maju dan mulai memberikan kredit, berdasarkan data, untuk setiap tindakan pengguna berdasarkan kontribusi mereka yang sebenarnya terhadap konversi?

Model MTA algoritmik adalah praktik terbaik baru untuk menetapkan kredit yang paling akurat dan relevan ke titik kontak pelanggan dengan memperluas pemahaman pemasar tentang bagaimana interaksi saluran yang berbeda secara langsung memengaruhi kinerja pemasaran. Berikut adalah contoh tampilan perjalanan pelanggan biasa:

Dengan mengukur kinerja setiap titik sentuh secara optimal (dan tindakan pengguna selama titik sentuh tersebut)—algoritma MTA telah terbukti jauh lebih unggul dibandingkan dengan model sentuhan pertama atau sentuhan terakhir.

Lebih dalam lagi, atribusi algoritme mencari perbedaan dalam cara pelanggan yang berkonversi terlibat dengan pemasaran versus mereka yang tidak berkonversi—memungkinkan pemasar untuk secara objektif memberikan kredit pada keterlibatan konversi yang lebih tinggi tersebut. Pada dasarnya, ini mencari pola antara audiens yang menguntungkan sebagai lawan dari audiens yang tidak menguntungkan. Ketika menemukan pola yang konsisten dalam urutan orang yang melakukan konversi, ia lebih fokus pada pola tersebut.

Pertimbangan utama dalam memilih model atribusi yang sesuai untuk bisnis inti Anda

Google Ads dan Google Analytics saat ini menggunakan pendekatan berbasis data (DDA) untuk atribusi multi-sentuh, yang memberikan kredit untuk konversi berdasarkan bagaimana orang terlibat dengan berbagai iklan Anda dan memutuskan untuk menjadi pelanggan Anda. Tetapi Anda tidak hanya harus mempertimbangkan untuk menggunakan DDA atau model MTA pihak ketiga, Anda harus mengambil langkah lebih jauh dan menambahkan "konversi lunak" sebagai titik kontak yang dimasukkan ke dalam platform Anda. Konversi lunak yang umum adalah pelanggan menambahkan ke keranjang, menunjukkan minat yang dapat dibuktikan pada produk atau layanan Anda. Sementara banyak pemasar sudah melacak peristiwa itu di Google Analytics untuk membantu pemasaran ulang, seseorang dapat menggali lebih dalam dengan menetapkan pengabaian keranjang sebagai sasaran di platform untuk melacak di mana mereka kehilangan pelanggan. Berikut adalah contoh pengunjung yang berinteraksi dengan beberapa konversi lunak sebelum akhirnya melakukan pembelian:

Menghabiskan 30 detik di situs→ mengunjungi 3+ halaman detail produk→ melihat ulasan untuk produk di halaman→ ditambahkan ke keranjang→ mulai checkout→ pembelian

Alih-alih menetapkan 100% nilai ke titik kontak akhir (pembelian), pemasar harus beralih ke model MTA algoritmik yang mempertimbangkan konversi lunak lain yang ada di jalur konversi tersebut. Metrik dan karakteristik tertentu yang penting untuk inti algoritme meliputi:

• Mempertimbangkan semua saluran pemasaran aktif
• Sifat titik kontak (misalnya klik, unduh, daftar)
• Tingkat keterlibatan pengguna di tempat (misalnya waktu yang dihabiskan di halaman)
• Beradaptasi ketika campuran media berkembang

Dengan mengambil pandangan yang lebih holistik tentang pelanggan Anda, Anda dapat memasukkan data ini ke dalam teknik penawaran otomatis dan manual dan mengoptimalkan kampanye yang sesuai. Kombinasi berbagi kredit melalui MTA serta menetapkan nilai untuk konversi lunak melalui atribusi algoritmik dapat mengarah pada gamifikasi terbaik dari pemasaran kinerja.

Menggunakan model MTA algoritmik untuk memaksimalkan laba atas investasi pemasaran

Meskipun pintasannya adalah cukup menggunakan Google Analytics secara gratis dan mengoperasikan model klik terakhir mereka untuk menentukan dari mana konversi berasal—itu sama sekali bukan cerminan perjalanan pelanggan hari ini.

Model MTA algoritmik memungkinkan Anda mengidentifikasi lebih dari sekadar saluran yang berkinerja baik di titik kontak tertentu. Kekuatan sebenarnya dari pendekatan ini adalah kemampuannya untuk membantu pemasar memahami bagaimana saluran mereka bekerja bahu-membahu untuk memindahkan pelanggan di sepanjang corong ke konversi akhirnya. Keuntungan lainnya termasuk:

• Pengukuran terpadu: Wawasan yang lebih baik tentang upaya pemasaran untuk tampilan keterlibatan pelanggan yang holistik dan terintegrasi
• Pengoptimalan waktu nyata: Pemahaman terperinci tentang apa yang berhasil menjangkau audiens yang tepat pada waktu yang tepat dengan pesan yang tepat
• Investasi yang lebih cerdas: Intelijen pemasaran yang andal untuk membuat keputusan pengeluaran yang lebih cerdas dan menuai laba atas investasi (ROI) yang lebih tinggi

Sederhananya: ini membantu pemasar mengetahui apa yang berhasil dan apa yang tidak—dan mencurahkan dana ke saluran yang memberikan ROI tertinggi. Jika salah satu dari berikut ini berlaku untuk bisnis Anda, Anda harus menggunakan MTA algoritmik yang memenuhi syarat:

1. Anda memasarkan melalui beberapa saluran dan jaringan: Atribusi algoritmik tidak akan banyak memberikan nilai tambah kecuali Anda memasarkan melalui beberapa platform iklan. Pada titik ini, jalur pembelian pelanggan Anda tidak semudah itu, artinya Anda memerlukan cara yang lebih canggih untuk menginformasikan alokasi anggaran di seluruh platform iklan.
2. Anda sedang mempertimbangkan atau secara aktif membeli saluran offline: Saat Anda terlibat dalam pemasaran offline seperti media cetak, pameran dagang, dll., adalah saat Google Analytics menjadi tidak memadai untuk memasukkan data yang relevan. Jika Anda tidak dapat mengukur pemasaran offline Anda, Anda tidak memiliki cara untuk mengetahui di mana harus menambah atau mengurangi pengeluaran.
3. Tim Anda telah menetapkan tujuan dan harapan yang realistis: Manfaat model algoritmik jarang terwujud dalam semalam. Semua tim yang terlibat harus memahami bahwa Anda sedang membangun fondasi pemasaran yang diperlukan untuk beberapa tahun ke depan, bukan besok. Kemungkinan untuk beberapa bulan pertama, kampanye Anda akan berjalan tanpa pengoptimalan algoritme apa pun untuk menetapkan tolok ukur kinerja dasar.
4. Anda perlu menunjukkan bagaimana pemasaran Anda menghasilkan hasil: Di dunia yang ideal, akan menyenangkan untuk menyalurkan uang pemasaran ke setiap saluran yang memungkinkan. Namun, pada kenyataannya, pemasar memiliki anggaran terbatas dan perlu memaksimalkan ROI secara menyeluruh. Solusinya: strategi atribusi algoritmik memungkinkan tim pemasaran untuk mengoptimalkan kampanye mereka guna menghasilkan lebih banyak pendapatan untuk setiap dolar yang dihabiskan dan memotong taktik apa pun yang berkinerja buruk.

Bagaimana memilih perangkat lunak atribusi yang tepat yang sesuai dengan kebutuhan Anda

Langkah selanjutnya adalah mencari perangkat lunak atribusi pemasaran yang memungkinkan Anda mengukur lebih dari sekadar klik, mengumpulkan konversi dari masing-masing platform, dan mengintegrasikannya untuk mendapatkan data konversi keseluruhan yang akurat. Berikut adalah beberapa tips untuk memulai:

• Pertimbangkan alat perangkat lunak yang mengelola dan melacak model MTA yang rumit, seperti dasbor analitik atau mekanisme pelaporan yang menawarkan detail tingkat tinggi dan terperinci tentang kinerja setiap saluran dan titik kontak
• Cari solusi yang menawarkan kemampuan untuk melihat bagaimana pelanggan berperilaku dan berinteraksi dengan merek Anda di berbagai saluran. Memiliki dasbor terpusat memberikan wawasan akurat yang diperlukan untuk analisis lintas saluran.
• Yang terpenting, pastikan sistem menyalurkan data kembali ke platform. Meskipun model MTA yang canggih dapat membantu manusia lebih memahami apa yang berhasil dan apa yang tidak, kami juga perlu menginformasikan penawaran otomatis yang terjadi selama lelang untuk benar-benar membuka manfaat MTA.

Ingatlah bahwa data itu sendiri pada dasarnya tidak berguna; mendorong ke wawasan yang dapat ditindaklanjuti adalah tujuan akhir untuk bisnis apa pun.

Terapkan dan perdalam wawasan pelanggan melalui pengoptimalan berkelanjutan

MTA algoritmik bukanlah peristiwa yang harus diselesaikan dan dilupakan. Untuk mengeluarkan potensi penuhnya, penting untuk terus menguji, menganalisis, dan lebih mengoptimalkan model Anda untuk menginformasikan upaya pemasaran Anda dan memastikan Anda menjangkau pelanggan yang tepat pada waktu yang tepat.

Misalnya, mengidentifikasi dan melacak konversi lunak seperti pengabaian keranjang dapat menghasilkan wawasan penting—dan menjadi langkah pertama menuju pengoptimalan berkelanjutan.

Tujuan sebenarnya dari strategi atribusi algoritmik adalah untuk membantu pemasar berinvestasi dalam pengalaman yang terbukti mendorong pertumbuhan. Sementara kenyataannya adalah bahwa sebagian besar pemasar cenderung memiliki pemahaman yang tidak lengkap (atau bahkan salah) tentang apa yang memotivasi konsumen mereka, pendekatan ini dapat membantu mereka memahami dengan tingkat kepastian yang jauh lebih besar apa peran taktik pemasaran tertentu pada segmen audiens mereka yang lebih luas.

Pemasar yang sukses terus memperdalam wawasan mereka dan memanfaatkan data untuk menguji kinerja. Kerangka kerja pemasaran kinerja yang dibangun di atas fondasi pembelajaran utama yang kuat—dan didorong oleh interaksi data dan strategi yang berkelanjutan—akan menghasilkan keajaiban bagi pemasaran, hubungan pelanggan, dan laba Anda.

Jika Anda siap untuk pendekatan yang lebih gesit, disengaja, dan terintegrasi untuk pemasaran berbasis data pada tahun 2022, unduh laporan survei eksekutif lengkap Wpromote sekarang.