วิธีใช้ Algorithmic Attribution เพื่อ Gamify Conversion และขับเคลื่อนการเติบโตแบบเต็มช่องทาง
เผยแพร่แล้ว: 2022-07-06คุณจะขับเคลื่อนการเติบโตอย่างมีกำไรได้อย่างไร หากคุณไม่แน่ใจว่าจะจัดสรรเงินทางการตลาดของคุณไปที่ใด ในโลกที่กระจัดกระจายมากขึ้นในปัจจุบัน—ที่ซึ่งการเดินทางของผู้ซื้อครอบคลุมอุปกรณ์ ช่องทาง และจุดติดต่อที่หลากหลายก่อนที่จะทำให้เกิด Conversion คำถามนี้ยังคงมีความสำคัญมากกว่าที่เคย
คำตอบคือการระบุแหล่งที่มาของอัลกอริทึม
ด้วยการเติบโตอย่างรวดเร็วของช่องทางดิจิทัลและเทคโนโลยีใหม่ ผู้บริโภคจึงเข้าใจมากขึ้น (ด้วยช่วงความสนใจที่สั้นลงและสั้นลง) จากการศึกษาของ Cisco พบว่าลูกค้าต้องใช้จุดสัมผัสเฉลี่ย 56 จุดในการซื้อ สำหรับนักการตลาดที่ต้องการทราบภาพรวมของประสิทธิภาพ ตอนนี้เป็นเวลาที่ต้องก้าวไปสู่รูปแบบการวัดการตลาดที่ครอบคลุมมากขึ้น
รูปแบบการระบุแหล่งที่มาแบบมัลติทัช (MTA) แบบอัลกอริธึมคืออะไร
การระบุแหล่งที่มาแบบแตะครั้งเดียวเป็นรูปแบบแกนนำเป็นเวลาหลายปี ความสะดวกในการใช้งานและความนิยมนั้นเกิดจากความผูกพันกับ Google Analytics อย่างไรก็ตาม รูปแบบการระบุแหล่งที่มาแบบแตะครั้งเดียวให้เครดิต Conversion 100% แก่จุดติดต่อเพียงจุดเดียว โดยไม่สามารถประเมินผลกระทบของจุดติดต่อแต่ละจุด (และการกระทำที่ผู้ใช้ทำระหว่างเซสชันนั้น) ที่นำไปสู่ Conversion ด้านล่างนี้คือตัวอย่างบางส่วนของรูปแบบการระบุแหล่งที่มาแบบแตะครั้งเดียว:
- การสัมผัสครั้งสุดท้าย: ให้เครดิต 100% แก่จุดติดต่อทางการตลาดสุดท้ายก่อนการแปลง
- คลิกสุดท้าย: ให้เครดิต 100% แก่ "คลิกสุดท้าย" ก่อนการแปลง
- สัมผัสแรก: ให้เครดิต 100% แก่จุดสัมผัสทางการตลาดจุดแรก (ช่องทางหรือกิจกรรมที่ได้มาซึ่งลูกค้า)
- คลิกแรก: ให้เครดิต 100% แก่ "คลิกแรก"
กล่าวโดยสรุป มันไม่สมเหตุสมผลเลยที่จะให้เครดิตแก่จุดติดต่อ Conversion เดียวโดยไม่ใช้คำคล้องจองหรือเหตุผล คุณน่าจะทุ่มเงินไปกับโฆษณาในช่องทางและแคมเปญต่างๆ แล้ว ทำไมไม่ลองเป็นนักการตลาดที่มองการณ์ไกลและเริ่มให้เครดิตกับทุกการกระทำของผู้ใช้โดยพิจารณาจากการมีส่วนร่วมที่แท้จริงของพวกเขาในการแปลง
โมเดล MTA อัลกอริธึมเป็นแนวทางปฏิบัติที่ดีที่สุดรูปแบบใหม่ในการกำหนดเครดิตที่เกี่ยวข้องและแม่นยำที่สุดให้กับจุดสัมผัสของลูกค้าที่เป็นไปได้ โดยการขยายความเข้าใจของนักการตลาดว่าการโต้ตอบของช่องทางต่างๆ ส่งผลโดยตรงต่อประสิทธิภาพทางการตลาดอย่างไร นี่คือตัวอย่างลักษณะของการเดินทางของลูกค้าโดยทั่วไป:
ด้วยการวัดประสิทธิภาพของจุดสัมผัสทุกจุดอย่างเหมาะสม (และการกระทำของผู้ใช้ระหว่างจุดสัมผัสเหล่านั้น) MTA อัลกอริทึมได้รับการพิสูจน์แล้วว่าเหนือกว่ามากเมื่อเทียบกับรุ่นสัมผัสแรกหรือสัมผัสสุดท้าย
การระบุแหล่งที่มาแบบอัลกอริธึมที่ลึกซึ้งยิ่งขึ้นจะมองหาความแตกต่างในวิธีที่ลูกค้าที่ทำ Conversion มีส่วนร่วมกับการตลาดกับผู้ที่ไม่ได้ทำ Conversion ทำให้นักการตลาดสามารถให้เครดิตกับการมีส่วนร่วมที่มี Conversion สูงได้อย่างเป็นกลาง โดยพื้นฐานแล้วจะมองหารูปแบบระหว่างผู้ชมที่ทำกำไรแทนที่จะเป็นผู้ชมที่ไม่ทำกำไร เมื่อพบรูปแบบที่สอดคล้องกันตามลำดับของผู้เปลี่ยนใจเลื่อมใส ก็จะเน้นที่รูปแบบเหล่านั้นมากขึ้น
ข้อพิจารณาสำคัญในการเลือกรูปแบบการระบุแหล่งที่มาที่เหมาะกับธุรกิจหลักของคุณ
ปัจจุบัน Google Ads และ Google Analytics ใช้แนวทางจากข้อมูล (DDA) ในการระบุแหล่งที่มาแบบมัลติทัช ซึ่งให้เครดิตสำหรับ Conversion ตามวิธีที่ผู้คนมีส่วนร่วมกับโฆษณาต่างๆ ของคุณและตัดสินใจที่จะเป็นลูกค้าของคุณ แต่คุณควรพิจารณาใช้ DDA หรือโมเดล MTA ของบุคคลที่สามเท่านั้น คุณควรก้าวไปอีกขั้นและเพิ่ม “การแปลงแบบนุ่มนวล” เป็นจุดติดต่อที่ป้อนเข้าสู่แพลตฟอร์มของคุณ การแปลงแบบปกติทั่วไปจะเป็นการที่ลูกค้ากำลังเพิ่มในรถเข็น ซึ่งแสดงความสนใจที่แสดงให้เห็นได้อย่างชัดเจนในผลิตภัณฑ์หรือบริการของคุณ ในขณะที่นักการตลาดจำนวนมากได้ติดตามเหตุการณ์นั้นใน Google Analytics เพื่อช่วยในการรีมาร์เก็ตติ้งแล้ว แต่ก็สามารถเจาะลึกลงไปได้โดยการกำหนดให้การละทิ้งตะกร้าสินค้าเป็นเป้าหมายในแพลตฟอร์มเพื่อติดตามว่าพวกเขาสูญเสียลูกค้าไปที่ใด ต่อไปนี้คือตัวอย่างของผู้เยี่ยมชมที่โต้ตอบกับ Conversion ที่ไม่แน่นอนหลายรายการก่อนตัดสินใจซื้อในที่สุด:
ใช้เวลา 30 วินาทีในไซต์→ เข้าชมหน้ารายละเอียดผลิตภัณฑ์มากกว่า 3 หน้า→ ดูบทวิจารณ์สำหรับผลิตภัณฑ์ในหน้า→ ใส่ในรถเข็น→ เริ่มชำระเงิน→ ซื้อ
แทนที่จะกำหนดมูลค่า 100% ให้กับจุดติดต่อลูกค้าสุดท้าย (การซื้อ) นักการตลาดต้องเปลี่ยนรูปแบบไปยังโมเดล MTA แบบอัลกอริทึมที่นำ Conversion อื่นๆ ที่มีอยู่ในเส้นทางการแปลงนั้นมาพิจารณาด้วย ตัวชี้วัดและคุณลักษณะบางอย่างที่จำเป็นต่อแกนหลักของอัลกอริทึม ได้แก่ :
- พิจารณาทุกช่องทางการตลาดที่แอ็คทีฟ
- ลักษณะของจุดสัมผัส (เช่น คลิก ดาวน์โหลด สมัครใช้งาน)
- ระดับการมีส่วนร่วมของผู้ใช้บนเว็บไซต์ (เช่น เวลาที่ใช้บนหน้าเว็บ)
- การปรับตัวเมื่อสื่อผสมพัฒนาขึ้น
เมื่อใช้มุมมองแบบองค์รวมมากขึ้นเกี่ยวกับลูกค้าของคุณ คุณสามารถป้อนข้อมูลนี้ลงในทั้งเทคนิคการเสนอราคาอัตโนมัติและด้วยตนเอง และเพิ่มประสิทธิภาพแคมเปญตามนั้น การรวมกันของการแบ่งปันเครดิตผ่าน MTA ตลอดจนการกำหนดค่าให้กับการแปลงแบบนุ่มนวลผ่านการระบุแหล่งที่มาแบบอัลกอริธึมสามารถนำไปสู่การพัฒนาประสิทธิภาพของการตลาดที่มีประสิทธิภาพ
การใช้โมเดล MTA แบบอัลกอริทึมเพื่อเพิ่มผลตอบแทนจากการลงทุนทางการตลาดให้สูงสุด
แม้ว่าทางลัดคือการใช้ Google Analytics โดยไม่เสียค่าใช้จ่ายและใช้รูปแบบคลิกสุดท้ายเพื่อกำหนดว่า Conversion มาจากไหน ซึ่งนั่นไม่ใช่ภาพสะท้อนที่แท้จริงของเส้นทางของลูกค้าในปัจจุบัน
โมเดล MTA แบบอัลกอริธึมช่วยให้คุณระบุได้มากกว่าช่องที่ทำงานได้ดีที่จุดติดต่อที่กำหนด พลังที่แท้จริงของแนวทางนี้คือความสามารถในการช่วยให้นักการตลาดเข้าใจว่าช่องทางของพวกเขาทำงานร่วมกันอย่างไรเพื่อจูงใจลูกค้าไปตามช่องทางไปสู่การแปลงในที่สุด ข้อดีอื่นๆ ได้แก่:
- การวัดผลแบบรวมศูนย์: ข้อมูลเชิงลึกที่ดีขึ้นเกี่ยวกับความพยายามทางการตลาดสำหรับมุมมองแบบองค์รวมของการมีส่วนร่วมของลูกค้า
- การเพิ่มประสิทธิภาพแบบเรียลไทม์: ความเข้าใจที่ละเอียดถึงสิ่งที่กำลังได้ผลเพื่อเข้าถึงผู้ชมที่เหมาะสมในเวลาที่เหมาะสมด้วยข้อความที่เหมาะสม
- การลงทุนที่ชาญฉลาดยิ่งขึ้น: ข้อมูลการตลาดที่ทรงพลังในการตัดสินใจใช้จ่ายอย่างชาญฉลาดและเก็บเกี่ยวผลตอบแทนจากการลงทุน (ROI) ที่สูงขึ้น
พูดง่ายๆ คือ ช่วยให้นักการตลาดทราบว่าสิ่งใดใช้ได้ผลและสิ่งใดใช้ไม่ได้ และอุทิศเงินทุนให้กับช่องทางที่ให้ ROI สูงสุด หากข้อใดข้อหนึ่งต่อไปนี้ใช้ได้กับธุรกิจของคุณ คุณควรใช้อัลกอริธึม MTA ที่ผ่านการรับรอง:
- คุณกำลังทำการตลาดผ่านช่องทางและเครือข่ายที่หลากหลาย: การระบุแหล่งที่มาแบบอัลกอริธึมจะไม่สร้างมูลค่าเพิ่มมากนัก เว้นแต่คุณจะทำการตลาดผ่านแพลตฟอร์มโฆษณาหลายแพลตฟอร์ม ณ จุดนี้ เส้นทางสู่การซื้อของลูกค้าของคุณไม่ตรงไปตรงมา หมายความว่าคุณต้องการวิธีที่ซับซ้อนมากขึ้นในการแจ้งการจัดสรรงบประมาณข้ามแพลตฟอร์มโฆษณา
- คุณกำลังพิจารณาหรือซื้อช่องทางออฟไลน์อย่างกระตือรือร้น: ช่วงเวลาที่คุณมีส่วนร่วมในการตลาดออฟไลน์ เช่น สื่อสิ่งพิมพ์ งานแสดงสินค้า ฯลฯ เป็นช่วงเวลาที่ Google Analytics ไม่เพียงพอสำหรับการป้อนข้อมูลที่เกี่ยวข้อง หากคุณวัดการตลาดออฟไลน์ไม่ได้ คุณก็ไม่มีทางรู้ว่าจะเพิ่มหรือลดการใช้จ่ายที่ใด
- ทีมของคุณตั้งเป้าหมายและความคาดหวังที่เป็นจริง: ประโยชน์ของแบบจำลองอัลกอริทึมนั้นแทบจะไม่เกิดขึ้นเลยในชั่วข้ามคืน ทุกทีมที่เกี่ยวข้องควรเข้าใจว่าคุณกำลังสร้างรากฐานทางการตลาดที่จำเป็นสำหรับอีกสองสามปีข้างหน้า ไม่ใช่พรุ่งนี้ มีแนวโน้มว่าในช่วงสองสามเดือนแรก แคมเปญของคุณจะทำงานโดยไม่มีการเพิ่มประสิทธิภาพอัลกอริทึมใดๆ เพื่อสร้างการเปรียบเทียบประสิทธิภาพพื้นฐาน
- คุณต้องแสดงให้เห็นว่าการตลาดของคุณสร้างผลลัพธ์อย่างไร: ในโลกอุดมคติ คงจะดีถ้าจะนำเงินด้านการตลาดไปสู่ทุกช่องทางที่เป็นไปได้ แต่ในความเป็นจริง นักการตลาดมีงบประมาณจำกัดและจำเป็นต้องเพิ่ม ROI ให้สูงสุดทั่วทั้งกระดาน โซลูชัน: กลยุทธ์การระบุแหล่งที่มาแบบอัลกอริทึมช่วยให้ทีมการตลาดเพิ่มประสิทธิภาพแคมเปญของตนได้ เพื่อเพิ่มรายได้ให้กับทุกดอลลาร์ที่ใช้จ่ายไป และตัดกลยุทธ์ใดๆ ที่มีประสิทธิภาพต่ำ
วิธีเลือกซอฟต์แวร์ระบุแหล่งที่มาที่เหมาะสมกับความต้องการของคุณ
ขั้นตอนต่อไปคือการค้นหาซอฟต์แวร์การระบุแหล่งที่มาทางการตลาดที่จะช่วยให้คุณวัดผลได้มากกว่าแค่การคลิก รวบรวม Conversion จากแต่ละแพลตฟอร์ม และผสานรวมเพื่อให้ได้ข้อมูล Conversion โดยรวมที่ถูกต้อง ต่อไปนี้คือเคล็ดลับบางประการในการเริ่มต้น:
- พิจารณาเครื่องมือซอฟต์แวร์ที่จัดการและติดตามโมเดล MTA ที่ซับซ้อน เช่น แดชบอร์ดการวิเคราะห์หรือกลไกการรายงานที่ให้รายละเอียดทั้งในระดับสูงและละเอียดเกี่ยวกับประสิทธิภาพของแต่ละช่องทางและจุดติดต่อ
- มองหาโซลูชันที่เสนอความสามารถในการดูว่าลูกค้ามีพฤติกรรมและโต้ตอบกับแบรนด์ของคุณในหลากหลายช่องทางอย่างไร การมีแดชบอร์ดแบบรวมศูนย์จะให้ข้อมูลเชิงลึกที่แม่นยำซึ่งจำเป็นสำหรับการวิเคราะห์ข้ามช่องทาง
- ที่สำคัญที่สุด ตรวจสอบให้แน่ใจว่าระบบส่งข้อมูลกลับเข้าสู่แพลตฟอร์ม แม้ว่าโมเดล MTA ที่ซับซ้อนอาจช่วยให้มนุษย์เข้าใจสิ่งที่ได้ผลและไม่ได้ผล เรายังจำเป็นต้องแจ้งการเสนอราคาอัตโนมัติที่เกิดขึ้นระหว่างการประมูลเพื่อปลดล็อกประโยชน์ของ MTA อย่างแท้จริง
จำไว้ว่าข้อมูลโดยตัวมันเองนั้นไร้ประโยชน์โดยเนื้อแท้ การขับเคลื่อนไปสู่ข้อมูลเชิงลึกที่นำไปใช้ได้จริงคือเป้าหมายสูงสุดสำหรับธุรกิจใดๆ
ใช้และเจาะลึกข้อมูลเชิงลึกของลูกค้าผ่านการเพิ่มประสิทธิภาพอย่างต่อเนื่อง
อัลกอริธึม MTA ไม่ใช่เหตุการณ์ที่กำหนดไว้แล้วลืมมัน เพื่อปลดปล่อยศักยภาพอย่างเต็มที่ การทดสอบ วิเคราะห์ และเพิ่มประสิทธิภาพโมเดลอย่างต่อเนื่องเพื่อแจ้งความพยายามทางการตลาดของคุณอย่างต่อเนื่องเป็นสิ่งสำคัญและช่วยให้คุณเข้าถึงลูกค้าที่เหมาะสมในเวลาที่เหมาะสม
ตัวอย่างเช่น การระบุและติดตาม Conversion ที่ไม่รุนแรง เช่น การละทิ้งรถเข็นช็อปปิ้งกลางคัน อาจนำไปสู่ข้อมูลเชิงลึกที่สำคัญ และเป็นขั้นตอนแรกในการเพิ่มประสิทธิภาพอย่างต่อเนื่อง
จุดประสงค์ที่แท้จริงของกลยุทธ์การระบุแหล่งที่มาของอัลกอริทึมคือการช่วยให้นักการตลาดลงทุนในประสบการณ์ที่ได้รับการพิสูจน์แล้วว่าสามารถขับเคลื่อนการเติบโตได้ ในขณะที่ความจริงก็คือนักการตลาดส่วนใหญ่มักจะมีความเข้าใจที่ไม่สมบูรณ์ (หรือแม้แต่เป็นเท็จ) ในสิ่งที่กระตุ้นให้ผู้บริโภคของพวกเขา วิธีการนี้สามารถช่วยให้พวกเขาเข้าใจในระดับที่มากขึ้นของความเชื่อมั่นว่ากลยุทธ์ทางการตลาดบางอย่างมีบทบาทอย่างไรต่อกลุ่มผู้ชมที่กว้างขึ้น
นักการตลาดที่ประสบความสำเร็จมักจะใช้ข้อมูลเชิงลึกและใช้ประโยชน์จากข้อมูลเพื่อทดสอบประสิทธิภาพอย่างต่อเนื่อง กรอบงานการตลาดเชิงประสิทธิภาพที่สร้างขึ้นจากรากฐานที่แข็งแกร่งของการเรียนรู้หลัก และขับเคลื่อนด้วยการโต้ตอบกันอย่างต่อเนื่องของข้อมูลและกลยุทธ์ จะสร้างสิ่งมหัศจรรย์สำหรับการตลาด ความสัมพันธ์กับลูกค้า และผลกำไรของคุณ