此为历史版本和 IPFS 入口查阅区,回到作品页
Happy Lee
IPFS 指纹 这是什么

作品指纹

廣告成效是怎麼計算的?認識成效歸因-Attribution

Happy Lee
·
·
每一筆線上訂單的產生,成效到底歸屬於哪一個來源媒體,其中的歸因邏輯與歸因模型,就是「Attribution」的議題。

「顧客旅程(Customer Journey)」可以幫助我們理解很多的事情,也是DMP或CDP裡面很重要的一種數據基礎。顧客旅程可以幫助我們理解消費者的購買意圖,因此可以協助我們思考「媒體佈局」策略,了解「再行銷」運作的原理。(延伸閱讀:廣告追蹤碼到底在追蹤什麼?—重建「顧客旅程」(Customer Journey))

顧客旅程也可以協助釐清「廣告成效認列」,或者是「廣告成效歸因」,也就是數位行銷越來越熱門的題目- Attribution

什麼是 Attribution?什麼是成效認列?什麼是成效歸因?

用一個顧客旅程來看(下圖),同一個一個消費者,因為不同的媒體(或廣告):Facebook、Google、Line,進來了你的網站,創造了四個不同的瀏覽工作階段(什麼是工作階段?),在最後一個流量來源為Facebook的工作階段,結帳下了一筆訂單,這張訂單的轉換成效,應該算作是哪一個流量來源媒體?

就普遍理解的認列邏輯,這張訂單成效,應該歸因給Facebook,算做是Facebook的廣告成效。

但Google帶入了這個消費者,第一次認識這個網站,Line也有效助攻,讓消費者多做了考慮,把商品加入了購物車,其實從整個顧客旅程來看,這兩個媒體也絕對有貢獻。

所以一筆訂單的產生,到底歸屬於哪一個媒體帶來的貢獻,其中的認列邏輯與認列模型,就是「Attribution」的議題。

從顧客旅程的Raw Data 看 GA電子商務轉換的歸因邏輯

顧客旅程的原始資料(Raw Data)長什麼樣子?原始的消費者網站行為資料,其實就是消費者每一個點擊(Click or Tap),一個點擊一筆資料,一筆一筆累積出來的。

依據時間順序,我們可以看到一個消費者從第一個點擊開始,通常就是從外部媒體(或廣告)進入網站的到達頁(Landing Page),然後開始一個新的工作階段(Session),消費者在這個工作階段點了好幾個網頁(Pageview),每一個點擊都會有是一筆行為資料。

從上圖的原始資料做為案例,我們可以看到這個消費者在21:45分進來了網站,流量來源(UTM_source)是Criteo,然後每一分鐘點了不同的頁面,甚至在21:56分的時候加入了購物車,但最後消費者在21:58分時,停止了繼續點擊(可能去洗澡?)。

然後,這個消費者的行為又在 22:40分又開始了,繼續點擊到 22:51分,消費者下單成立了一張訂單, 但最終在GA的電子商務報表上,這筆訂單的轉換是算在(direct)(直接流量),不會算在Criteo。

因為但依據GA計算工作階段的方式,如果用戶行為閒置超過30分鐘以上,就會切割成另一個新的工作階段。所以雖然這個消費者因為Criteo廣告進來了網站,最終也成立了訂單,但21:58分的時候,他停留在瀏覽商品的畫面,然後可能跑去洗澡了(冷靜一下?),洗好回來之後,繼續從原本停住的畫面繼續點擊,但因為已經超過30分鐘了,這個工作階段就變成(direct),所以最後結帳成立的訂單,依據GA電子商務報表的邏輯,計算在(direct)上,而不是Criteo。

如果把上面的原始資料範例,轉換成同樣顧客旅程的示意圖,就會看到這個顧客的旅程,雖然有紀錄到一連串連續的網站點擊行為,但依據Session Based的認列邏輯,閒置超過30分鐘以上的行為,會重切成一個新的工作階段,並且流量來源通常就會變成(direct)(直接流量)。

這種歸因認列方式,是「以google工作階段(session based)的定義基礎,用last-click做最終點擊認列」。

Look-back window — 歸因時間 / 認列時間

因為GA電子商務報表的認列方式,對很多廣告商來說,總覺得很吃虧。所以侯來廣告商發展出了另外一種歸因認列方式,是以「歸因時間」(look-back window)為基礎來認列廣告成效

例如「認列24小時」,就是以消費者的顧客歷程來回推,成立訂單回推24小時內,只要流量來源的媒體帶進了這個消費者,在24小時內有產生購物行為(成立訂單),都算是這個媒體帶來的成效。

這是Facebook預設的的歸因方式,而且Facebook預設歸因時間是7天,也就是成立訂單回推7天點擊,只要有Facebook廣告帶進來的流量來源,都算是Facebook的成效。

成效重複認列問題

但用Look-back window(歸因時間)作為的成效認列方式,會產生一個非常有趣的「成效重複認列」問題。

現在大多數的品牌,都會嘗試多元的流量來源,並且會在同一時間做多元的廣告佈局,除了儘可能接觸各種消費者之外,也想透過同一時間的多元廣告投放,來比較各媒體的成效,看投放哪種廣告比較有效。

但常常越比越糊塗,怎麼每一個媒體的成效報告,看起來效果都很好,但如果把每個媒體的轉換業績加總起來,遠遠大於實際上的網站業績,這就是因為廣告成效被個媒體搶著認列,重複認列了。

如同上圖所示,這個消費者有好幾的不同的工作階段,分別是不同的流量來源,有Google、Facebook、Line。如果所有的廣告商報表,都用認列24小時來歸因自己的成效,等於這個消費者最後3,000的訂單,每一個媒體都認走了,形成了所謂廣告成效重複認列的問題。

換句話說,等於這段期間,所有廣告成效轉換業績的加總(9,000元 = 3,000 + 3,000 + 3,000),遠遠大於真正的網站業績(3,000元)。

這是目前網路廣告非常普遍的現象。而且就算不同的媒體,歸因時間一樣都設定一天,都一樣會照成廣告成效重複認列的問題。

Attribution model — 歸因模型 / 認列模型

為了解決這個重複認列的問題,通常需要一套第三方的Attribution工具,並用一樣的歸因時間, 再加上設定一樣的「歸因模型」(Attribution Model),才能真正用同樣的標準,檢視所有的媒體的真正導流成效,而且避免重複認列的問題。

什麼是歸因模型?所謂的「歸因模型」,就是在多個流量來源的情境下,計算最終轉換(成立訂單)應該歸屬於哪一個流量來源(或媒體)的計算方式。

一般來說比較容易理解的有以下幾種模型:

  1. Last Click(最終點擊)- 最後結帳的那個工作階段的流量來源。其實也就是GA電子商務轉換報表的基本歸因模型。以上圖來看,會是direct,所有廣告商都認不到。
  2. Last non-direct Click(最終非直接流量) - 這個模型就是為了避免上述的狀況,所以只要最終工作階段是Direct,就往前推一個工作階段,以前一個工作階段的流量來源來認列成效。(以上圖來看會是 Line)
  3. First-in(首度接觸)- 以特定歸因時間內,把成效歸因給這個消費者第一次進來網站的最初來源媒體。
  4. Linear(平均分配)- 以特定歸因時間內(例如7天),把成效「平均分配」給所有的來源媒體。例如一張3,000元的訂單,7天內該消費者被三種不同的流量來源導入,則平均每個流量來源可認列成效1,000元(3,000 / 3)。
  5. Time Decay(時間衰減)- 以特定歸因時間內,越接近結帳時間的媒體,可以認列更多比率的成效。例如20% 30% 50%,最後越接近結帳時間的媒體,可以認列到50%的業績(例如3,000X50%)。

不同的廣告媒體,提供的後台報表(像是Facebook的廣告報表),其實都隱含一個自己的歸因模型,當然相對會設法讓成效的結果是對自己有利的。某種程度就是一種球員兼裁判的概念。

第三方的歸因報表才能有效並統一的標準檢視所有廣告商的成效。因此大家會習慣用GA的電子商務轉換報表,來看各種媒體來源的成效。

然而基本的GA的電子商務報表的歸因模型,是以Session-based為基礎,用last-click作為歸因模型來計算,雖然相對嚴謹,但也會讓整個成效會有所偏頗,某些種類的廣告會在這樣的歸因模型下佔優勢(像是Re-targeting廣告)。

因此許多Attribution的工具陸續推出(包含Google自己),讓品牌可以自訂歸因時間、歸因模型,來交叉比對所有廣告媒體的成效,更能釐清品牌全通路廣告成效的真實的樣貌。

全通路環境下的跨通路認列問題

然而在OMO的全通路環境下,Attribution的議題將變得更加複雜。

消費者會因為看到線上廣告,連結進了官網,但最終不是在官網結帳,而是開啟了品牌APP來購物。消費者也可能進了官網,但最終跑去品牌的門市買了東西。這個題目就變成了跨通路的成效認列問題,也是OMO融合必定會遇到的題目。

這是「零售業大數據玩行銷五部曲」的第三部曲,下一集會討論OMO的顧客旅程,會討論包含上述的跨通路成效認列,與Show-rooming、Web-rooming等等的有趣現象。歡迎訂閱「零售的科學」電子報,來追蹤最新的主題更新。

  • 零售業的大數據玩行銷五部曲

這系列會是「零售業的大數據玩行銷」系列,目前預計推出五部曲:

  1. DMP 與 CDP - 網路廣告的數據基石
  2. 廣告追蹤碼到底在追蹤什麼?—重建「顧客旅程」(Customer Journey)
  3. 廣告成效是怎麼計算的?認識成效歸因-Attribution
  4. OMO的顧客旅程:Show-rooming展廳現象與Web-rooming反展廳現象
  5. 猜一猜?消費者的購買意圖:DCIU模型

歡迎訂閱「零售的科學」,以取得最新的文章更新。

原文出處:零售的科學
CC BY-NC-ND 2.0 授权