Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Omni-channel data-driven atribuční modelování jednoduše, Marek Kobulský

430 views

Published on

Czech Online Expo 2019
E-commerce Data Summit

  • Be the first to comment

  • Be the first to like this

Omni-channel data-driven atribuční modelování jednoduše, Marek Kobulský

  1. 1. Omni-channel data-driven atribuční modelování jednoduše Marek Kobulský
  2. 2. Marek Kobulský ● Ex-CMO a datový analytik ● Founder Ecommerce-academy.cz ● Specializace: ○ E-commerce business analytika ○ Customer lifetime value ○ Product scoring, pricing, bidding ○ Data science, datové integrace ● Vývoj aplikací: ○ Causal Impact ○ Marketing Attribution Tool
  3. 3. Co dnes dozvíte? 1. Co je to atribuční modelování v marketingu. 2. Rozdíl mezi omni-channel a single channel atribucí. 3. Datové uchopení atribuce - dopočítání se výsledku. 4. Next steps + první experimenty.
  4. 4. 1. Co je to atribuční modelování v marketingu
  5. 5. Vztah mezi atribucí a marketingovým funnelem 1/2 Povědomí Zájem Pozornost Záměr Hodnocení Nákup
  6. 6. 💲 Vztah mezi atribucí a marketingovým funnelem 2/2 Povědomí Zájem Pozornost Záměr Hodnocení Nákup Konverzní cesta Seznam Display Paid Search Social Organic Search Remark eting
  7. 7. Co znamená omnichannel atribuce v marketingu? ● 1. Atribuční modelování v marketingu = proces přiřazení konverze (transakce) k marketingové investici/zdroji návštěvy = source / medium z GA. ● 2. Každá konverze je atribuována = atribuční modelování v případě reportingu v Google Analytics (i jiných) využíváte vždy. ○ Defaultní atribuční model v GA = Last nonDirect click. ○ MCF reporty: LastClick (true Direct) ! ● 3. Změnou atribučního modelu (tedy změnou procesu přiřazení konverze k investici) může dojít ke změně ROI (PNO) mezi zdroji návštěvnosti.
  8. 8. Smyslem atribučního modelování je spravedlivé rozdělení zásluh mezi participujícími touchpointy v konverzní cestě.
  9. 9. 2. Rozdíl mezi omni-channel a single channel atribucí
  10. 10. Dvě základní rozdělení pohledu na atribuční modelování ● 1. Omni-channel atribuce = atribuce mezi veškerými zdroji konverzí (návštěv). ● 2. Atribuce uvnitř marketingových platforem (single-channel) = atribuce na úrovni jedné platformy.
  11. 11. Atribuce na úrovni celého marketingového mixu (omni-channel atribuce) ● Omni-channel atribuce znamená atribuci konverzí v definovaných byznysových kanálech k marketingovým investicím, kde v tomto případě bereme v potaz veškeré marketingové investice a konverze daného projektu (ne pouze investici / konverze na úrovni jedné platformy, jako je tomu u "Atribuce na úrovni platformy"). ● Kanály, kterým atribuujeme konverze (neboli channel grouping), je nejčastěji definován jednotlivými marketingovými platformami / zdroji, které na na web (projekt) přivádějí interakce (např. návštěvnost) a jejich základní segmentací: ○ kampaň ○ formát (klasické vyhledávání, display, produktové inzeráty, remarketing) ○ brand / non-brand
  12. 12. Channel grouping je základní stavební kámen pro atribuční modelování z jakéhokoliv úhlu pohledu.
  13. 13. Příklad definice channel grouping (GA default channel grouping)
  14. 14. Jak na změnu Google Analytics default channel grouping Možná změna Default channel grouping, výhoda = dostupné přes API Možnost vytvořit custom channel grouping, výhoda = historická data
  15. 15. Příklad definice channel grouping (custom channel grouping) ● Custom channel grouping lze dále jednoduše dělit dle úrovně detailu segmentace: Level 1 Level 2 Level 3
  16. 16. Šablona pro definici custom channel grouping level 1 - 3 ● Šablonu naleznete zdarma na zde: Bit.ly/CustomChannelGrouping ● Návod na její implementaci naleznete zdarma na našem webu: Ecommerce-academy.cz/navod-na-c ustom-channel-grouping
  17. 17. Dalším klíčem k úspěchu strategického řízení marketingu pomocí atribučního modelování je marketing / byznys plán.
  18. 18. Proces tvorby marketing / byznys plánu ● Pro zjednodušení adaptace na proces tvorby marketing / byznys plánu doporučujeme začít plánovat na definici marketing / byznys plánu, na kterou jste zvyklí = zpravidla atribuční model LastClick nonDirect. ● Pro velice podrobný a smysluplný plán stačí jednoduše selským rozumem a vlastní intuicí v rámci definovaného channel groupingu plánovat tyto 3 základní metriky: ○ návštěvnost (případně users a ne sessions) ○ konverzní poměr ○ průměrná hodnota objednávky ● Dále je nutné plánovat marketingové náklady, např. dle očekávané ceny za návštěvu (CPS = cost per session). ○ Marketingové náklady se pak dají vyjádřit jako CPS x Sessions.
  19. 19. 3. Datové uchopení atribuce - dopočítání se výsledku
  20. 20. Konverzní a nekonverzní cesty Display Search Direct Organic Retgt 💲 Display Search Direct Organic Retgt :-( ● Vždy se vztahují k nějakému časovému oknu - conversion window ● Jejich délka je definována pomocí lookback window
  21. 21. Session a Campaign timeout Session Timeout ● Definuje, po jak dlouhé době neaktivity uživatele na webu, bude při další interakci založena nová návštěva. ○ Pozor na UTM parametry a půlnoc ○ V základním nastavení GA je 30 minut Campaign Timeout ● Definuje, po jakou dobu je u návštěvy v GA přepisován zdroj „Direct“ předchozím „nonDirect“ zdrojem. ○ Standardně 6 měsíců ○ Google lže a ohýbá data! (Opravdu? Ani moc ne.) ○ Až polovina návštěvnosti z placených kanálů je ve skutečnosti direct (TrueDirect) ○ Možné sledovat v GA (Direct Session dimenze), nebo vlastním měřením (TrueDirect custom dimenze) ○ Pro změnu campaign timeout je nutné nasadit nový GA měřící kód a založit novou GA WebProperty (jinak zanikne možnost year-over-year a měsíčních porovnání)
  22. 22. Campaign timeout - rozdíly
  23. 23. Proč každý nemá nasazenou data-driven atribuci ? Pravdou je, že data-driven atribuční modely vyžadují znalost NEkonverzních cest na úrovni uživatele. ● Je nutné měřit každou návštěvu každé cookie zvlášť (clientID, sessionCount). ● Session-level data je nutné transformovat do podoby (ne)konverzních cest. ● Na závěr se cesty agregují napříč zákazníky a sledujeme: ○ Počet konverzí ○ Počet nekonverzí ○ Pravděpodobnost konverze dané cesty (sekvence návštěv dle kanálů)
  24. 24. 1. Měřit každou návštěvu každé cookie zvlášť ● custom dimenze clientID (návod na implementaci zde) ● sessionID není nutné - sessionCount (dimenze standartně v GA) Custom Dimension XY Count of Sessions Source / Medium Sessions Transactions Revenue 1586657460.1514533099 111 seznam / cpc 1 0 0 1586657460.1514533099 112 seznam / cpc 1 1 2499 1586657460.1514533099 113 seznam / cpc 1 0 0 1586657460.1514533099 114 seznam / cpc 1 0 0 843020972.1518723584 1148 (direct) / (none) 1 0 0 843020972.1518723584 1149 (direct) / (none) 1 1 3699 1586657460.1514533099 115 seznam / cpc 1 0 0 1586657460.1514533099 116 seznam / cpc 1 0 0 ● 1 řádek = 1 návštěva (od 1 uživatele)
  25. 25. 2. Session-level data transformovat do cest ● funkce GROUP_CONCAT, CONCAT_WS ● ukončovat konverzní cesty po konverzi, otevírat nové cesty ● 1 řádek = 1 cesta od 1 uživatele (cookie) Custom Dimension XY Path non_conversions conversions revenue 1586657460.1514533099 direct > organic 1 0 0 1586657460.1514533099 organic > email > ppc 0 1 2499 843020972.1518723584 display > ppc > email > retgt 1 0 0 843020972.1518723584 ppc > social > retgt 0 1 3699
  26. 26. 3. Agregace cest napříč zákazníky ● zgrupují se stejné typy cest ● spočítá se počet úspěchů (konverzí) a neúspěchů (nekonverzí) ● 1 řádek = 1 typ cesty (od všech uživatelů) path non_conversions conversions conversion_value conversion_probability Google Ads 9515 38 94225 0.40% Direct 2273 34 115302 1.47% Google Ads > Google Ads 1145 13 30342 1.12% Organic 3549 13 24116 0.36% Direct > Direct 465 8 47687 1.69% Seznam Sklik > Seznam Sklik 3385 6 20518 0.18% Google Ads > Organic 379 5 6869 1.30% Mail 1292 5 10254 0.39% Direct > Mail 12 4 6048 25.00% Organic > Organic 210 4 8677 1.87% Google Ads > Google Ads > Google Ads 258 4 11177 1.53% Seznam Sklik > Seznam Sklik > Seznam Sklik 1236 4 4356 0.32% Direct > Affiliate CJ 11 3 5682 21.43%
  27. 27. Tím se dostáváme k samotnému výpočtu atribuce...
  28. 28. Matematické modely pro výpočet Data Driven Atribuce Shapley Value ● Základní princip výpočtu je „Removal Effect“, tedy sledujeme dopad na pravděpodobnost konverze dané cesty po odstranění jednoho nebo více touchpointů. ● Neexistuje univerzální postup pro účely online marketingu, každý interpretuje jinak.
  29. 29. Matematické modely pro výpočet Data Driven Atribuce Markov ● Touchpointy v konverzní cestě představují markovovské stavy. Základní princip je výpočet pravděpodobnost přechodu ze stavu do stavu. ● Existuje standartní postup (balíčky pro R, Python, …) ● Dává smysl i při nižším počtu konverzí
  30. 30. Výsledek výpočtu data-driven atribuce Atribuční koeficienty ● Počet konverzí dle DDA výpočtu / Počet konverzí dle last non-direct click
  31. 31. Máte skoro vyhráno :-) Co ještě doporučujeme vzít v potaz, je post impression atribuce v rámci platforem pro vybraný segment (channel). Dá se říci, že tím získáte interval pro výpočet DDA atribuce s využitím post click dat a s přihlédnutím na post impression výkon daného kanálu.
  32. 32. 4. Next steps + první experimenty
  33. 33. Atribuce vs. Kauzalita: Retargeting ● Platforma stojí 20% marketingových nákladů. ● Dle GA last non-direct click generuje 16% tržeb. ● Dle Markova generuje jenom 10% tržeb. ● Experiment: vypnutí platformy a vyhodnocení pomocí Google Causal Impact. ● Závěr: pokles tržeb o 11% (Markov měl pravdu).
  34. 34. Atribuce na netransakčních datech: Smart goal (GA)
  35. 35. No jo, ale jak se propočítat k Data Driven Atribuci dle Markova nebo Shapleyho?
  36. 36. Marketing Attribution Tool.com BETA ● Marketing Attribution Tool je aplikace vyvíjená Ecommerce-academy.cz. ○ Aktuálně ve fázi BETA. ● Pro všechny účastníky Czechonlineexpo.cz jsme připravili speciální testovací verzi zdarma. ○ Testovací verze bude zdarma dostupná po dobu 14 dnů. ○ Pokud budete chtít aplikaci využívat i nadále, stačí nám napsat a jistě se dohodneme :-). ● Pro 100 % funkčnost aplikace pro výpočet Data Driven Atribuce dle modelu Markov (Shapley je těsně před dokončením) stačí jednoduchá implementace 1 custom dimenze do Google Analytics. ○ Návod pro implementaci dimenze naleznete zdarma na našem webu. ■ Časová náročnost na implementaci v rámci GTM je 10 minut bez nutnosti pomoci od vývoje.
  37. 37. Marketing Attribution Tool.com free BETA Materiály v CZ Materiály v EN Veškeré materiály zdarma ohledně použití MarketingAttributionTool.com Zajímá Vás více? Stánek: B12 Workshop: Atribuční modelování v marketingu Přihlášení do aplikace
  38. 38. "Give a man a fish and you feed him for a day, teach a man to fish and you feed him for a lifetime."

×