Naučte se, jak pracovat s atribučními modely při vyhodnocování SEO aktivit.

1. Jak vyhodnocovat SEO
v rá mci atribucí
12.2.2018
Adam Š ilhan

3. Program
historické okénko - vyhodnocování a SEO
asistované konverze, trasy
atribuce
inkrementalita
limitace SEO vyhodnocování a možná řešení
závěrečné cvičení

4. Problémy s vyhodnocováním SEO
- historické okénko

5. Měříme pozice

6. Měříme pozice…
…ale samy o sobě moc nevypovídají o úspěchu

7. Měříme návštěvnost

8. Měříme návštěvnost…
…ale sama o sobě moc nevypovídá o úspěchu

9. Měříme tržby

10. Měříme tržby…
…ale není to moc zúžený pohled?

11. Transakční x informační x navigační
dotazy

12. Nejlépe
hodnocené
tablety
Top tech
dárky
CZK 400B
Trh
CZK40B
Market
CZK400M
Trh
iPad
Atribuce kontext
Hlavním problémem nesprávné atribuce je ztracená příležitost pro klienta

13. Asistované konverze, trasy

16. Co je vůbec atribuce

17. What does last click attribution actually mean?
30-Day User
Conversion Path
(Clicks)
Generic Paid Search Organic SearchDisplay Network

18. What does last click attribution actually mean?
30-Day User
Conversion Path
(Clicks)
Tracking tools use their own attribution logic for crediting conversions (based on data scope)
Generic Paid Search Organic SearchDisplay Network
Facebook Ads
Criteo
GA360 - Google
Analytics & Attribution Display Network Generic Paid Search Organic Search
Google Ads
Display Network Generic Paid Search

20. Základní (rule-based) atribuční modely

21. Konzervativní růst Růstová orientace
Lídr trhu v kategorii Nový hráč na trhu
Produkt s nízkou
investicí
Produkt s vysokou
investicí (klienta)
Málo konkurentů
(inkumbent)
Silně konkurenční
trh (mnoho hráčů)
Krátká zákaznická
cesta
Dlouhá zákaznická
cesta
Data-Driven
Data-Driven, pokud je dostupný, jinak
vybírejte non-last click, non-first-click
model v závislosti na business model
klienta:
Jak vybrat správný
atribuční model?

22. Algorithmic / Probabilistic / Data-driven modely
Shapley based
Markov chain based

23. POWERED BY DATA SCOPE DATA SOURCE SCALABILITY
Data Driven
Dynamic algorithms
assign credits to
touch points based
on fractional
credit
Takes
converting and
non-converting
paths
into account
100% based on
advertiser’s
own data.
Conversions and/or
GA imported goals.
(learns over time)
Auto updated
based on
performance
Rules based
Fixed, static
rules assign
credits to
touchpoints
Takes only
converting paths
into account
Advertiser can
choose model but
no customization
is available
Must be manually
revisited

24. S vysokým počtem konverzí v kombinaci s dlouhou konverzní cestou, můžete vidět
krátkodobý pokles konverzí v den změny
Proč
se tak
děje?
# konverzí
dniDen změny
Od tohoto dne se konverze nepřiřazují pouze poslednímu
kliknutí (což se typicky stane právě v den změny).
Místo toho, frakční konverzní kredit bude redistribuovaný na
předchozí období. Je důležité si uvědomit, že neztrácíme
žádné konverze, jen dochází k redistribuci.
V čase se konverzní kredit v den změny
normalizuje, protože bude dostávat
frakční kredit z budoucích konverzí.
Změna atribučního modelu
Co se typicky stane po změně?

25. ● Začít “high-level”
○ Srovnání last non-direct click s různými modely
● Postupný “drill-down”
○ Rozpad kanálů
○ Atribuční modely v Google Analytics
● Navázání na jiné druhy konverzí (mikrokonverze, přechod mezi stádii)
● Rozmýšlení nad přesunem rozpočtů
● Experiment
● Vyhodnocení
Postup - hledání příležitostí

26. Co u atribuce vždy zajistit
kontrola a správné nastavení sbírání dat (zejména konverze, zdroje)
konzistence používání modelu

27. Inkrementalita

29. Causal Impact a jak s ním
pracovat

30. Time series experiments help assess what
performance would have been without the
intervention (e.g., bid increase)
Choose an Advertising Intervention:
example: Increased or Decreased Ad Spend
Chose a Time Series:
example: Conversions or Clicks
Use a Model to Infer Causality:
Use R package to analyze how a “time series” could have evolved after
the intervention if it hadn’t taken place
Captures impact of multiple channels (Search, Display, Video)
http://google.github.io/CausalImpact
Google offers a free package to enable time-series experiments

31. Causal Impact: a simple example
Response
Control

32. Causal Impact: a simple example
Response
Control
Experiment starts
here

33. Causal Impact: output
The black line is the observed response
metric. The dashed blue line is the predicted
response metric. The banding is the
confidence interval of the prediction.
Intervention

34. Causal Impact: output
The black line is the observed response
metric. The dashed blue line is the predicted
response metric. The banding is the
confidence interval of the prediction.
This panel simply plots the observed response
minus the model prediction. (the residuals)
Here we plot cumulative residuals—the total
effect of the intervention
Intervention

35. ● zpřesňuje odhad efektu
● funguje jako kontrolní skupina
● nesmí být ovlivněn experimentem
● čím více koreluje s testovanou metrikou, tím lépe
Prediktor

36. ● pro hraní si v R: http://google.github.io/CausalImpact/
● online jednoduchá verze: https://mark.shinyapps.io/ga-effect/
● online doplněná verze: https://kobulsky-merglevsky.shinyapps.io/h1-causal-impact/
Možné nástroje

37. Limitace v rámci SEO
vyhodnocování

38. Krátkodobost modelů

39. Nemožnost rychlého řízení SEO

40. Jak to vyřešit?

41. ● používám stejný atribuční model/stejnou konverzi, podle zákaznické (pozice v nákupním
cyklu)/businessové (rozdílná důležitost produktů) logiky, ale očekávám rozdílné výsledky
● složitost nastavení: jednoduchá
● akceschopné v rámci Google Analytics: ano přes rozhraní
Odlišné požadavky na rozdílné typy kws /
vstupních stránek

42. ● umožňují rychleji získat potřebný počet konverzí pro rozhodování / vyhodnocení
● nutné zjednodušení
● potřeba dopočítávat jejich hodnotu
● složitost nastavení: střední
● akceschopné v rámci Google Analytics: ano přes rozhraní
Mikrokonverze

43. ● jde u požadavků na odlišné cíle ještě dále
● agreguje podobné akce pod jeden cíl (např. “discovery score”)
● ukázka fungování:
https://www.slideshare.net/carmenmardiros/measurecamp-using-lifecycle-scores-for-marketing-
optimisation
● složitost nastavení: těžké
● akceschopné v rámci Google Analytics: pouze přes API, mimo rozhraní
Lifecycle scores

44. Cvičení

45. ● zpřesňuje odhad efektu
● funguje jako kontrolní skupina
● nesmí být ovlivněn experimentem
● čím více koreluje s testovanou metrikou, tím lépe
Opakování - prediktor

46. metrika?
prediktor?
TV kampaň

47. metrika: návštěvnost/tržby z “directu”
prediktor: návštěvnost/tržby srovnávače
TV kampaň

48. metrika?
prediktor?
Předělání informační architektury

49. metrika: návštěvnost/tržby z organicu
prediktor: návštěvnost/tržby srovnávače
Předělání informační architektury

50. metrika?
prediktor?
Úprava kategorií

51. metrika: návštěvnost/tržby organic vstupní stránky kategorie
prediktor: návštěvnost/tržby organic zbytek
Úprava kategorií

52. metrika?
prediktor?
Série článků “jak si vybrat”

53. metrika: návštěvnost/tržby z organicu
prediktor: návštěvnost/tržby srovnávače
Série článků “jak si vybrat”

54. 1. https://www.youtube.com/watch?v=S9dUkDKT0pg - úplné
základy, spíš pro lidi, kteří vůbec netuší, co atribuce je
2. https://www.youtube.com/watch?v=x7tOehDyb2o - mírně
pokročilé
3. https://www.youtube.com/watch?v=FPjEQpprj_g - už pokročilý
s přesahem do designu testů, inkrementality a příklady ze života
Kam pokračovat - Google Attribution Academy

55. Díky moc
čtěte náš blog na igloonet.cz/blog
sledujte mě na @NEmarketak
napište mi na adam@igloonet.cz