Modele atrybucji w skrócie

Żeby rozmawiać o modelu opartym na danych, trzeba znać punkt odniesienia. W Google Ads dostępne są modele przypisujące zasługę według ustalonych z góry reguł:

• Ostatnie kliknięcie — cała wartość dla ostatniego kliknięcia w ścieżce. Domyślny przez lata i najbardziej mylący.

• Pierwsze kliknięcie — cała wartość dla kliknięcia, które zaczęło ścieżkę. Odwrotne zniekształcenie.

• Liniowy — równy podział między wszystkie kliknięcia. Uczciwy w intencji, ale zakłada, że każdy kontakt ważył tyle samo.

• Spadek udziału w czasie — im bliżej konwersji, tym większa część zasługi.

• Według pozycji — większość wartości dla pierwszego i ostatniego kliknięcia, resztę dzieli się pomiędzy pozostałe.

Wszystkie mają wspólną wadę: reguła jest wymyślona wcześniej i nie ma nic wspólnego z tym, jak zachowują się klienci danej firmy.

Skąd model bierze wagi

Model oparty na danych nie ma z góry ustalonego wzoru. Analizuje ścieżki użytkowników w danym koncie i porównuje dwie grupy: te, które zakończyły się konwersją, i te, które się nią nie zakończyły.

Jeśli obecność określonego kliknięcia w ścieżce systematycznie towarzyszy większemu prawdopodobieństwu konwersji, to kliknięcie dostaje większą wagę. Jeśli występuje równie często w ścieżkach konwertujących i niekonwertujących, jego udział jest mały. Do rachunku wchodzi też kolejność kontaktów, ich liczba, typ reklamy, urządzenie i odstępy czasowe.

Wynikiem są cząstkowe konwersje. Kampania w raporcie może mieć wartość 3,4 konwersji, bo brała udział w kilku ścieżkach i za każdą dostała część zasługi. Dla osób przywykłych do liczb całkowitych to zaskoczenie, ale ma logiczne uzasadnienie: rzeczywistość rzadko dzieli się na całości.

Warto pamiętać, że model widzi tylko kliknięcia w reklamy Google i to, co da się powiązać w obrębie systemu. Wizyta z wyników bezpłatnych, rozmowa telefoniczna, reklama w innym kanale czy polecenie od znajomego są dla niego niewidoczne. To model porządkujący obraz wewnątrz Google Ads, nie pełną atrybucję marketingową.

Wymagania danych

Model uczy się na ścieżkach, więc potrzebuje ich odpowiednio dużo. Google określa progi minimalnej liczby konwersji i interakcji w ostatnich tygodniach — jeśli konto ich nie spełnia, opcja nie jest dostępna, a jeśli spadnie poniżej po włączeniu, może zostać przełączona na model zastępczy.

Nie podaję konkretnych liczb, bo Google zmieniał te progi i podanie nieaktualnych bardziej zaszkodzi niż pomoże. Zasadę warto natomiast znać: to opcja dla kont z realnym wolumenem. Konto z kilkunastoma konwersjami w miesiącu nie ma z czego zbudować modelu i nawet gdyby mogło, wynik byłby zbiorem przypadków.

Drugi warunek jest ważniejszy i częściej lekceważony: wiarygodny pomiar. Konwersje liczone podwójnie, zdarzenia oznaczone jako konwersje bez powodu, brakujące wartości transakcji — wszystko to wchodzi do modelu jako prawda. Model oparty na danych nie naprawia złego pomiaru, tylko go rozdziela na kampanie.

Co widać po zmianie modelu

Pierwsza rzecz: całkowita liczba konwersji na koncie się nie zmienia. Zmienia się ich przypisanie. Ta sama sprzedaż zostaje inaczej rozłożona między kampanie, grupy i słowa kluczowe.

Kierunek zmian jest zwykle przewidywalny. Kampanie z frazami markowymi i remarketing tracą część przypisanych konwersji, bo dotąd zbierały zasługę za pracę wykonaną wcześniej. Kampanie na frazy ogólne, szersze dopasowania i formaty budujące zasięg — zyskują.

Dla właściciela firmy to bywa nieprzyjemna rozmowa, bo kampania, którą wszyscy chwalili, wygląda po zmianie słabiej. Warto ją odbyć zawczasu i wyjaśnić, że nic się nie pogorszyło — tylko przestaliśmy patrzeć przez jedno zniekształcające szkło.

Praktycznie oznacza to też, że porównania między okresami przed i po zmianie modelu nie mają sensu. Trzeba wyznaczyć nowy punkt odniesienia i notować datę przełączenia, żeby po pół roku ktoś nie doszedł do fałszywych wniosków o skoku wyników.

Model a automatyczne strategie stawek

To najważniejszy powód, dla którego w ogóle warto się tym zajmować.

Strategie automatyczne optymalizują pod te konwersje, które widzą, i według tego modelu, który jest ustawiony. Jeśli obowiązuje ostatnie kliknięcie, system uczy się, że wartość leży na końcu ścieżki, i będzie przesuwał budżet w stronę zapytań pojawiających się przy samej decyzji. Krótkoterminowo wygląda to dobrze. Długoterminowo wysusza górę lejka.

Zmiana modelu na oparty na danych zmienia sygnał, jaki dostaje algorytm stawek. Kampanie budujące zainteresowanie zaczynają być wyceniane wyżej, bo system widzi ich udział w ścieżkach.

Zmiana modelu wpływa jednak także na przebieg uczenia, więc traktuję ją jak każdą inną istotną modyfikację: robię ją poza sezonem, notuję datę, nie łączę z innymi zmianami i daję kampaniom czas na ustabilizowanie się, zanim ocenię efekt.

Kiedy odpuszczam

Nie w każdym koncie widzę powód, żeby się tym zajmować.

Przy krótkiej i prostej ścieżce zakupowej — jedno kliknięcie, jedna wizyta, zakup tego samego dnia — modele dają praktycznie te same liczby. Cała analiza jest wtedy ćwiczeniem akademickim.

Przy niskim wolumenie konwersji opcja albo nie jest dostępna, albo nie ma sensu statystycznego. Lepiej wtedy zainwestować czas w to, żeby konwersji było więcej i żeby były mierzone poprawnie.

Odpuszczam też w kontach, w których większość działań marketingowych dzieje się poza Google. Jeśli firma prowadzi kampanie w kilku systemach, telemarketing i sprzedaż przez przedstawicieli, przypisanie wewnątrz jednego narzędzia rozwiązuje niewielką część problemu. Tam sensowniejsze bywa zestawienie danych z kilku źródeł niż dobieranie modelu w jednym z nich.

Jeśli natomiast konto ma wolumen, czysty pomiar i kampanie na różnych etapach ścieżki, uważam tę zmianę za jedną z tych, które kosztują jedno kliknięcie, a porządkują sposób podejmowania decyzji na miesiące.