Η απόδοση (attribution) είναι η διαδικασία με την οποία δίνεις τα εύσημα μιας μετατροπής στα κανάλια. Η απόδοση τελευταίου κλικ δίνει τα εύσημα στο τελευταίο κανάλι πριν από τη μετατροπή. Η απόδοση πρώτου κλικ τα δίνει στο πρώτο κανάλι. Η πραγματικότητα όμως είναι πιο σύνθετη: πολλά κανάλια συνέβαλαν στην απόφαση. Τα μοντέλα απόδοσης σε πολλά κανάλια προσπαθούν να μοιράσουν δίκαια τα εύσημα σε όλα τα κανάλια που συνέβαλαν. Αυτό το κεφάλαιο εξηγεί τα διάφορα μοντέλα απόδοσης και πότε να χρησιμοποιείς το καθένα.
Τα μοντέλα απόδοσης εξηγημένα
Απόδοση τελευταίου κλικ
Το κανάλι της τελευταίας επαφής πριν από τη μετατροπή παίρνει το 100% των εύσημων. Παράδειγμα: οργανική αναζήτηση → email → διαφημίσεις επί πληρωμή → μετατροπή = οι διαφημίσεις παίρνουν το 100%.
Πλεονέκτημα: απλό, εύκολο στην εφαρμογή, ευνοεί τα κανάλια στον πάτο της χοάνης. Μειονέκτημα: αγνοεί τους υποστηρικτικούς ρόλους και υποτιμά τα κανάλια ευαισθητοποίησης.
Απόδοση πρώτου κλικ
Το κανάλι της πρώτης επαφής παίρνει το 100% των εύσημων. Παράδειγμα: οργανική αναζήτηση → email → διαφημίσεις επί πληρωμή → μετατροπή = η οργανική αναζήτηση παίρνει το 100%.
Πλεονέκτημα: ευνοεί τα κανάλια ευαισθητοποίησης, εύκολο στην εφαρμογή. Μειονέκτημα: αγνοεί τους ρόλους της φροντίδας και της μετατροπής και φουσκώνει τα εύσημα των πρώτων επαφών.
Γραμμική απόδοση
Τα εύσημα μοιράζονται εξίσου σε όλες τις επαφές. Παράδειγμα: οργανική αναζήτηση → email → διαφημίσεις επί πληρωμή → μετατροπή = το καθένα παίρνει 33%.
Πλεονέκτημα: δίκαιο για όλα τα κανάλια, λαμβάνει υπόψη πολλές επαφές. Μειονέκτημα: δεν λαμβάνει υπόψη ποιες επαφές μετράνε περισσότερο.
Απόδοση με φθίνουσα βαρύτητα στον χρόνο
Οι πρόσφατες επαφές παίρνουν περισσότερα εύσημα από τις παλιές. Παράδειγμα: οργανική αναζήτηση (πριν από 30 ημέρες) παίρνει 20%, email (πριν από 10 ημέρες) παίρνει 30%, διαφημίσεις επί πληρωμή (πριν από 1 ημέρα) παίρνουν 50%. Σύνολο = 100%.
Πλεονέκτημα: ρεαλιστικό (οι πρόσφατες αλληλεπιδράσεις συνήθως επηρεάζουν περισσότερο), ισορροπεί ευαισθητοποίηση και μετατροπή. Μειονέκτημα: πιο σύνθετο στην εφαρμογή.
Προσαρμοσμένη ή αλγοριθμική απόδοση
Τα εύσημα μοιράζονται με βάση την ανάλυση ιστορικών δεδομένων. Η μηχανική μάθηση εντοπίζει ποιες επαφές προβλέπουν καλύτερα τη μετατροπή. Παράδειγμα: τα δεδομένα δείχνουν ότι όταν το email υπάρχει στην αλληλουχία, το ποσοστό μετατροπής είναι 15% υψηλότερο. Το email παίρνει επιπλέον εύσημα.
Πλεονέκτημα: το πιο ακριβές, λαμβάνει υπόψη τα αποτελέσματα της αλληλεπίδρασης. Μειονέκτημα: απαιτεί δεδομένα και τεχνική εμπειρία.
Πώς διαλέγεις μοντέλο απόδοσης
Αρχικό στάδιο (μόλις ξεκινάς): χρησιμοποίησε το τελευταίο κλικ. Απλό, εφαρμόζεται αμέσως. Υποτιμά την ευαισθητοποίηση, αλλά είναι καλό σημείο εκκίνησης.
Εταιρεία που μεγαλώνει: χρησιμοποίησε τη φθίνουσα βαρύτητα στον χρόνο. Πιο ακριβές από το τελευταίο κλικ, λαμβάνει υπόψη πολλές επαφές και είναι σχετικά απλό.
Ώριμη εταιρεία: χρησιμοποίησε προσαρμοσμένο ή αλγοριθμικό μοντέλο. Έχεις αρκετά δεδομένα και εμπειρία στην ομάδα για να εφαρμόσεις προχωρημένα μοντέλα.
Καλή πρακτική: παρακολούθησε πολλά μοντέλα ταυτόχρονα. Παρουσίασε το τελευταίο κλικ στη διοίκηση (απλότητα), τη φθίνουσα βαρύτητα για τη στρατηγική (ισορροπία) και το πρώτο κλικ για τους δείκτες ευαισθητοποίησης. Έτσι έχεις πλήρη εικόνα.
Πώς εφαρμόζεις τα μοντέλα απόδοσης
Βήμα 1: Διάλεξε το μοντέλο σου. Ξεκίνα με τη φθίνουσα βαρύτητα στον χρόνο, εκτός αν έχεις λόγο να χρησιμοποιήσεις κάτι άλλο.
Βήμα 2: Όρισε το παράθυρο απόδοσης. Πόσες ημέρες πριν από τη μετατροπή καταγράφεις τις επαφές; 7, 14, 30, 90; Χρησιμοποίησε 30 ως προεπιλογή.
Βήμα 3: Ρύθμισέ το στην πλατφόρμα analytics σου. Οι περισσότερες πλατφόρμες υποστηρίζουν πολλά μοντέλα απόδοσης. Το Google Analytics και οι περισσότερες πλατφόρμες product analytics τα υποστηρίζουν εγγενώς.
Βήμα 4: Σύγκρινε τα μοντέλα. Τρέξε όλα τα μοντέλα στα δεδομένα σου. Σύγκρινε τα αποτελέσματα. Πού διαφέρουν; Αλλάζει η στρατηγική σου; Αν διαφορετικά μοντέλα προτείνουν διαφορετικές προτεραιότητες καναλιών, ψάξε βαθύτερα να καταλάβεις γιατί.
Προκλήσεις στην απόδοση σε πολλά κανάλια
Κανιβαλισμός καναλιών: αν τρέχεις και οργανική και πληρωμένη αναζήτηση για την ίδια λέξη-κλειδί, ποιο κανάλι παίρνει τα εύσημα; Και τα δύο μπορεί να διεκδικούν τη μετατροπή. Λύση: όρισε σαφείς κανόνες (πρώτο κλικ = οργανική, τελευταίο κλικ = πληρωμένη) και εφάρμοσέ τους σταθερά.
Δεδομένα που λείπουν: οι αλληλεπιδράσεις εκτός σύνδεσης (τηλεφωνήματα, δια ζώσης συναντήσεις) δεν καταγράφονται στα analytics. Λύση: εισήγαγε στα analytics τα δεδομένα μετατροπών εκτός σύνδεσης όταν γίνεται. Αναγνώρισε ότι για κάποιες μετατροπές λείπουν δεδομένα απόδοσης.
Περιορισμοί απορρήτου και παρακολούθησης: οι αλλαγές απορρήτου στο iOS, τα προγράμματα αποκλεισμού διαφημίσεων και τα εργαλεία απορρήτου μειώνουν τη δυνατότητα παρακολούθησης. Μερικές διαδρομές χρηστών είναι εν μέρει αόρατες. Λύση: χρησιμοποίησε δεδομένα first-party όποτε μπορείς. Αναγνώρισε τους περιορισμούς της παρακολούθησης στις αναφορές σου.
Ποιο μοντέλο απόδοσης να χρησιμοποιήσω για την επιχείρησή μου;
Η φθίνουσα βαρύτητα στον χρόνο είναι η καλύτερη προεπιλογή για τις περισσότερες επιχειρήσεις. Αν ο κύκλος πωλήσεων είναι σύντομος (1-2 ημέρες), χρησιμοποίησε το τελευταίο κλικ. Αν είναι μεγάλος (30+ ημέρες), χρησιμοποίησε το πρώτο κλικ ή το γραμμικό. Δοκίμασε τα 3 κορυφαία μοντέλα για 1 μήνα και δες αν αλλάζουν οι συστάσεις. Αν δεν αλλάζουν, μείνε στο πιο απλό (τελευταίο κλικ). Αν αλλάζουν, χρησιμοποίησε αυτό που ταιριάζει περισσότερο στην πραγματικότητα της επιχείρησής σου.
Πώς εξηγώ τα μοντέλα απόδοσης σε ανθρώπους που δεν έχουν τεχνικές γνώσεις;
Χρησιμοποίησε ένα παράδειγμα: «Τρία άτομα βοήθησαν να κλείσει μια συμφωνία των $10k: το άτομο Α μάς σύστησε (ευαισθητοποίηση), το άτομο Β απάντησε σε ερωτήσεις (εξέταση), το άτομο Γ υπέγραψε το συμβόλαιο (απόφαση). Το τελευταίο κλικ δίνει και τα $10k στο άτομο Γ (άδικο). Το πρώτο κλικ τα δίνει όλα στο άτομο Α (αγνοεί τα Β και Γ). Η φθίνουσα βαρύτητα στον χρόνο δίνει 20% στο Α, 30% στο Β, 50% στο Γ (ρεαλιστικό).» Με αυτό το παράδειγμα εξηγείς γιατί η φθίνουσα βαρύτητα στον χρόνο είναι πιο δίκαιη.
Να χρησιμοποιώ διαφορετικά μοντέλα απόδοσης για διαφορετικά κανάλια;
Όχι, μείνε σε ένα μοντέλο για όλα τα κανάλια ώστε να συγκρίνονται. Διαφορετικά μοντέλα για διαφορετικά κανάλια δημιουργούν ασυνέπεια. Χρησιμοποίησε ένα μοντέλο σταθερά και μετά ανάλυσε μέσα σε αυτό: ο ρόλος της οργανικής αναζήτησης σε σχέση με τον ρόλο του email κ.ο.κ. Αν χρειάζεσαι διαφορετικά μοντέλα για διαφορετικούς σκοπούς, τρέξε τα χωριστά (αναφορές και στρατηγική), όχι ανακατεμένα.
Πώς ενημερώνω το μοντέλο απόδοσης αν αλλάξει ο κύκλος πωλήσεών μου;
Ανάλυσε ξανά τα δεδομένα σου: πόσο διαρκεί ο μέσος κύκλος πωλήσεων; Αν άλλαξε από 15 σε 45 ημέρες, το παράθυρο απόδοσης των 30 ημερών μπορεί να κόβει σημαντικές επαφές. Ενημέρωσέ το σε 45-60 ημέρες. Τρέξε ξανά την ανάλυση και δες αν αλλάζουν οι προτεραιότητες των καναλιών. Ενημέρωσε το μοντέλο σου και κατάγραψε την αλλαγή.
Μπορώ να χρησιμοποιήσω τα δεδομένα απόδοσης για να προβλέψω ποιες καμπάνιες θα πετύχουν;
Εν μέρει. Η ιστορική απόδοση δείχνει ποιοι συνδυασμοί καναλιών δουλεύουν. Αν οι επιτυχημένοι πελάτες ήρθαν μέσω οργανική → email → πληρωμένη, οι νέες καμπάνιες που ακολουθούν αυτό το μοτίβο έχουν καλές πιθανότητες. Χρησιμοποίησέ το ως υπόθεση: επένδυσε σε αυτές τις αλληλουχίες. Κάθε καμπάνια όμως είναι διαφορετική, γι' αυτό δοκίμασε και μέτρησε αντί να βασίζεσαι μόνο στα ιστορικά μοτίβα.
Πώς χειρίζομαι τις μετατροπές εκτός σύνδεσης στο μοντέλο απόδοσης;
Εισήγαγε τα δεδομένα εκτός σύνδεσης στα analytics: τηλεφωνήματα, δια ζώσης συναντήσεις, υπογεγραμμένα συμβόλαια. Αντιστοίχισέ τα με τις επισκέψεις στο web μέσω αναγνωριστικού πελάτη (email, τηλέφωνο ή όνομα). Οι επαφές online εμφανίζονται στην απόδοση, οι μετατροπές εκτός σύνδεσης είναι το αποτέλεσμα. Έτσι έχεις πληρέστερη εικόνα. Σημείωση: η απόδοση εκτός σύνδεσης είναι πιο δύσκολη, γι' αυτό ξεκίνα από τις μεγαλύτερες συμφωνίες εκτός σύνδεσης.