TRANSKRYPCJA VIDEO
Dariusz Ciesielski
M4N2 – Porównanie modeli atrybucji
Opis wygenerowany przez Skrybot
Dla tego filmu nie wygenerowano opisu.
Transkrypcja wygenerowana przez Skrybot
W tym nagraniu powiem Ci o jeszcze jednej bardzo ważnej rzeczy, o której musisz wiedzieć, żeby świadomie korzystać z Google Analytics. Porozmawiamy teraz o atrybucji. Co to takiego w ogóle jest ta atrybucja? Atrybucja to sposób w jaki Google Analytics przypisuje konwersje, na przykład wartość konwersji do poszczególnych źródeł, które przyprowadziły użytkownika do strony zanim on skonwertował. Już kilkakrotnie mówiłem Ci, że zwykle taki użytkownik, który na przykład kupcy jest w sklepie internetowym, jest na stronie wcześniej od 7 nawet do 15 razy zanim podejmie decyzję. I teraz każde wejście na tę stronę może być z innego źródła.
Można sobie wyobrazić prostą sytuację, że za pierwszym razem wszedł on z kampanii na przykład produktowej Google Ads, potem zapamiętał nazwę firmy, wszedł sobie za pomocą wyszukiwarki z wyników organicznych, znajdując nazwę firmy, wszedł na stronę główną, potem przeszedł jeszcze na Facebooka, na Facebooku obejrzał sobie profil, zobaczył opinie użytkowników i z Facebooka wrócił na stronę. Więc tych interakcji było kilka, źródeł było kilka. No i teraz pytanie, które z nich tak naprawdę spowodowało, że użytkownik ostatecznie stał się Twoim klientem? O tym właśnie mówi nam atrybucja. I to co musisz przede wszystkim wiedzieć, to to jak Analytics raportuje te interakcje, w jaki sposób przypisuje konwersje.
Otóż Analytics posługuje się takim modelem, który tutaj jest zaznaczonym jako ostatnie kliknięcie niebezpośrednie. Żeby zrozumieć co to jest kliknięcie niebezpośrednie, przypomnę Ci co to jest kliknięcie bezpośrednie. Kliknięcie bezpośrednie to takie, gdzie użytkownik np. wpisuje adres strony bezpośrednio w pasku przeglądarki i wchodzi na stronę. Czyli nie ma wcześniej żadnej reklamy, nie ma Facebooka, tylko otwiera przeglądarkę, wpisuje adres, jest na stronie. Albo ma np. zakładkę zrobioną do Twojej strony, albo wysłał komuś link do Twojej strony i ktoś klika sobie w ten nieoznakowany w żaden sposób link. Albo np. w PDF, jak myślisz link do Twojej strony, ten link też jest nieoznakowany. To wszystko będzie łapane jako kliknięcie bezpośrednie.
W takim razie te kliknięcia niebezpośrednie to są wszystkie inne, które można zmierzyć. Czyli kliknięcie z reklamy Google Ads, z Facebooka, LinkedIna, z wyników organicznych, wszystko co jest w stanie rozróżnić Analytics. No i problem polega na tym, że Analytics domyślnie działa według tego modelu z ostatnim kliknięciem niebezpośrednim. Co to znaczy? To znaczy, że jeśli użytkownik np. właśnie najpierw wszedł z reklamy Google Ads, potem wszedł na Twoją stronę z Facebooka, potem zapisał się na jakiś newsletter i wysłałeś mu maila i dopiero na koniec wszedł już z tego maila, czyli takim linkiem bezpośrednim na Twoją stronę, to cała zasługa zostanie przypisana zgodnie z definicją do ostatniego kliknięcia niebezpośredniego, czyli tutaj właśnie do maila.
Jaki to rodzi problem? Ano taki, że Analytics tam zaraportuje, że ani Google Ads, ani Facebook nie są tutaj wartościowym źródłem ruchu, tylko e-mail jest wartościowym źródłem ruchu. Tylko skąd ten użytkownik się wziął w Twoim maila? Musiałeś mu go gdzieś wysłać, musiał mieć jakieś inne interakcje. Tego w tym modelu nie widać. I takich modeli jednostykowych jest kilka. Ten podstawowy to jest ostatnie kliknięcie niebezpośrednie, jest jeszcze ostatnie kliknięcie Google Ads, co pokazuje nam tylko w zasadzie kampanię, która była ostatnia na tej ścieżce konwersji, czyli zawsze on nam tutaj pokaże Google Ads, niezależnie co było potem. Możemy skorzystać z modelu pierwszej interakcji, wtedy to pierwsze źródło zawsze będzie wskazywane jako źródło, które doprowadziło na koniec do konwersji.
To oczywiście też jest zły model. No i mamy kilka modeli takich wielostykowych. Te są jednostykowe, a te tutaj poniżej to są już modele wielostykowe. Model liniowy, gdzie do każdego źródła, które przyprowadziło użytkownika na stronę, jest przypisowana taka sama wartość. Jest model z rozkładem czasowym, gdzie najogólniej im bliżej konwersji miało miejsce wejście na stronę, tym większa jest mu przypisowana wartość. No i jest model, który uwzględnia pozycję, gdzie pierwsza interakcja zawsze dostaje 40%, i ostatnia 40%, a wszystkie pozostałe dostają porówno rozłożone 20%, czyli cała suma tutaj po środku ma dać 20%. Tak jest domyślnie to ustawione. Jeśli tych interakcji będzie dwie, no to będą miały po 10%.
Jeśli ich nie będzie, a mamy taki model, to wtedy będziemy mieli tutaj 50% i tutaj 50%. No i teraz jak sobie z tym poradzić? Jak odczytać co jest prawdziwe? Jakie źródła naprawdę dają ci klientów? No i tutaj przechodzimy do tego, że możemy utworzyć w OneITX-ie własny model atrybucji. I za chwilę będę chciał ci pokazać jak ten model można zrobić i co jest w nim ważne. Przechodzę teraz do OneITX-a i tutaj pokażę ci jeszcze te ścieżki wielokanałowe w praktyce, bo to jest rzecz, którą warto wiedzieć. Wchodzę tutaj w konwersje, ścieżki wielokanałowe. Tutaj mamy najważniejsze ścieżki konwersji. I tutaj w praktyce widać jak użytkownicy poruszają się po Twojej stronie.
Włączę tutaj trochę więcej tych ścieżek i włączę jakiś konkretny cel. Tutaj w tym raporcie ścieżek wielokanałowych musisz zastanowić się co chcesz obserwować. Powiedzmy, że ja chcę nie wszystkie cele obserwować, bo to nie ma kompletnie sensu, tylko jakiś jeden cel. OK. I druga rzecz, którą tutaj warto ustawić to długość ścieżki. Czy chcesz obserwować wszystkie ścieżki, nawet takie najkrótsze, czy tylko takie, które faktycznie mają kilka tych punktów styku. Zobacz, że jest bardzo dużo takich ścieżek. Tutaj mamy ilość tych ścieżek. Załóżmy, że te dwie lub więcej jest dobrze. OK. I teraz co z tego wynika? No mamy tutaj jeszcze włączę sobie trochę więcej danych. Powiedzmy 500 wyników.
To jest w praktyce to, co Ci pokazywałem. Załóżmy, że użytkownika ścieżka numer 24. Analytics pokaże, że to sieć społecznościowa wygenerowała konwersje. A zupełnie nie wskaże Ci, że na początku były płatne wyniki wyszukiwania. Tutaj mamy znowu płatne i płatne. No to któreś płatne się załapią. Tutaj mamy sieć społecznościowa, płatne wyniki, wejścia bezpośrednie. Bezpośrednich nie liczymy. Płatne wyniki dostaną całą zasługę. Sieć społecznościowa nic. Tutaj mamy sieć społecznościowa. Ona dostanie 100%, bo nie ma dalej wejścia bezpośredniego. A wyniki naturalne i ta wcześniejsza interakcja ze siecią społecznościową, znowu nic. Tutaj mamy email, płatne wyniki, wejścia bezpośrednie. Znowu płatne wyniki zgarną 100% zasługi. Email będzie w tym pominięty.
Więc widzisz, że w tym modelu jest pewna słabość. I teraz jak sobie z tym w praktyce poradzić. Przechodzę tutaj do administracji i tutaj na poziomie widoku mamy ustawienia ścieżek wielokanałowych. Tutaj mamy możliwość zbudowania własnego modelu atrybucji. Jedna rzecz, o której musisz wiedzieć, to to, że jeśli taki model sobie zbudujesz, to nie znaczy, że Analytics będzie go używał, bo nie będzie. Przynajmniej w tej wersji nie ma takiej możliwości. On zawsze będzie pracował z modelem last click. Natomiast pokażę ci zaraz, gdzie można zobaczyć, jak wyglądają wyniki przy zastosowaniu tego modelu, który za chwilę zbudujemy. Teraz musimy nazwać nasz model. I na podstawie czego go stworzymy. Tutaj mamy te modele z jedną interakcją.
One nas nie interesują. To już ci powiedziałem. One są bardzo słabe. Mamy model liniowy, spadek z udziałem upływu czasu, albo uwzględnianie pozycji. Najprościej będzie wyjść od modelu liniowego, bo on się w najbardziej zrozumiały sposób daje modyfikować. I teraz tak. Pierwsza rzecz, okres ważności. Okres podsumowania używany do przypisania. Czyli z jakiego czasu Analytics ma zbierać dane do budowania tej ścieżki interakcji. Tutaj można przyjąć domyślnie 30 dni. To jest taki standard. 30 dni. Czyli jeśli jakiś element pojawi się na ścieżce do 30 dni przed konwersją, to zostanie do tej ścieżki wrzucony. Kolejna rzecz, która pozwala w ciekawy sposób zmodyfikować nasz model, to dostosuj kredyt na podstawie zaangażowania użytkowników.
Co to w ogóle znaczy? Włączę to i będzie już jasne. Proporcjonalnie rozdzielaj udział z uwzględnieniem i tutaj mamy dwie opcje. Albo czas spędzony w wizytynie, albo głębokość wizyty. Co to znaczy? Że możemy przypisać tym interakcjom, które dały na przykład więcej czasu użytkownika w witrynie, większy udział w danej konwersji. Czyli jeśli poswięcił on dużo czasu na przykład z Facebooka w porównaniu do czasu, który poświęcił wracając z wyników naturalnych, to Facebook dostanie więcej. Więc można to włączyć.
Jeszcze zależy jakiego typu masz stronę, bo jeśli twoim celem jest kierowanie ruchu na landing page, gdzie jest tylko jedna strona i nie ma w ogóle opcji przejścia dalej, to ani czas spędzony w witrynie nie będzie domyślnie mierzony, chyba że zastosujesz jakieś rozwiązania, o których ci wcześniej mówiłem, związane z Tag Managerem, ani głębokość wizyty nie będzie miała zastosowania, bo ona będzie zawsze równa 1, czyli będzie tylko zawsze jedna strona. Jeśli masz bardziej rozbudowaną stronę typu sklep internetowy, to jeden albo drugi modyfikator tutaj miałby sens. Przy sklepie internetowym ja bym stawiał na głębokość witryny.
Jeśli masz bloga na przykład i stosujesz te mechanizmy bardziej zaawansowane, które mierzą zaangażowanie użytkownika, no to może czas spędzony w witrynie byłby tym bardziej słusznym modyfikatorem. To wszystko zależy po prostu od celu. Ja tutaj powiedzmy zostawię tą głębokość wizyty, a to jest jeszcze nie wszystko, bo mamy jeszcze możliwość stosowania niestandardowych reguł kredytowych. I co to znaczy? Włączę to i ci pokażę. Tak jak mówię, stosuję ten najprostszy model wielopunktowy, bo to i tak jest dosyć skomplikowane. I taka najprostsza rzecz, którą możemy zrobić, to spowodować, żeby elementy, które zdefiniowaliśmy przy budowie własnych kanałów miały mniejszą lub większą wagę.
Co to znaczy? Tutaj znajdę to swoje grupowanie kanałów i to co teraz mogę zrobić, to wybrać, że na przykład organiczny ruch z wyszukiwarki będzie miał małą wartość. Mogę tę wartość tutaj wyzerować prosto. Co to znaczy? Że jeśli ten organiczny ruch z wyszukiwarki znajdzie się gdzieś na ścieżce konwersji, to nie będzie do niego przypisywana w ogóle wartość konwersji. Wartość ta zostanie rozdzielona na pozostałe elementy. One dostaną wtedy więcej. Co jeszcze moglibyśmy w ten sposób zmienić? G, A, G, T, M.
Dobrze, co jeszcze tutaj można by było wykluczyć? Webinary w zasadzie są u mnie akurat wtórnym źródłem ruchu, nigdy nie są tym źródłem pierwotnym, ponieważ zawsze ja muszę w jakiś sposób ludzi sprowadzić na webinar, albo mailowo, albo robiąc reklamy w innych źródłach. Nie ma tak, że ktoś spontanicznie przychodzi na webinar, więc tutaj u siebie akurat dla tego kanału webinary również mógłbym wyzerować wartość. Dobra, jeszcze zobaczmy co można by było o mnie zmienić. Patrzę co jeszcze. Brandowe, G, A. Można by było na przykład dla ruchu brandowego z Google Ads zmniejszyć tą wartość.
Kampania jest, działa na ruch brandowy, bo chce, żeby moje reklamy się wyświetlały przy zapytaniach brandowych, bo konkurencja próbuje się reklamować na moją markę, więc chce, ale wiem, że to nie jest bardzo wartościowe, więc mogę tutaj obniżyć ten nożnik, na przykład do 0,5, więc będzie on dostawał tylko połowę należność zasługi, jeśli się znajdzie na mojej ścieżce konwersji. Jeszcze patrzę czy coś tutaj by było takiego. Na pewno Direct jest takim źródłem, który nie powinno tutaj nic dostawać, dlatego dla Directa również zrobię tutaj 0. Dobrze, powiedzmy, że to wystarczy. Zapisuję ten model. Dobrze i teraz gdzie można zobaczyć, jak różnią się wyniki, gdzie można zobaczyć te prawdziwe wyniki uwzględniające wagę przydzieloną tym kanałom, które wcześniej definiowaliśmy.
Przejdę tutaj do ścieżek wielokanałowych po raz kolejny i tutaj mam możliwość porównania modeli atrybucji. Ok. Przełączę się w tej chwili na to swoje grupowanie kanałów. I tak, domyślny model to jest ostatnie kliknięcie niebezpośrednie. Ok. Tutaj musimy też ustalić co nas interesuje. Jaki cel? Powiedzmy, że właśnie ten, rejestracja na webinar. Jest dobrze. Dobra i teraz zobaczymy, jak będzie różniło się przypisanie tych konwersji, jeśli porównam to ze swoim zdefiniowanym modelem. Tutaj mam ten swój model testowy. Ok. I tutaj już widać różnicę. Włączę tutaj sobie jeszcze jeden wiersz więcej, bo widzę, że jest ich troszeczkę więcej. Ok.
I teraz co wynika z tego porównania? Tutaj mamy wyniki dla ostatniego kliknięcia niebezpośredniego, czyli w tym domyśle modelu, a tutaj dla mojego modelu testowego. Tutaj w ostatniej kolumnie widać różnicę procentową pomiędzy jednym a drugim modelem. Jeśli jest na plus to znaczy, że drugi model tutaj pokazał nam więcej, jeśli na minus to znaczy, że drugi model pokazał nam mniej. I teraz gdzie mamy największe różnicę? Największa różnica jest tutaj na direkcie, bo przypisaliśmy mu wagę 0. Dlaczego w takim razie w ogóle jest ten direkt? Nasuwa się takie pytanie.
Otóż dlatego, że jeśli na ścieżce konwersji będzie tylko direkt albo będą na przykład dwa direkty po kolei, bo przeglądarka nie wie, nie potrafi tego użytkownika skojarzyć z żadnym źródłem ruchu i będzie on miał tylko direkt na swojej ścieżce, to jednak mimo wszystko zostanie mu w 100% przypisany direkt. Natomiast widać, że w porównaniu z tym modelem podstawowym, liczba tych direktów dosyć znacząco nam spadła. Gdzie się pojawił największy plus? W Organik inne. Czyli to co tutaj zostało zdjęte z ruchu direct, w dużej mierze trafiło do ruchu organicznego. Czyli jeśli gdzieś wcześniej na ścieżce był ten Organik, a było wiele takich ścieżek, to tutaj właśnie te konwersje zostały dopisane.
Z WPNRów zmniejszyła mi się ilość konwersji z ruchu brandowego również, chociaż to już są pojedyncze konwersje, więc tutaj niespecjalnie trzeba się nad tym zastanawiać. Generalnie tutaj jeśli chodzi o te główne źródła konwersji, bardzo dużych zmian nie ma. Facebook CPC troszeczkę w moim drugim modelu zyskał, tego bym się tutaj akurat spodziewał. Marketing Automation troszeczkę z kolei stracił. Więc może akurat ta witryna nie jest najlepszym przykładem do badania różnych modeli atrybucji konwersji, ale już tutaj widać, że te różnice są. Jeśli to byłby sklep internetowy, gdzie te ścieżki są zwykle dłuższe, to te różnice będą dosyć istotne. I co z tego wynika jeszcze, bo to jest najważniejsze.
Jeżeli się okaże, że w twoim modelu testowym pewne źródła ruchu mają jednak większe znaczenie, to to wskazuje, że należałoby na te źródła ruchu poświęcić ewentualnie większe środki w swoich działaniach marketingowych niż wynikałoby to z tego podstawowego modelu z ostatnim kliknięciem niebezpośrednim. Jeśli się okaże, że mają spadki, to jest sugestia, że można zmniejszyć środki na dany kanał. I tutaj jest jeszcze jedna ważna rzecz, to że w ten sposób akurat ustawiliśmy atrybucję. Ja to robiłem tutaj akurat pod swoją witrynę, tak? Pod to jak ja odbieram te konwersje. To nie znaczy, że to jest absolutnie słuszne dla wszystkich witryn.
Tak jak powiedziałem, dla sklepów prawdopodobnie będzie troszeczkę inaczej, więc ten model trzeba dopasowywać do jego rzeczywistej efektywności. Co to znaczy? Jeśli na przykład model ten opracowany przez nas wskaża, że więcej należy inwestować w Facebooka, bo jest lepszym źródłem ruchu, my pójdziemy za tym przykładem, ale się okaże, że jednak to nie działa tak jak trzeba, tak? Że nasza całościowa sprzedaż w sklepie jednak zaczyna spadać, to być może ten model jednak nie jest idealny. Tutaj nie ma takich stuprocentowo pewnych i jednoznaczych wskazówek, jak ten model budować. Budujemy go po prostu w oparciu o doświadczenie, o to jak my postrzegamy te źródła ruchu. I tutaj chciałem Ci pokazać jeszcze jedną, kolejną rzecz.
W Analyticsie jest coś takiego jak atrybucja. Ta atrybucja to jest taki dodatkowy system. Ja tutaj dodam swoją stronę. To jest tak jak widzisz zupełnie taki odrębny, można powiedzieć, system. Dodam tutaj nowy projekt. Witamy w atrybucji rozpocznij. Połącz z usługą Analytics. Tutaj muszę wybrać sobie konto, na którym chcę pracować. Dobra. Powiedzmy, że to jest to. Ok. Dalej. Wybierz typ konwersji, czyli jakie działania chciałbym tutaj analizować jako te najważniejsze konwersje. Powiedzmy, że tego nie mogę wybrać akurat. To jest już wyłączone. No tutaj mamy jakiś webinar. To trzeba przemyśleć. Jeśli masz sklep internetowy to będzie po prostu transakcja. Wtedy jest prosto.
Zapisz i włączamy. W tej chwili, tak jak tutaj jest napisane, trzeba poczekać. Od 72 godzin do 14 dni. Potem od 14 do 30 dla rozbudowanego modelu. A czasami nawet 30, ponad 30 dni. Co to w ogóle jest i po co to stosować? Pokażę Ci to na przykładzie, który działa już od długiego czasu. Ok. I w tym systemie mamy przede wszystkim możliwość porównania modeli z uwzględnieniem jednego ważnego modelu opartego na danych. On nie jest dostępny wszędzie. Witryna musi być dosyć spora ze sporym ruchem, żeby to zadziałało.
Ale jeśli ten ruch jest, to możemy właśnie wywołać taki model oparty na danych, czyli taki najbardziej wartościowy, w którym uwzględnione są rozmaite czynniki związane z aktywnością użytkowników. Można tutaj włączyć sobie porównanie modeli. Ok. I teraz mamy powiedzmy ten model ostatnie kliknięcie w porównaniu z modelem opartym na danych. I teraz jak wyglądają tutaj nasze źródła ruchu. Bezpłatne wyniki wyszukiwania. Mi najbardziej zależy na przykład tutaj na analizie jak wyglądają płatne wyniki wyszukiwania w tym modelu. Tutaj widać, że tych konwersji i wartość konwersji jest sporo wyższa. Bezpłatne wyniki wyszukiwania mają trochę na minus i co jeszcze ma na minus? Ruch z witryn odsyłających.
Czyli z tego wniosek, że to płatne wyniki wyszukiwania w tej konkretnej witrynie mają większą wartość niż pokazuje to bezpośrednio Analytics i to właśnie temu kanałowi ruchu trzeba było przyporządkować większy budżet. Można jeszcze sprawdzić bezpośrednio skuteczność Google Ads i poszczególnych kampanii. Tutaj można rozwinąć wyniki konta i mamy aktywne kampanie. I teraz jak to wygląda w tych dwóch modelach? Mamy tutaj model ostatnie kliknięcie, a tutaj model oparty na danych. Tutaj widzę kampanię produktową inteligentną. Model ostatniego kliknięcia pokazuje, że generuje ona większą wartość niż ten oparty na danych. Kampania brandowa generuje mniejszą wartość w modelu last click. Kampania reklam dynamicznych to jest ciekawe. W modelu opartym na danych ma wielokrotnie wyższą wartość.
Może nie wielokrotnie, ale dwukrotnie. I kampania oparte o frazy też ma dużo wyższą wartość. To znaczy, że te dwa źródła są w tej chwili mocno niedocenione. Patrząc na te wyniki, myślę, że trzeba by było przełożyć po prostu budżet z kampanii inteligentnej i z kampanii brandowej właśnie na te dwie pozostałe kampanie. Tutaj trzeba patrzeć jeszcze na jedną rzecz, bo to jest dosyć istotne, na ilość tych konwersji. Warto jeszcze zobaczyć na czas. To były dane tylko z jednego tygodnia. Spróbuję włączyć tutaj trochę większy zakres czasu. Ok. Będziemy mieli więcej danych, więc bardziej wiarygodne dane do analizy. Jeszcze raz patrzymy jak to wygląda.
Gdzie są największe zmiany? I patrząc na te dane, mam potwierdzenie, że to właśnie te kampanie DSA i kampania na frazy w modelu opartym o danych dają dużo lepsze wyniki. Tutaj 300 000 mamy, tutaj 400 000 mamy, tutaj 34 000 mamy, tutaj 51 000 mamy. Więc są to dużo lepsze wyniki. Koszty pozyskania są w nich trochę mniejsze, a zwrot z nakładów wyższy, co jest akurat logiczne.
Ten model oparty na danych byłby najlepszym modelem do obserwacji wartości poszczególnych źródeł ruchu, tylko że nie możemy go w żaden sposób użyć bezpośrednio w Analytics, więc myślę, że to co trzeba było starać się przynajmniej zrobić, to tak manipulować naszym modelem atrybucji, żeby dawał wyniki w miarę zbliżone do tego modelu opartego na danych. I to tyle generalnie jeśli chodzi o atrybucje. To co musisz zapamiętać to to, że Analytics nie pokazuje nam prawdy w domyślnym widoku, pokazuje nam tylko te dane w oparciu o ostatnie kliknięcie i musisz sobie zapamiętać, że możesz zdefiniować swój własny model w oparciu o któryś z tych modeli podstawowych.
Ten Twój model nie pozwoli Ci oglądać w raportach Analytics danych przefiltrowanych przez Twój model atrybucji, ale tutaj w konwersjach ścieżki wielokanałowe i porównanie modeli atrybucji będziesz mógł sprawdzić jak to wygląda w porównaniu z podstawowym modelem. Tak Twój model sprawdza się w porównaniu z tym modelem podstawowym. .
S K R Y B O T
Skrybot. 2023, Transkrypcje video z YouTube
Informujemy, że odwiedzając lub korzystając z naszego serwisu, wyrażasz zgodę aby nasz serwis lub serwisy naszych partnerów używały plików cookies do przechowywania informacji w celu dostarczenie lepszych, szybszych i bezpieczniejszych usług oraz w celach marketingowych.