Attribution Model
Attribution Model,即归因模型,是一套用于在线广告中分配转化功劳给不同营销触点的规则框架。在多渠道营销环境中,不同的渠道和触点(如社交媒体、电子邮件、网站特定帖子、Facebook广告等)都会影响消费者的购买决策。归因模型帮助营销人员量化各个广告活动、关键词或渠道在推动消费者行为和转化中的作用,从而优化广告投放策略和预算分配。
归因模型主要分为两大类:
1. 单触点归因模型(Single-touch Attribution):这种模型将转化的全部功劳归功于消费者旅程中的一个触点。常见的单触点归因模型包括:
- First Click(首次点击归因):将功劳归功于首次为网站带来访客的渠道。
- Last Click(末次点击归因):将功劳归功于客户在进行购买或转化之前与之互动的最后一个渠道
2. 多触点归因模型(Multi-touch Attribution, MTA):这种模型认为多个触点对转化都有贡献。多触点归因模型的类型包括:
- 线性归因模型(Linear Attribution):将转化功劳平均分配给转化路径上的每一个触点。
- 时间衰减归因模型(Time Decay):认为触点越接近转化,对转化的影响力就越大,因此更接近转化的触点获得更多的功劳。
- 基于位置归因(U-shaped or Position-Based Attribution):混合了首次互动和末次互动归因的结果,重视最初带来线索和最终促成成交的渠道。
- 数据驱动归因(Data-Driven Attribution):使用机器学习算法来确定特定营销接触点如何影响用户转化的可能性,并据此分配功劳。
- 自定义归因模型(Custom Attribution):根据特定业务需求定制的归因模型,可以为不同触点分配不同的权重。
归因模型的选择取决于业务特性、数据可用性以及营销目标。正确的归因模型可以帮助企业更准确地评估不同营销渠道的效果,优化预算分配,并提高整体的营销ROI。
目前谷歌广告(Google Ads)采用两种主要的归因模型:数据驱动归因模型(Data-Driven Attribution, DDA)和最后点击归因模型(Last-Click Attribution)
。之前谷歌提供的首次点击归因模型、线性归因模型、时间衰减归因模型和基于位置的归因模型,已经弃用。
1. 数据驱动归因模型(Data-Driven Attribution, DDA):
- 这种模型使用谷歌的机器学习技术来分析不同触点对转化的影响,并据此分配功劳。它基于账户的历史表现,考虑了诸如广告互动次数、曝光顺序和每次转化路径中使用的广告素材等因素。
- DDA模型的优点在于它能够提供最准确的归因,因为它考虑了真实的用户行为,并根据数据洞察自动优化。
- 然而,DDA模型也有其限制,它需要大量的转化数据才能获得最佳结果,因此可能不适用于所有广告商。
2. 最后点击归因模型(Last-Click Attribution):
- 这种模型将100%的转化功劳归功于用户在转化前最后一次点击的广告。
- 它的优点在于简单易懂,但缺点是忽略了所有之前的互动,这些互动可能对转化有所贡献。
广告商现在需要在数据驱动归因和最后点击归因之间做出选择,以最适合自己业务需求的方式进行转化归因。