Post ten jest kontynuacją dwóch poprzednich postów. W pierwszym była mowa na temat domyślnych modeli atrybucji i sposobu ich interpretacji w drugim natomiast była mowa jak tworzyć niestandardowe modeli atrybucji.

 

W tym poście będziemy porównywać różne modele atrybucji i sprawdzać jak to się przekłada na interpretacje danych.

 

Na potrzeby tego postu stworzyłem dodatkowy widok w GA, który zbierał tylko moje dane. Następnie zrealizowany został cel,  którym był zakup produktu.

 

Poniżej informacja w jaki sposób użytkownik zachowywał się na stronie

 

jak zachowuje sie uzytkowik

 

2014-10-20 użytkownik po raz pierwszy wchodzi na stronę poprzez baner w Onecie, użytkownik ten w ramach tej sesji przegląda 5 podstron w serwisie.

 

2014-10-23 użytkownik wraca po raz drugi na stronę poprzez kampanie Google Adwords (kampania brandowa), tym razem użytkownik zobaczył tylko jedną podstronę w serwisie w ramach tej sesji. Po około dwóch godzinach wraca ponownie na stronę poprzez baner w portalu o2 i przegląda dwie podstrony w serwisie. Po upływie kolejnych 6 godzin (nadal ten sam dzień) użytkownik powraca na stronę poprzez baner w Onecie i przegląda 5 podstron w serwisie.

 

2014-10-24 użytkownik powraca kolejny raz na stronę, tym razem wpisując nazwę strony w przeglądarce i dokonuje zakupu na kwotę 220 zł. Dokonanie zakupu wiązało się z odwiedzeniem 7 podstron w serwisie.

 

 

Upływ czasu wyniósł 4 dni

 

uplyw czasu w dniach

 

Długość ścieżki wynosiła 5 interakcji

 

dlugosc sciezki w interakcjach

 

Cała ścieżka zakupowa wyglądała w taki sposób

 

sciezka zakupowa

 

 

Poniżej porównanie domyślnych modeli atrybucji

  • Model Ostatnia interakcja vs Model Ostatnie kliknięcie niebezpośrednie

 

ostatnia interakcja vs ostatnie klikniecie niebezposrednie

 

Zgodnie z naszą ścieżką zakupową w modelu atrybucji ostatnia interakcja cała wartość zamówienia zostanie przypisana do źródła (direct) / (none) a w modelu Ostatnie kliknięcie niebezpośrednie do źródła onet / baner

 

  • Model Ostatnie kliknięcie Adwords vs Model Pierwsza Interakcja

 

ostatnie klikniecie adwords vs pierwsza interakcja

 

Cała wartość zamówienia w modelu Ostatnie kliknięcie AdWords  zostanie przypisana do źródła google / cpc a w modelu Pierwsza interakcja do źródła onet / baner.

 

  • Model Liniowy vs Model Rozkład czasowy vs Model Uwzględnienie pozycji

 

liniowy vs rozklad czasowy vs uwzglednienie pozycji

 

W modelu atrybucji Liniowy całą wartość zamówienia rozdzielamy po równo między wszystkie interakcje, czyli każda interakcja dostaje po 44 zł, baner z Onetu występuje dwa razy na ścieżce dlatego dostał 88 zł.

Model atrybucji uwzględnienie pozycji, dla przypomnienia pierwsza i ostatnia interakcja dostaje po 40% a środkowe 20%. Czyli:

direct / none – dostaje 88zł

onet / baner – za pierwszą interakcje dostaje 88zł plus dodatkowo za interakcje wspomaganą dostaje 14,67zł, co razem daje 102,67zł dla Onetu

google / cpc – dostaje 14,67zł (20% z 220zł podzielone przez 3)

o2 / baner – dostaje 14,67zł

Model Rozkład czasowy – okres półtrwania w tym modelu atrybucji jest ustawiony domyślnie na 7 dni, czyli nie będzie to nas dotyczyć w tym przypadku, ponieważ nasza ścieżka zakupowa był krótsza niż 7 dni.

Wartość zamówienia pomiędzy poszczególne interakcje rozkłada się w taki sposób, że im interakcja jest bliżej końca ścieżki tym dostaje większy procent wartości zamówienia a im dalej to ten procent wartości zamówienia się zmniejsza.

Taka też sytuacja występuje u nas, najbliżej końca ścieżki jest (direct) / (none) a najdalej onet / baner ale w związku z tym, że onet / baner występuje również na przed ostatnim miejscu w ścieżce to on otrzymał największy procent wartości zamówienia. Źródło google / cpc było na drugiej pozycji i otrzymała najmniejszy procent wartości zamówienia, na 3 pozycji był o2 / baner i otrzymał trochę większą wartość zamówienia niż jego poprzednik.

 

 

To byłoby na tyle jeśli chodzi o sposób przypisywania wartości zamówienia dla modeli domyślnych. Zobaczmy teraz jak będą się rozkładały wartości zamówienia pomiędzy poszczególne interakcje  dla własnych modeli atrybucji.

 

Kilka przykładów niestandardowych modeli atrybucji

  • Na początek tworzymy własny model atrybucji, który będzie bazował na modelu liniowym i będzie nagradzał użytkowników w zależności od ich zaangażowania. Stworzony model porównamy do domyślnego modelu liniowego, który nie bierze pod uwagę zaangażowania użytkowników.

 

model liniowy vs liniowy z zaangazowaniem

 

Wróćmy teraz do tabelki (tabelka znajduje się na początku postu), która pokazuje zaangażowanie w zależności od źródła odwiedzin. Zaangażowanie mierzone na podstawie ilości oglądanych stron.

Z tabelki na początku postu wynika, że najsłabiej zaangażowanym źródłem był w pierwszej kolejności google / cpc a  zaraz po nim o2/ baner. Natomiast najbardziej angażującym źródłem był onet / baner i direct / none.

Porównując to do naszego modelu atrybucji wszystko się zgadza ponieważ procent wartości zamówienia został rozłożony zgodnie z zaangażowaniem danego źródła. Czyli google / cpc otrzymał najmniejszą wartość następnie o2 / baner trochę większą dalej w kolejności był direct / none a na końcu onet / baner.

 

 

  • Kolejny model, który stworzymy będzie bazował również na modelu liniowym ale dodatkowo słowom brandowym nie będzie przypisywał żadnej wartości. Powodem dlaczego takim słowom nie będziemy przypisywać żadnej wartości może być np. to, że użytkownicy tacy znają już nasz brand a to, że wpisują w wyszukiwarce nazwafirmy.pl zamiast pisać to w pasku przeglądarki wynika z ich przyzwyczajeń. Stosowanie takiego modelu jest kwestią indywidulaną każdej strony i zależy od różnych czynników.

 

model liniowy vs Liniowy  - slowom brandowym dajemy wartosc zero

 

Mamy tu użytkownika, który wszedł do nas na stronę poprzez źródło google / cpc i wpisał w wyszukiwarce nazwę naszej firmy, czyli zgodnie z naszym nowym modelem atrybucji taki użytkownik nie otrzyma żadnej wartości z zamówienia, co widać na powyższym screenie.

Przy tworzeniu reguł opartych o słowa kluczowe należy uważać na typy dopasowania tych słów w kampanii.

Przykładowo jeżeli w kampanii mamy słowo +nazwa +firmy (czyli dopasowanie z modyfikatorem) to przy tworzeniu reguły jeżeli wybierzemy dopasowanie ścisłe musimy je podać w takiej samej postaci, jeżeli podamy je bez plusów to reguła nie zadziała.

Jeżeli natomiast chcielibyśmy wszystkim słowom brandowym przypisywać wartość zero to wygodniej jest stworzyć regułę opartą o wymiar kampania (ale to już zależy od struktury naszego konta).

 

  • Kolejny model będzie bazował na modelu Ostatnia interakcja. Zakładamy teraz, że chcemy przypisać całą wartość zamówienia do ostatniej interakcji, ale do takiej  która spełni nasze warunki.

 

Przykład 1 – warunkiem jest przypisanie całej wartości zamówienia do ostatniej interakcji, która pochodzi z wyszukiwarki.

 

model ostatnia interakcja vs ostnia interakca z wyszukiwarki

 

Ostatnią interakcją na naszej ścieżce zakupowej jest źródło (direct) / (none) ale zgodnie z naszym nowym modelem atrybucji „Ostatnia interakcja z wyszukiwarki” my chcemy przypisać całą wartość zamówienia do ostatniej interakcji, która pochodziła z wyszukiwarki.

Wyszukiwarką na naszej ścieżce zakupowej jest źródło google /cpc, czyli cała wartość zamówienia zgodnie z naszym modelem atrybucji zostanie przypisana do tego źródła.

Aby to zrobić wystarczy stworzyć regułę w oparciu o wymiar „wyszukiwarka”

Co by się stało gdyby żadna interakcja nie spełniła naszego warunku? Zobaczmy to na podstawie przykładu poniżej.

 

Przykład 2 – warunkiem jest przypisanie całej wartości zamówienia do ostatniej interakcji, która pochodzi z wyszukiwarki ale słowem kluczowym nie może być nasz brand (czyli można powiedzieć, że przypisujemy wartość zamówienia do takich użytkowników, którzy nas nie znają).

 

model ostatnia interakcja vs ostatnia interakcja z wyszukiwarki z wykluczeniem słow brandowych

 

Czyli mamy taką samą sytuację jak w przykładzie pierwszym z tą różnicą, że tutaj przypisujemy całą wartość zamówienia do ostatniej wyszukiwarki na ścieżce ale pod warunkiem, że słowo kluczowe, które wpisał użytkownik w wyszukiwarce nie było naszym słowem brandowym.

W tym przypadku żadna interakcja nie spełniła naszego warunku, ponieważ w naszym przypadku użytkownik, który korzystał z wyszukiwarki wpisał tam słowo brandowe, dlatego też nasza reguła nie została uwzględniona i stało się zgodnie z założeniem, że jeśli żadne interakcje nie spełnią naszych warunków, to cały wynik przypisany zostanie bezwzględnie do ostatniej interakcji.

Czyli cała wartość zamówienia została przypisana do źródło (direct) / (none), które było ostatnie na naszej ścieżce.

 

  • Następny model, który stworzymy będzie bazował na modelu liniowym. Założenie tego modelu jest takie, żeby nagradzać tylko te interakcje na które ponosimy koszty reklamowe.

Na potrzeby tego przykładu przyjmujemy, że płacimy tylko za kampanie w Onecie i O2, pozostałe źródła są dla nas bezpłatne.

 

model liniowy vs liniowy-Kampanie platne

 

Tworzymy regułę w której za pomocą wyrażenia regularnego uwzględniamy tylko źródła na które ponosimy koszty i dajemy do niej negację ustawiając kredyt równy zero.

Czyli otrzymamy tym sposobem model atrybucji, który będzie rozdzielał po równo wartość zamówienia dla każdej interakcji na ścieżce ale z wykluczeniem tych interakcji na które nie ponosimy kosztów.

Tak jak widać wyżej wartość zamówienia została rozdzielona po równo (zgodnie z założeniami wyżej) między interakcje na które ponosimy koszty. Interakcja onet / baner występowała dwa razy na ścieżce dlatego ma większą wartość.

 

Podsumowanie

Podsumowując pokazałem w tym poście jak rozkładane są wartości zamówienia pomiędzy różne interakcje na ścieżce w zależności od modelu atrybucji jaki zastosujemy, czy to korzystając z modeli domyślnych czy naszych własnych. Jeżeli ktoś liczył na gotowy model z którego mógłby skorzystać u siebie to niestety nie ma takiego modelu.

Każdy model powinien być indywidualnie dostosowany do danej strony w zależności od tego jakie działania prowadzimy na stronie, które z nich są ważniejsze a które mniej ważne oraz w zależności od tego czy na dane działania możemy mieć jakiś wpływ czy nie. Inaczej mówiąc, każde działanie reklamowe ma jakiś cel (przynajmniej powinno mieć), w oparciu o te cele powinniśmy tworzyć model atrybucji.

Zanim zaczniemy podejmować jakieś decyzje biznesowe w oparciu o nasz nowo stworzony model atrybucji rekomenduje aby przetestować czy nasz model działa zgodnie z naszymi oczekiwaniami, czyli czy wszystkie reguły, które tam ustaliliśmy zachowują się poprawnie.

Jeżeli coś będzie działać nie tak to wszystkie decyzje, które podejmiemy mogą okazać się błędne. Przetestowanie takiego modelu wymaga trochę czasu ale na pewno warto w ten czas zainwestować.