走向以消费者为核心的衡量及归因

从数字广告诞生到现在,消费者的购买历程正变得越来越复杂,如今的消费者精通各类电子产品和技术,会通过多样且复杂的线上和线下渠道完成从浏览到购买商品的整个流程。各种设备、渠道和媒介也在这一历程中以更复杂综合的方式得以应用。因此,相应的衡量和归因方式也需要及时跟上。

广告效果的衡量和归因也应该不仅限于那些数字统计:计算ROI、CPA以及了解和评估不同的媒体渠道,就像一切营销活动的核心是消费者一样,广告效果衡量和归因的核心也应该是消费者。

以消费者为核心的衡量及归因,可以通过数据来驱动广告投放、评估和优化每一个环节,运用一套可以满足现有消费者和新消费者的体系,发现业务新机会,实现业务增长,包括四个方向:跨设备衡量,整合线上线下,多渠道数据驱动归因,消费者终身价值。

1跨设备衡量

为什么要跨设备衡量?

“2016年,61%的互联网用户和超过80%的在线千禧一代,整个购物过程会分阶段在不同设备上完成。”

跨设备衡量是通过将 cookie 和设备识别号匹配,以达到当我们进行广告投放和衡量时,聚焦点在每一个人而不是cookie。通过跨设备衡量,我们可以

  • 还原每一个用户的跨设备行为和路径;

  • 评估每个媒体的辅助或直接转化贡献价值

  • 明确不同媒体的协同作用,优化媒体选择策略;

  • 预测可以产生最大回报的下一步方案

Google 如何做跨设备衡量?

Google 拥有数个10亿量级用户的产品横跨不同设备,这是 Google 能做到准确跨设备衡量的重要原因。 目前 Google Adwords 、DBM、 DCM 皆已实现跨设备广告效果衡量和归因。其中,DCM 在去年6月还实现了再营销和跨设备频控。 在Google Adwords 中同时开启自动出价(Auto-bidding),出价系统会自动依据跨设备数据优化出价机制,不再需要设置移动出价调节器(Mobile bid modifier)。同时,在Adwords的归因报告中可以提供关于跨设备的更多洞察。

当跨设备的数据做到了链接, Google Analytics 数据报告会展示出消费者的跨设备行为和路径,帮助营销人了解消费者是如何在不同的设备间交互和转化,揭示跨设备路径如何帮广告主实现了最终转化,以及每一个设备在最终销售产生时做出的贡献。

案例分享

创业于新加坡的奢侈品电商公司 Reebonz是一个很好的例子,他实现跨设备的数据打通后发现

  • 36%的流量和52%的新访客来自移动端。

  • 包含移动端行为的消费者路径,转化率是未包含移动端行为消费者路径的2.8倍,平均客单价是后者的2.5倍。

基于这些发现,reboonz团队在转化数据报告中加入了跨设备转化数据作为重要的参考,并提高移动端出价。这些变化帮助 Reebonz在 ROAS 和订单转化上都得到了提高。

2整合线上与线下数据

为什么要整合线上线下数据?

整合线上与线下数据可以帮助我们了解来自线上媒体投入的真实回报,且可以基于总价值而非线上价值来优化线上广告系列,以及帮助我们利用线下数据改进线上投放效果。

Google 如何整合线上与线下数据?

Google Analytics 可以进行多维度数据链接,包括网页端、移动端、游戏主机、电视机顶盒、线下销售数据等等。此外,进行线上线下数据打通的解决方案也很多,包括 Google Adwords 和 Doubleclick 都支持线下转化交易数据上传,归因到广告点击,让营销人更清楚的看到线上广告对线下、线上销售收入的影响。Google Analytics 同样支持线下转化交易数据上传,此外,还可上传包括消费者所属的忠诚计划级别等质量维度数据。

案例分享

近期,Sephora 与 Google 一起进行了线上线下数据打通的尝试,在去年12月将线下销售数据和线上销售数据通过Google Analytics进行了实时链接。通过数据打通,Sephora发现

  • 线上媒体的 ROAS 提高了3.9倍

  • 移动端流量和平均客单价均高于pc端

  • 有线上浏览行为的消费者,平均客单价高于没有线上浏览行为的消费者

  • 线上和线下的交互行为,70%发生在同一天

3构建多渠道数据驱动归因模型

归因模型方式有哪些?

如果我们将消费者的转化路径大致分为三个阶段:知晓,考虑和购买,我们会很清晰的预估在路径前端的媒体和渠道带来的最终转化会少,CPA 偏高,ROI也较差,因为消费者的转化意愿在这个阶段是最弱的;在路径后端的则反之。为了更好的平衡和归因各个渠道的贡献,业界和 Google都提供了多种归因模型:

  • 最终互动归因模型:最后一个接触点将获得100%的转化功劳

  • 时间衰减归因模型:最接近转化时间的接触点获得最多功劳

  • 线性归因模型:转化路径中的每一个接触点将平分转化功劳

  • 根据位置归因模型:向首次互动和最终互动各分配40%功劳,剩下的20%功劳平均分配给中间的互动

  • 首次互动归因模型:第一个接触点获得100%的转化功劳

这些我们都称为基于规则的归因模型,营销者可以依据不同的营销策略选择适合的模型,如果正在进行市场知晓度的广告投放,首次点击归因会是比较适合的模型;如果正在进行对于老用户的再营销促销,最终点击归因会是比较适合的模型。但所有的基于规则的归因模型,都有一个缺陷,就是这些规则是预设的,是营销者规划的路线。即使消费者的营销渠道和接触点日益增加,大多数广告主依旧仅仅使用最终点击归因模型。在这样的归因模型下,位于销售漏斗上端的媒体(展示类)和设备(移动端)的作用往往被低估。

为什么选择数据驱动归因模型?

随着技术的进步和大数据挖掘能力的加强,Google 在2016年正式推出了数据驱动归因模型(data-driven attribution),这种模型基于消费者历史转化数据和路径,跨设备计算每一个媒体接触点对最终转化的贡献。这其实就是以消费者为核心的归因模型,放弃预设规则,完全基于历史每一条转化路径的数据来判断媒体价值。

案例分享

近期加入Google 数据驱动模型测试计划英国房地产公司 Purplebricks,在 Adwords 的搜索广告投放中将数据驱动模型和智能出价同时使用,通过测试发现

  • 非品牌词的广告系列转化率提高了28%

  • 移动端非品牌词的广告系列转化率提高了70%

4预测消费者终身价值

走向以消费者为核心的衡量和归因,下一阶段就是将市场营销策略的核心从CPA 的数字游戏真正变成发掘消费者价值。

Google 也在帮助更多的营销人进行预测性市场营销。对于电商类广告主,我们通过构建 RFM 模型进行预估。利用CRM系统中的用户购买数据,计算最近一次购买 (R-Recency), 购买频次(F-Frequency),平均购买金额 (M-Montery) ,并依据这三个维度,预估消费者的未来价值。

并且评分可以回传给 Google Analytics,Google 可以据此建立消费者列表,并依据价值评分不同给出不同的 tCPA,通过 Adwords/Doubleclick 投放广告。

案例分享

Airbnb 设定了一个目标:链接更多高价值消费者,为了实现这个目标,Airbnb 基于多个包括地点、旅行距离、搜索关键词等在内的消费者行为来构建模型预测每一个消费者的价值。通过模型识别出的潜在高价值消费者,Airbnb会给出更高出价。这项试验帮助 Airbnb 在六个月内获得了双倍新用户获取。

走向消费者为核心的效果衡量和归因,不仅仅是数字营销团队的变革,更是组织的变革。它不仅可以还原每一个用户的跨设备行为和路径,准确地衡量每个媒体的投放效果,明确不同媒体的协同作用,优化媒体选择策略,实现投资回报率最大化,更可以帮助你预测可以产生最大回报的下一步方案。

你,会从哪里开始?


发表评论

电子邮件地址不会被公开。 必填项已用*标注