[GA4] Tentang atribusi dan pemodelan atribusi

Artikel ini ditujukan untuk semua orang yang ingin mempelajari kerja sama iklan mereka pada jalur menuju konversi.

Atribusi di properti Google Analytics 4 menyediakan fitur atribusi yang ditingkatkan, seperti laporan Jalur konversi yang didesain ulang, serta fitur atribusi baru, seperti pemodelan atribusi tingkat properti, yang memberikan insight lebih dalam dan lebih banyak peluang untuk tindak lanjut.

Dalam artikel ini:

Ringkasan pemodelan atribusi

Pelanggan mungkin melakukan beberapa penelusuran dan mengklik beberapa iklan Anda sebelum melakukan pembelian atau menyelesaikan tindakan bernilai lainnya di situs Anda. Umumnya, semua kredit untuk konversi diberikan ke iklan terakhir yang diklik pelanggan. Namun, apakah hanya iklan tersebut yang membuat mereka memutuskan untuk melakukan konversi? Bagaimana dengan iklan lain yang mereka klik sebelum iklan tersebut?

Atribusi adalah tindakan pemberian kredit konversi ke berbagai iklan, klik, dan faktor di sepanjang jalur pengguna menuju penyelesaian konversi. Model atribusi dapat berupa aturan, kumpulan aturan, atau algoritme berbasis data yang menentukan cara kredit konversi diberikan ke poin kontak pada jalur konversi.

Ada tiga jenis model atribusi yang tersedia dalam laporan Atribusi di properti Google Analytics 4: model berbasis aturan lintas-saluran, model berbasis aturan ke Ads, dan atribusi berbasis data.

Untuk menemukan laporan Atribusi, klik Iklan di sebelah kiri. Di bagian Atribusi, klik Perbandingan model atau Jalur konversi.

Catatan:
  • Semua model atribusi mengecualikan kunjungan langsung dari penerimaan kredit atribusi, kecuali jika jalur menuju konversi seluruhnya terdiri dari kunjungan langsung.
  • Model atribusi diperkenalkan pada tanggal yang berbeda (lihat di bawah). Ini berarti jika Anda memilih rentang tanggal yang menyertakan jangka waktu sebelum "tanggal mulai" untuk suatu model, Anda akan melihat data parsial.

    • Model berbasis aturan lintas-saluran: 14 Juni 2021
    • Atribusi berbasis data lintas-saluran: 1 November 2021

Atribusi berbasis data

Berbasis data: Atribusi berbasis data mendistribusikan kredit untuk konversi berdasarkan data untuk setiap peristiwa konversi. Ini berbeda dari model lain karena menggunakan data akun Anda untuk menghitung kontribusi sebenarnya dari setiap interaksi klik.

Data-driven model iconSetiap model Berbasis data berbeda-beda untuk masing-masing pengiklan dan setiap peristiwa konversi.

Cara kerja atribusi berbasis data

Atribusi menggunakan algoritme machine learning untuk mengevaluasi jalur konversi dan non-konversi. Model Berbasis data yang dihasilkan mempelajari pengaruh dari berbagai poin kontak terhadap hasil konversi. Model tersebut menggabungkan faktor seperti waktu dari konversi, jenis perangkat, jumlah interaksi iklan, urutan eksposur iklan, dan jenis aset materi iklan. Dengan menggunakan pendekatan kontrafaktual, model tersebut membandingkan apa yang mungkin terjadi untuk menentukan poin kontak yang kemungkinan besar mendorong konversi. Model mengatribusikan kredit konversi ke poin kontak ini berdasarkan kemungkinan tersebut.

Catatan: Bergantung pada ketersediaan data, model atribusi berbasis data dapat memanfaatkan data gabungan anonim dari Setelan berbagi data.

Metodologi di balik atribusi berbasis data (lanjutan)

Ada dua bagian utama pada metodologi atribusi berbasis data:

  • Menganalisis data jalur yang tersedia untuk mengembangkan model rasio konversi untuk setiap peristiwa konversi
  • Menggunakan prediksi model rasio konversi sebagai input untuk algoritme yang mengatribusikan kredit konversi ke interaksi iklan

Mengembangkan model probabilitas konversi dari semua jalur data yang tersedia

Atribusi berbasis data menggunakan data jalur, termasuk data dari pengguna yang berkonversi maupun yang tidak berkonversi, untuk memahami bagaimana kehadiran dan waktu dari poin kontak pemasaran tertentu dapat memengaruhi kemungkinan konversi pengguna Anda. Model yang dihasilkan menilai seberapa besar kemungkinan pengguna melakukan konversi pada titik tertentu dalam jalur, setelah mendapat eksposur interaksi iklan tertentu.

Model ini membandingkan probabilitas konversi pengguna yang mendapatkan eksposur iklan, dengan probabilitas konversi pengguna serupa dalam grup penangguhan. (Dalam istilah yang lebih teknis, model menghitung keuntungan kontrafaktual dari eksposur iklan Google dengan melatih data dari uji coba terkontrol secara acak.)

Menetapkan kredit konversi pecahan pada poin kontak pemasaran menggunakan algoritme

Model atribusi berbasis data menetapkan kredit berdasarkan cara penambahan setiap interaksi iklan ke jalur mengubah estimasi probabilitas konversi. Algoritme atribusi berbasis data menggunakan fitur, termasuk waktu antara interaksi iklan dan konversi, jenis format, serta sinyal kueri lainnya untuk menghitung kredit ini.

Contoh
 
Dalam ilustrasi tingkat tinggi berikut, kombinasi Eksposur Iklan #1 (Penelusuran berbayar), Eksposur #2 (Sosial), Eksposur Iklan #3 (Afiliasi), dan Eksposur Iklan #4 (Penelusuran) menghasilkan 3% probabilitas konversi. Jika Eksposur Iklan #4 tidak terjadi, probabilitas turun menjadi 2%, sehingga kami tahu bahwa Eksposur Iklan #4 mendorong +50% probabilitas konversi. Kami mengulanginya untuk setiap interaksi iklan dan menggunakan kontribusi yang dipelajari sebagai bobot atribusi.
 

Model berbasis aturan lintas-saluran

Last interaction model iconKlik terakhir lintas-saluran: Mengabaikan traffic langsung dan mengatribusikan 100% nilai konversi ke saluran terakhir yang diklik pelanggan (atau penayangan tak dilewati untuk YouTube) sebelum melakukan konversi. Lihat contoh cara alokasi nilai konversi:

Contoh
  1. Display > Sosial > Penelusuran Berbayar > Penelusuran Organik → 100% ke Penelusuran Organik
  2. Display > Sosial > Penelusuran Berbayar > Email → 100% ke Email
  3. Display > Sosial > Penelusuran Berbayar > Langsung → 100% ke Penelusuran Berbayar

Catatan: Ini adalah satu-satunya model klik terakhir yang dapat Anda ekspor ke Google Ads. Klik terakhir ke Ads hanya tersedia untuk tujuan pelaporan.

Penayangan tak dilewati dihitung dalam atribusi berbasis data saat pengguna:

  • Menonton iklan selama 30 detik (atau sampai selesai jika kurang dari 30 detik)
  • Mengklik kartu teaser
  • Mengklik banner pengiring atau video wall
  • Mengklik frasa yang merupakan pesan ajakan (CTA)
  • Mengklik layar akhir
  • Mengklik untuk mengunjungi situs pengiklan

First interaction model iconKlik pertama lintas-saluran: Memberikan semua kredit konversi ke saluran pertama yang diklik pelanggan (atau penayangan tak dilewati untuk YouTube) sebelum melakukan konversi.

Linear model iconLinear lintas-saluran: Mendistribusikan kredit konversi secara merata ke semua saluran yang diklik pelanggan (atau penayangan tak dilewati untuk YouTube) sebelum melakukan konversi.

Time-decay model iconBerbasis posisi lintas-saluran: Atribusi 40% kredit ke interaksi pertama dan terakhir, lalu 20% kredit yang tersisa didistribusikan secara merata ke interaksi pertengahan.

Position-based model iconPeluruhan waktu lintas-saluran: Memberikan lebih banyak kredit ke poin kontak yang terjadi mendekati konversi. Kredit didistribusikan menggunakan masa paruh 7 hari. Dengan kata lain, klik 8 hari sebelum konversi mendapatkan separuh dari kredit untuk klik 1 hari sebelum konversi.

Model ke Ads

Last interaction model iconKlik terakhir ke Ads: mengatribusikan 100% nilai konversi ke saluran Google Ads terakhir yang diklik pelanggan sebelum melakukan konversi. Jika tidak ada klik Google Ads pada jalur, seperti di Contoh 6, model atribusi kembali ke Klik terakhir lintas-saluran.

Contoh
  1. Display > Sosial > Penelusuran Berbayar > Penelusuran Organik → 100% ke Penelusuran Berbayar
  2. Display > Sosial > EVC YouTube > Email → 100% ke YouTube
  3. Display > Sosial > Email > Langsung → 100% ke Email (berganti ke klik non-langsung terakhir)

Setelan atribusi admin

Pengguna dengan peran Editor pada properti kini dapat memilih model atribusi dan periode lihat balikdi tingkat properti untuk diterapkan ke sejumlah laporan. Untuk mengakses setelan ini, buka Admin > Setelan Atribusi. Pelajari lebih lanjut

Catatan: Setelan Atribusi Admin tidak memengaruhi model atribusi yang dipilih dalam laporan Atribusi.

 

Apakah ini membantu?
Bagaimana cara meningkatkannya?

Perlu bantuan lain?

Login untuk opsi dukungan tambahan guna memecahkan masalah dengan cepat

false
Telusuri
Hapus penelusuran
Tutup penelusuran
Aplikasi Google
Menu utama
Pusat Bantuan Penelusuran
true
69256
false
false