Metodologi for databasert attribusjon

Vitenskapen bak databasert attribusjon
Denne funksjonen er bare tilgjengelig i Google Analytics 360, som er en del av Google Marketing Platform.
Finn ut mer om Google Marketing Platform.

Metodologien for databasert attribusjon har to hoveddeler: 1) analysere alle de tilgjengelige banedataene dine for å utvikle spesialtilpassede modeller for konverteringssannsynlighet og 2) benytte en sofistikert algoritme på disse sannsynlighetsdataene som tilordner delvis konverteringskreditt til markedsføringstreffpunktene dine.

Utvikling av modeller for konverteringssannsynlighet fra alle tilgjengelige banedata

Databasert attribusjon bruker alle tilgjengelige banedata – inkludert data fra både konverterende og ikke-konverterende brukere – for å forstå hvordan tilstedeværelsen av bestemte markedsføringstreffpunkter påvirker brukerens konverteringssannsynlighet. De resulterende sannsynlighetsmodellene viser hvor sannsynlig det er at en bruker konverterer på et bestemt punkt i banen, gitt en bestemt hendelsesrekkefølge.

Tilordning av konverteringskreditt til markedsføringstreffpunkter med en algoritme

Deretter bruker databasert attribusjon en algoritme på dette probabilistiske datasettet som er basert på et konsept fra kooperativ spillteori som kalles Shapley-verdi. Shapley-verdien ble utviklet av nobelprisvinner i økonomi Lloyd S. Shapley som en fremgangsmåte for jevn fordeling av et lags resultater blant lagets medlemmer.

Når det gjelder databasert attribusjon, har «laget» som analyseres, markedsføringstreffpunkter (f.eks. Organisk søk, Bannerannonsering, og E-post) som «medlemmer», og lagets «resultater» er konverteringer. Algoritmen for databasert attribusjon beregner hypotetisk gevinst for hvert markedsføringstreffpunkt, den sammenligner altså konverteringssannsynligheten for lignende brukere som ble eksponert for disse treffpunktene, med sannsynligheten når et av treffpunktene ikke forekommer i banen.

Den faktiske beregningen av konverteringskreditt for hvert treffpunkt avhenger av at man sammenligner alle forskjellige permutasjoner av treffpunkter og normaliserer over dem. Dette betyr at algoritmen for databasert attribusjon tar høyde for rekkefølgen hvert treffpunkt forekommer i, og tilskriver forskjellig kreditt for forskjellige plasseringer i banen. Bannerannonsering før Betalt søk modelleres for eksempel annerledes enn Betalt søk før Bannerannonsering.

Eksempel

I følgende høynivåeksempel fører kombinasjonen Organisk søk, Bannerannonsering og E-post til en konverteringssannsynlighet på 3 %. Når Bannerannonsering fjernes, faller sannsynligheten til 2 %. Økningen på 50 % når Bannerannonsering tas med, tjener som attribusjonsgrunnlag.

illustration of display increasing likelihood of purchase

Slik utforsker du den databaserte modellen og analyserer følgene for avkastningen

Du kan bruke Modellutforsker-rapporten til å utforske de spesifikke vektingene den databaserte modellen angir på grunnlag av kanal og plassering. (Hvis du vil ha en mer detaljert analyse, kan du laste ned modellen som en kommaseparert fil.) Bruk modellsammenligningsverktøyet til å sammenligne modeller og finne muligheter for optimalisering. Analyse av avkastning-rapporten lar deg se hvilke følger den databaserte modellen din har for avkastningen.

Var dette nyttig for deg?
Hvordan kan vi forbedre den?