為什麼單渠道歸因模型是 CMO 的死胡同

通過訪問大量客戶數據，營銷人員可以全面了解正在發生的事情。 例如，營銷人員可以準確了解客戶如何與您的品牌互動，預測用戶購買某物的概率（以及何時），估計客戶將帶來的收入，並確定哪些渠道最適合與客戶互動。 但這只是硬幣的一方面。 另一方面，廣告變得越來越昂貴，消費者的注意力越來越難以獲得。

技術最先進的營銷人員將贏得這場競賽，而歸因在評估廣告渠道的有效性方面起著重要作用。 本文解釋了為什麼單渠道歸因模型是一條無路可走的道路，以及為什麼即使是數據驅動的模型也不足以成功營銷。

隨著技術的發展，越來越多的營銷渠道（線上和線下）的出現，以及由於大流行導致企業向互聯網的過渡，品牌了解客戶來自哪里以及客戶如何以及何時轉換至關重要. 這就是營銷歸因發揮作用的地方。

在營銷分析中，歸因是關於評估廣告渠道帶來的價值。 這是數字營銷人員的關鍵任務之一。 為什麼？ 正如 Gartner 從 2020 年開始的研究顯示，超過 80% 的營銷預算專門用於數字渠道。 簡而言之，數百萬美元用於廣告，公司顯然希望確保這種支出能夠帶來客戶和收入。

歸因的目標是定義渠道對轉化的貢獻——它在將客戶轉移到渠道的下一步或推動購買方面的作用——並為每個渠道步驟分配一個價值。

品牌使用營銷分析來定義客戶與公司互動的方式、地點和時間，並使用歸因來評估渠道效率。 借助這些數據，營銷人員可以改變和改進廣告活動。

歸因模型有很多種，值得注意的是，沒有一個正確的模型。 通常，歸因模型根據其計算價值的邏輯進行分類。 歸因模型的類型包括：

• 基於位置的歸因模型——時間衰減，基於位置
• 算法歸因模型——數據驅動，馬爾可夫鏈
• 單渠道歸因模型——最終點擊、首次點擊
• 多渠道歸因模型——線性、時間衰減

大多數公司使用單渠道歸因模型。 這些模型一直都在使用，那麼為什麼要更改似乎有效的東西呢？ 單渠道模型很簡單，在 Google Analytics（通用）中是標準的，並且可以很容易地理解價值是如何分配的。

以下是轉化價值如何在單渠道歸因模型中分佈的示例：

但是，這些模型只能評估一個渠道。 他們過度簡化了全渠道客戶的購買路徑，導致嚴重的誤解，當然也沒有顯示實際情況。

例如，如果我們查看網站訪問者數量適中的多渠道零售商的路徑報告，我們可以看到第一次訪問時下訂單產生的收入份額。 在這裡，兩次及以上訪問的多渠道路徑帶來了 72% 的收入。

平均而言，客戶需要 7 到 9 個接觸點（表現最好的人可以將其減少到 5 個）才能轉化。 顯然，這些接觸點（渠道）中的每一個都會影響轉化的概率。 在這種情況下，有必要考慮所有渠道對買方的影響，這是合乎邏輯的。

但是，當使用單渠道歸因模型時，漏斗的不同階段會被忽略。 忽略在銷售漏斗的開始、中間和結束時發生的事情可能會導致不正確的管理決策和金錢損失。

除了單渠道歸因模型，數據驅動模型也很流行。 其中最著名的例子是谷歌的數據驅動模型、Facebook 的轉化提升模型和尼爾森的營銷提升模型。

數據驅動的模型更準確地反映了每個來源對轉化路徑的影響。 它們比單渠道模型快速、適應性強且更客觀，因為它們考慮了用戶與品牌交互的所有數據。 在多渠道環境中，所有接觸點都會說服客戶購買產品，但顯然它們的影響力並不相同。 因此，簡單的傳統歸因模型在分析數據時留下了很大的空白，並且無法全面了解正在發生的事情。

數據驅動的歸因使用所有用戶（轉化的用戶和未轉化的用戶）的數據來比較用戶路徑。 這種方法允許營銷人員評估在哪種情況下轉化的可能性更高。

因此，模型計算用戶路徑中每個渠道的轉化權重，而不考慮其位置。

數據驅動模型的缺點包括算法必須接收足夠的數據才能顯示最準確的結果。 一個模型要提供可靠的估計，它需要大量的歷史和市場數據。 要在數據驅動的歸因模型中實現高精度，至少需要 12 個接觸點。

總而言之，我們可以說，單渠道模型通常會導致不正確的管理決策，因為這些決策不會考慮全局。 因此，數據驅動模型優於單通道模型。 然而，完美是沒有限制的。 更高級的選項會考慮轉換的可能性，並使用機器學習技術對市場數據進行培訓。

數據驅動的歸因模型的最大問題是分析需要太多數據。 它不是一個參與與客戶溝通的渠道，而是一整套不同變體的媒體源。 例如，為了衡量 ROI 指標，營銷人員必須以某種方式管理整個管弦樂隊。

這就是機器學習 (ML) 歸因模型拯救世界的地方！ 使用機器學習和市場數據的模型徹底改變了歸因方法。 ML 模型可以為企業量身定制，以最完整、最真實地了解客戶的購買路徑。 2019 年至 2020 年間，互聯網銷售額同比增長 70% 以上，因此任何營銷人員都必須使用 ML 模型。

營銷分析所需的所有數據——每天都在增加——如果不使用機器學習，就無法處理。 在它的幫助下，營銷人員不再需要通過數字迷宮來尋找有用的見解。

畢竟，對於企業來說，重要的是不僅要了解哪些渠道不起作用，還要了解哪些渠道起作用，這樣他們就不會盲目地分配預算。

根據 Gartner 的 2021 年 CMO 數字營銷洞察研究，84% 的 CMO 認為使用機器學習和人工智能可以改善營銷功能。 與此同時，只有 17% 的專業人士廣泛使用 AI/ML 功能。

OWOX BI 團隊已與超過 27,000 個項目合作，並了解每個企業都有自己的歸因需求，並且沒有針對每個人的明確答案。 對於一家公司，單渠道模型是合適的。 一些企業需要數據驅動的選項。 而對於其他人來說，營銷組合優化（MMO）是必要的。

理論總是與實踐齊頭並進。 OWOX 模型的特點是速度更快，預測質量出色，因為它是根據來自數万個項目的市場數據進行訓練的。 使用機器學習歸因和自動導入受眾幫助我們的一位客戶將投資回報率提高了 2.2 倍。

OWOX 最近推出了其歸因模型的更新版本。 這種新模式有什麼好處？

1. 您不必手動選擇漏斗步驟。 該模型本身根據轉化的可能性確定活動的貢獻。
2. 您可以預測任何會話的價值。 使用新模型，您可以回答以下問題：如果我今天停用此廣告系列，我將來會獲得多少轉化？ 這種方法可以幫助您避免禁用延遲的廣告系列並更快地關閉低效的廣告系列。

3. 計算邏輯絕對透明。 開放數據轉換代碼允許您考慮任何公司特徵。 OWOX 客戶可以在服務更新來自營銷來源（廣告服務、呼叫服務、CRM）的數據時對代碼進行必要的更改，將其與來自各種廣告平台的成本數據相結合，並準備所需的報告。

歸因模型允許您控制營銷渠道，幫助您了解您的報告如何準確地展示您的營銷效果，以及如何跨真正重要的接觸點優化您的營銷。

營銷人員需要確保每項操作都能促使客戶更接近轉化。 您可以使用歸因模型來確定最有利可圖的營銷活動，具體取決於您對它們的投資。

選擇哪種模式取決於您的行業、公司的目標和業務規模。 但是，有一點是肯定的：這些模型都不能保證 100% 準確的結果。