15.9.2016 | Analytiikka

Attribuutiomallinnus – haasteet ja mahdollisuudet

Digitaalisten kanavien jatkuvasti lisääntyessä myös asiakkaiden kohtaamispisteiden määrä ostopolun eri vaiheissa kasvaa ja moninaistuu. Siksi on ensiarvoisen tärkeää pystyä arvioimaan kohtaamisten vaikutuksia konversioon. Kuinka paljon painoarvoa tulisi antaa eri kohtaamispisteille? Kyseessä on niin sanottu attribuutio-ongelma – jonka ratkaisu auttaa parantamaan markkinoinnin tehoa ja ROMIa.

Attribuutio-ongelmaan valoa tuova attribuutiomallinnus ei sinällään ole mikään uusi juttu; esimerkiksi Google Analytics on tarjonnut käyttäjilleen monipuolisia attribuutiomalleja jo pitkään. Vaikka GA:sta saatavissa attribuutioanalyyseissä on ilmaisuuden lisäksi muitakin etuja, on niissä myös sudenkuoppia. Nämä haasteet korostuvat tämän päivän toinen toistaan kompleksisemmissa digitaalisissa kampanjoissa ja ekosysteemeissä sekä erityisesti verkkokaupassa.

Klassiset attribuutiomallit

Perinteiset attribuutiomallit, joita esimerkiksi GA:n ilmaisversio tarjoaa jopa 7 kappaletta, pohjautuvat erityyppisiin sääntöihin, joiden mukaan eri kanaville/kohtaamispisteille annetaan krediittiä toteutuneista konversioista. Ehkä perinteisin niistä on ”viimeisen klikin”-malli, jossa konversion kunniasta annetaan 100 % viimeiselle konversiota edeltävälle kanavalle. Vastaavasti ”ensimmäisen klikin”-mallissa kunnia konversiosta myönnetään ensimmäiselle kohtaamispisteelle. Muut perinteiset attribuutiomallit sisältävät erilaisia painotussääntöjä, kuten ”time decay”-mallissa, jossa konversiota lähempänä oleville kohtaamispisteille annetaan enemmän krediittiä.

Näitä niin sanottuja heuristisia malleja vaivaavat kuitenkin tietyt ongelmat. Seuraavassa pohdin muutamaa mielestäni eniten ongelmaista:

1. Millä perusteella valita jokin tietty malli?

Ääritapauksessa vaihtoehtoisten heurististen mallien tulokset poikkeavat toisistaan kuin yö ja päivä. Kun markkinoija tekee valintaansa niiden välillä, painaa vaakakupissa usein jokin muu kuin fakta. Eikä ihme: heurististen mallien paremmuutta on lähes mahdotonta vertailla, koska objektiivista mittaria/mittareita eri mallien paremmuudelle ei ole. On vain kasa mielivaltaisesti asetettuja malleja painoineen, joista jokainen voi valita mieleisensä.

2. Perinteinen attribuutiomallinnus tarkastelee vain toteutuneita konversioita

Jopa edellistä sudenkuoppaa syvempi ansa on perinteisen attribuutiomallinnuksen lähtökohta tarkastella ainoastaan niitä ostopolkuja, jotka ovat päätyneet konversioon. Vaikka juuri ne ostopolut, jotka eivät päädy konversioon, ovat kullanarvoisia: niistä saatua tietoa hyödyntämällä voidaan päätellä eri kanavien/kohtaamispisteiden vaikutuksia todennäköisyyteen konvertoitua. Tämän perusteella krediittiä eri kanaville/kohtaamispisteille voitaisiin antaa oikeudenmukaisemmassa suhteessa.

Data hyötykäyttöön kehittyneen analytiikan avulla

Edellä esitetyt ongelmat ovat pienellä mietinnällä päivänselviä, mutta fundamentaalisia. Erityisen mielenkiintoista ja paradoksaalista tämä on aikakaudella, jolloin termiä data käytetään synonyyminä sanalle fakta, totuuden kertoo analytiikkasofta ja kaikki (erityisesti digitaalinen) tekeminen on datalla johdettua.

Perinteisten attribuutiomallinnuksien haasteisiin on onneksi olemassa ratkaisuja. Niissä hyödynnetään tilastollista mallinnusta/prediktiivistä analytiikkaa cookie-tasoisen ostopolkudatan analysoinnissa ja todennäköisyyksien johtamisessa. Optimaalisessa tilanteessa e-markkinoija valjastaakin käyttöönsä voimakkaan kombinaation reaaliaikaista prediktiivistä analytiikkaa ja ohjelmallista ostamista.

Tuloksellisuutta maksimoiva markkinoija ei enää tyydy helppoon ratkaisuun mittaamisen työkaluissa – niihin kannattaa investoida kunnolla. Vaihtoehtoja löytyy valmiista (rahalla ostettavista) analytiikkasoftista aina kustomoituihin, jokaiselle asiakkaalle räätälöityihin ratkaisuihin.

Kun haluat tietä lisää attribuutiomallinnuksesta ja sen ongelmien fiksummasta taklaamisesta, prediktiivisestä analytiikasta tai yleisesti mittauksen keinoista modernin markkinoijan työkalupakissa, ota yhteyttä!

Mikko Koski, Director of Advanced Analytics, mikko.koski@dagmar.fi

Mikko Koski

Mikko Koski

Mikko työskentelee asiakasanalytiikan, markkinoinnin tuloksellisuuden sekä muiden data- ja analytiikkapalveluiden kehityksen parissa Dagmarin Drive –yksikössä.

Lisää aiheesta