BlogiDagmar 15.09.2016

Milloin attribuutiomallinnus, milloin ekonominen mallinnus?

Data Science

Noin kuukausi sitten kirjoitin digitaalisen mittauksen mahdollisuuksista ja haasteista. Käsittelin jutussa tuloksellisuuden parantamista digitaalisen mainonnan attribuutiomallinnuksella. Nyt laajennan tarkastelua reippaasti digitaalisen kuplan ulkopuolelle.

Mikko Koski

Edellisessä kirjoituksessani totesin digitaalisuuden parantavan mitattavuutta; sen avulla saadaan lisää tietoa yksittäisten käyttäjien altistumisesta mainonnalle ostopolun eri vaiheissa. Saadun datan pohjalta voimme arvioida eri kohtaamispisteiden vaikutuksia konversioihin – ja allokoida investointeja konversion todennäköisyyttä parhaiten kasvattaville kohtaamispisteille. Tämä kaikki on mahdollista, kunhan attribuutiomallista on päästy sopuun eli todennäköisin on valittu datan perusteella.

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.

  1. 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!

tämän blogin kirjoitti

LISÄÄ SISÄLTÖJÄ AIHEESTA