Bonyolult vásárlások - Attribúciós modellezés

Kezdő kép
  • Bartos Dávid 2020. December 15.

Az előző posztban megbeszéltük, hogy mi is az a konverzió és miért olyan fontos a marketingben. Frissítés képpen azért gyorsan vegynük át pár dolgot! Ugye a konverzió egy olyan online esemény, ami a vállalkozásodnak üzletileg hasznos és mérni lehet. Jellemzően valamilyen pénzbeni tranzakció, vagy valamilyen csere, például a látogató megdja az email címét egy ebookért cserébe. Ha nem vagy tisztában alapfogalmakkal, vagy újra szeretnéd olvasni az előző posztot, azt itt megteheted: Mi az a Konverzió és milyen Konverziós metrikák léteznek?

 

A konverziók mérésére azért is van szükség, hogy meg tudjuk állapítani az egyes csatornáink (pl.: Facebook, Google Ads, EDM), kampányaink, hirdetéseink hogyan teljesítenek, hogy aztán dönteni tudjunk további sorsukról. Jó döntéseket pedig megfelelő mennyiségű és minőségű adatok birtokában érdemes hozni. Például, ha azt látjuk, hogy a Facebook kampányunkra az elmúlt negyedévben 1 milló forintot költöttünk, de ebből a csatornából érkező vásárlások értéke 3 millió forint volt, aminek "csak" 20%-a a profit, azaz 600.000 Ft, akkor látjuk, hogy ez így nem annyira éri meg. Elköltünk 1 millió forintot és keresünk 600.000-t, itt vagy be kell fejeznünk a hirdetést, vagy valamit nagyon át kell alakítanunk, mert hosszútávon csődbe fogunk menni.

 

De valóban ennyire egyszerű itt a matek? Már az előző posztban is előhozakodtam a híres idézettel: "A marketing költéseim fele kidobott pénz, de vajon melyik fele?". Szerencsére az online világban már nem ennyire szélsőséges a helyzet, de sajnos azt sem mondhatjuk, hogy minden 100%-ban mérhető. Így a válasz az, hogy nem, nem ennyire egyszerű a matek. Nézzük miért!

 

A magyarországon működő vállalkozások nagyon nagy része (majd 100%-a), Google Analyticset használ a weboldalán történt események, így a konverziók mérésére is. Ugyan a cikk írásakor megjelent már a Google Analytics 4, ami picit más, mint az elődje, talán szofisztikáltabb is, mégis ebben a cikkben a szinte még mindenki álltal ismert Analyticsel fogunk foglalkozni. Az ördög mint mindenhol, itt is a részletekben rejlik. Meg kell ugyanis értenünk két dolgot:

 

  1. Hogyan vásárolnak az emberek az interneten (egyébként a való életben is)?
  2. Mit és hogyan is mér valójában az Analytics?

 

Általában az emberek nem egyből vásárolnak

Kezdjük az elsővel, azaz hogyan vásárolnak az emberek az interneten. Az egyik korábbi cikkemben volt már szó a vásárlói életútról, azaz arról, hogy az emberek nem pikk-pakk hoznak meg vásárlási döntéseket, hanem ezek a döntések bizony hosszú folyamatok. Bizony egy-egy drágább terméknél akár hetek, hónapok is eltelhetnek, míg az első gondoltattól a vásárlásig eljutnak. Ezen különbőző szakaszokban különböző információkra van szükségük. Erről itt tudsz bővebben olvasni: Veszel végre valamit, vagy húzz ki a boltból? - Avagy a vásárlóvá varázsolás művészete

 

Első példa - Egy vásárlás története

Engedd meg, hogy elmeséljem az én egyik legutóbbi vásárlásom folyamatát! Szeretem a zenét. Volt itthon egy jó régi hangfalam (Videoton), meg egy kevésbé régi (mindössze kb 25 éves) Pioneer erősítőm. Nagyon szerettem őket, mert nagyon szépen szóltak. Leginkább Spotify-on hallgattam zenét. Néhány éve vásároltam kínából egy bluetooth átvivőt, ami annyit tudott, hogy rákötöttem az erősítőre és a telefonomról, vagy a gépemről bluetoothon keresztül küldtem rá a zenét, ez pedig küldte az erősítőbe. Itt már néha éreztem némi minőségromlást, de egye fene, legalább kényelmes.

 

Szabadidőmben gyakran nézek Youtube videókat, sokszor teljesen random módon, amit feldob. Körülbelül egy éve ilyen véletlenül botlottam bele egy Gedeon nevű srác Youtube csatornájába, aki hifi cuccokat tesztel. Nagyon igényes csatorna, sok infót meg lehet belőle tudni, mégha az eszközök minősége nem is jön át a Youtube-on. Megnéztem néhány videóját és nagyon megtetszett. Tőle tudtam meg, hogy vannak már olyan erősítők, amikbe bele van építve ez a bliuetooth kütyü, sőt ennél sokkal jobb dolgok is, méghozzá jobb minőségben mint az én kínai vackom. Azonban nem terveztem lecserélni a meglévő technikámat, felesleges kiadásnak gondoltam. Ez egy éve volt, eddig csak néha-néha megnéztem Gedeon egy-egy vidóját. Mígnem idén novemberben készített egy új videót "Legjobb Black Friday ajánlatok" címmel. Nocsak... Megnéztem azt is, majd felmentem az egyik webshop oldalára amit említett (nyilván ők szponzorálták a tartalmat). Találtam is jó vételt olyan eszközökről, amiről tudtam, hogy nem lehet rossz egy "kezdőnek" és korábban Gedeon is ajánlotta.  Ahogy hifi körökben mondják, "elindult a hifi bogár" az agyamban. Ha valamikor le kéne cserélni a rendszert, hát ez egy jó alkalom lehet. Dehát egy ekkora döntést (több száz ezer forintos tétel) nem egyik napról a másikra hoz az ember. Vagy százszor nézegettem az oldalt, videókat, küldözgettem barátaimnak, édesapámnak, akinek szintén mászkál a bogár a fejében :). Biztos, hogy lekattintottam sok hirdtést Google-ben, "kergettek" dinamikus Facebook hirdetéssel is napokig, talán arra is kattintottam, az organikus találatokról nem is beszélve. Majd kezdett megszületni az elhatározás, hogy mit és hogyan. Édesapám tanácsára "hifit nem veszünk úgy, hogy nem hallgatjuk meg", felhívtam a boltot, hogy másnapra össze tudják-e dugni nekem a kiszemelt cuccot, mert mennénk meghallgatni. El is mentünk, meghallgattuk és ott helyben meg is vettük.  Azóta ez szól itthon. Később rendltem még tőlük hangfalállványt is neten. Nem modnom, hogy minden vásárlás ilyen "körülményes", de vannak emberek, termékek, amik rendelése bizony nem két perces művelet.

 

Na most nézzük a problémát, amit érzékeltetni szeretnék ezzel a példával. Ez a webshop fizetett a Gedeonnak egy csomó pénzt, hogy csináljon videókat a termékekről. Én lekattintottam egy csomó hirdetést, meg organikus találatot is (ami szintén erőforrás valahol) és végül elmentem és megvettem a terméket offline. Akkor most mondjuk azt, hogy ez a sok erőfeszítés (videó, Google Ads hirdetés, Facebook remarketing, SEO) a webshop részéről felesleges? Ha mindenki így vásárol, mint én, akkor nem is kéne online hirdetniük, hiszen maximum hangfalállványokat vásárolnak a webshopból? Az egész kidobott pénz a részükről?

 

Te is tudod a választ. Nyilván nem így van. Igenis minden egyes "érintkezési pontnak" volt hozzáadott értéke abban, hogy ez a vásárlás így létrejött. Hogy mennyi? Na ez egy nehéz kérdés. Erről lesz szó a későbbiekben. Viszont fontos azt látni ebből a példából, hogy sokszor nem úgy vásárolunk valamit, hogy hopp, lekattintunk egy hirdetést, már tesszük is a kosárba és meg is rendeltük. Sokszor sokkal bonyolultabb a folyamat.

 

Hogy hogyan és mit mér a Google Analytics!?

Sokaknak ismerős lehet a lenti kép, ahol azt látjuk a melyik forrás / medium mekkora bevételt produkált az adott időszakban.

 

forrás médium riport Google Analyticsben

 

Azt érdemes tudni, hogy a Google Analytics a riportjai zömében (ahogy itt is), utolsó nem direkt forrásból érkező (last non-direct) un. attribúciós modellt használ. Mit jelent ez? Ez azt jelenti, hogy ahhoz a csatorna, kampány, hirdetés, stb.-hez számolódik a konverzió, ahonnan a felhasználó utoljára érkezett, kivéve, ha ez az utolsó interakció direct / none (forrás / médium). Ha direct / none, akkor az előtte lévő interakcióhoz. 

 

A direct / none (forrás / médium) páros egy olyan Analytics alapértelmezett páros, amikor az Analytics nem tudja megmondani (valamilyen teknikai probléma miatt), hogy honnan érkezett a látogató az oldalunkra, vagy a látogató direktbe beírta az oldal címét a böngészőbe.

 

Második példa - Egy másik vásárlás története

De értsük meg egy picit ezt az utolsó nem direkt kattintás modellt! Az előző hifi-s példámnál már láttuk, hogy egy felhasználó sokszor nem olyan egyszerűen vásárol, hogy csak beír, kattint, kosárbatesz, fizet. Tételezzünk fel egy másik esetet. Könyves webáruházunk van és felhasználó nagyon szereti egy író könyveit. Miközben a Facebookot böngészi a telefonján este, elébe kerül egy Facebook hirdetésünk, ami arról szól, hogy az írónak megjelent egy új könyve. Lekattintja ezt a hirdetést és megnézi az oldalunkon, hogy miről is szól a könyv, illetve mennyibe kerül. Már este van, nem akarja megrendelni. Másnap reggel kávézás közben a laptopján rákeres a könyv címére és felugrik neki egy Google Ads hirdetésünk. Lekattintja a hirdetést és hogy el ne felejtse, kosárba is teszi a könyvet, de indulnia kell munkába, így otthagyja és lecsukja a laptopját. Beér a munkába és az ottani gépén beírja a böngészőbe a webshopunk címét (nyilván már emlékezett rá), belép a fiókjába, ahol a kosárban a könyv és meg is rendeli. Nézzük milyen interakciók voltak a rendelésig:

 

  1. Facebook hirdetés amit este lakattintott
  2. Google Ads hirdetés, amit reggel kattintott
  3. Direkt látogatás, amikor megrendelte a könyvet

 

Mi törétnik ilyenkor az Analyticsben? Az Analytics beméri a vásárlást, de mivel az direkt forrásból érkezett, jó esetben (megfelelő beállításokkal) össze tudja kapcsolni, hogy ez a felhasználó kattintott az otthoni gépéről pár órával korábban egy Google Ads hirdetést, így oda fogja mérni a konverziót. Mi ránézük a riportra és azt látjuk, hogy a Google Ads generál vásárlásokat, a Faecbookon pedig csak költjük a pénzt, de semmi értelme, oda nem mér az Analytics konverziót. De vajon tényleg nincs értelme a Facebook hirdetéseknek ebben a pédában? Ha jobban belegondolunk, akkor ha nincs a Facebook hirdetés, akkor lehet, hogy a felhasználó nem hall soha az új megjelenésről és nem fog Google-ben rákeresni, majd megrendelni a könyvet. Tehát a Facebook hirdetésnek igenis nagyon sokat köszönhetünk, hogy ez a vásárlás létrejött. Badarság lenne hát leállítani az ott futó hirdetéseket. De mi a megoldás? Hogyan tudnánk egy ilyen esetben mérni azt, hogy melyik csatornának mekkora a hatása? Na és egy olyan bonyolult esetben, mint a fenti hifi vásárlós példám? A válasz az sajnos, hogy teljes pontossággal sehogy, valamilyen pontossággal pedig attribúciós modellezéssel. (Az offline vásárlást, ahogy a hifi példámban volt, igazából még ezzel sem. Vannak már kezdetleges technológiák, de magyarországon még nem igen használják őket.)

 

Mi is az az attribúciós modellezés?

Ahogy a neve is mutatja ez egy modell. A valóság egy valamilyen pontos másolata, leutánzása. A legjobb módszer az lenne, ha minden egyes vásárlót megkérdeznénk, hogy a legutóbbi vásárlását írja le olyan pontosan, vagy még pontosabban (melyik hirdetést, mikor kattintotta, stb.), mint a hifi-s példában és mondja meg azt is, hogy az egyes interakciók (kattintások) mekkora szerepet játszottak abban, hogy a végén vásárlásra adta a fejét. Nyilván ez lehetetlen, egyrészt nem tudunk mindenkit megkérdezni, másrészt az emberek nem tudnak ilyen információkat objektíven adni nekünk. Ha webshopod van, akkor tudod, hogy gyakran az is csoda, hogy arra emlékeznek, hogy rendeltek valamit! :)

 

Nos tehát a legjobb megoldás helyett be kell érnünk egy valamennyire jó megoldással, vagy megoldásokkal. Ezek lesznek az attribúciós modellek. Ezen modellek midegyike úgy működik, hogy feltételez valamilyen értéket az egyes interakciók vonatkozásában és a szerint osztályozza, hogy melyik csatornának, kampánynak, stb... mekkora szerepe volt a vásárlás létrejöttében. Az utolsó nem direkt kattintási modellben (a fenti pénda, ahogy az Analytics riportok zöme alapbeállítás szerint működik) a vásárlásért az a csatorna volt felelős, ahonnan az utolsó kattintás érkezett, kivéve ha az a csatorna a direct / none.

 

attirbúciós modell riport Google Analyticsben

 

Milyen attribúciós modellek léteznek még?

Vegyük sorba őket...

 

attribúciós modellek

 

Utolsó kattintás modell - Last click 

Nagyon hasonló az előzőhöz, annyi különbséggel, hogy itt ha az utolsó kattintás direkt forgalom, akkor oda fogja számolni a konverziót a rendszer.

 

Első kattintás modell - First interaction

Szintén hasonló, csak ez a modell azt feltételezi, hogy a konverzió létrejöttében az első interakciónak volt a legnagyobb szerepe, a többinek semmi. Ilyenkor az előbbi példánál maradva a Facebook hirdetések-hez számolódna a konverzió.

 

Lináris attirbúciós modell - Linear

Ez már egy érdekesebb terület. Ez a modell abból a feltevésből indul ki, hogy minden egyes kattintásnak ugyanakkora szerepe volt a vásárlás létrejöttében, így minden csatorna, kampány, hirdetés, stb... ugyan annyi pontot kap. Ez a gyakorlatban úgy néz ki, ha van egy darab vásárlás és három megelőző interakció, ahogy a fenti példában, akkor minde a három csatorna egyaránt 0,3 darab konverziós darabszámot könyvel el. Ha négy interakció volt, akkor 0,25-öt. Ezért fordulhat az elő, hogy sokszor nem egész számokat látunk konverziós darabszámként.

 

Idő késleltetés attribúciós modell - Time Decay

Ez a modell azt feltételezi, hogy minél közelebb esnek időben az interakciók a konverziós eseményhez, annál nagyobb szerepe van a vásárlásban, így hát annál több pontot kap. A fenti példában így a Facebook hirdetés kapna 0,2 pontot, a Google Ads hirdetés 0,3 pontot, a direkt forgalom pedig 0,5 pontot. Látszik, hogy minél inkább közeledik a vásárlás pontja, annál több pontot kap a csatorna. Ha több interakció van, akkor jobban széthúzza ez a modell az arányokat.

 

Pozíció alapú attribúciós modell - Position based

Nem másról van itt szó, minthogy az a hipotézisünk, hogy az első és az utolsó interakciónak kiemelten fontos szerepe van, de a közbenső kattintások sem elhanyagolhatóak. Példánknál a Facebook hirdetések mint első, és a direk csatorna mint utolsó kapna 0,4-0,4 pontot, a Google Ads pedig a maradék 0,2-t.

 

Úgy érezhetjük, hogy bejöttünk most egy nagyon sötét és sűrű erdőbe és nem nagyon látjuk a kiutat. Melyik modellel kellene elemeznem a kampányaim teljesítményét? Mi a legjobb és hogyan kellene ezt a tudást most használnom? A legjobb megoldás véleményem szerint, ha kivágjuk magunk körül az erdőt! Mint az élet legtöbb területén, itt sincsen jó, vagy rossz megoldás. Egyszerűen csak az a cél, hogy amikor kampányok, csatornák teljesítményét elemezzük és sorsukról döntünk, akkor egyfajta holisztikus szemlélettel kell közelítenünk a problémák felé. Ha azt látjuk például, hogy egy kampány nem teljesít jól utolsó kattintásban, érdemes lehet megnézni például más attribúciós modell szerint is a teljesítményét, mert lehet, hogy a fenti példához hasonlóan első kattintás modell szerint sokkal jobban fest majd. És így már értelemet is nyer az egész, hiszen tudjuk, hogy ez miért lehet.

 

Az időszak szerepe a Google Analytics riportban

Amiről még nem volt szó a téma kapcsán, az az időszak szerepe. A lenti képen látható két időszakválasztóról beszélünk most. A jobb felső sarokban beállítjuk, hogy mely időszak konverziós eseményeit szeretnénk vizsgálni, a "lookback window" beállításnál pedig azt határozzuk meg, hogy mekkora az az időtáv a konverziós esemény múltjában ahol vizsgálódjon az interakciók tekintetében. Jelen esetben a konverziót megelőző 30 nap interakcióihoz fogja rendelni a rendszer az attribúciós modelleket.

 

attribúciós modell időablak

 

Összefoglalás

Nem azt mondom, hogy mostantól nem érdemes elemezni, vagy szabadon kell garázdálkodni hagyni olyan kampányokat, amik láthatóan semilyen megközelítés szerint nem teljesítenek jól. Azt szeretném, ha látnád azt, hogy a dolgok sokszor nem feketék, vagy fehérek. Ha bővíted az elemzői eszköztárad a fenti tudással és elkezded alkalmazni, akkor egy kis gyakorlással rövid időn belül fel fogod ismerni, hogy mely fákat érdemes kivágnod az erdőben, hogy megleld a kiutat és a marketinged eredményes legyen. Sok sikert kívánok hozzá! Ha pedig úgy gondolod, hogy segítségre szorulsz, keress minket bátran!