Google Ads-ek, Metek, TikTok-ek eta LinkedIn Ads-ek jakinarazitako konbertsioak batzen badituzu, ia beti benetaz izan dituzunak baino konbertsio gehiago ateratzen zaizkizu. Ez da kontabilitate-akats bat: atribuzio bikoiztua da. Plataforma bakoitzak beste batzuek ere bere egiten dituzten konbertsioak bere egiten ditu.
Atribuzioa ondo ulertzea ezinbestekoa da aurrekontuari buruzko erabaki egokiak hartzeko.
Dauden atribuzioko ereduak
Last-click: konbertsioa erosketaren aurreko azken kanalari egozten zaio. Estandar historikoa zen. Eskaria sortzen duten baina ia inoiz azken klik ez diren kanalak gutxiesten ditu, eduki organikoa eta branding-a bezalakoak.
First-click: konbertsioa journey-ko lehen kanalari egozten zaio. Aurkikuntzaren balioa gehiegi estimatzen du, baina itxierarena gutxiegi.
Lineala: konbertsioa journey-ko kanal guztien artean modu ekitatiboan banatzen da. Justua da, baina ez du islatzen kanal batzuk beste batzuk baino erabakigarriagoak direla.
Time decay: konbertsiotik hurbilen dauden kanalak pisu gehiago jasotzen dute. Zentzuzkoa da, baina arbitrarioa.
Data-driven attribution (DDA): Google eta Meta-k ML erabiltzen dute kanal bakoitzari pisua esleitzeko, konbertsioan duen ekarpen estatistikoan oinarrituta. Plataforma barruko eredurik onena da, baina plataforma horren datuak bakarrik ikusten ditu.
Zergatik ez diren nahikoa plataformen ereduak
Oinarrizko arazoa: plataforma bakoitzak journey-aren bere zatia baino ez du ikusten. Metak ez daki erabiltzaileak Googleren iragarkiak ere ikusi zituenik. Googlek ez daki erabiltzailea LinkedInetik iritsi zenik. Plataforma bakoitzak benetan sortu zituena baino konbertsio gehiago egozten dizkio bere buruari.
Irudi erreala izateko, kanal guztiak aldi berean ikusten dituen atribuzio-eredu bateratu bat behar da.
Marketing Mix Modeling: industriaren erantzuna
Marketing Mix Modeling (MMM) indarrez itzultzen ari da bi arrazoirengatik: tracking digitalaren gainbehera (iOS 14.5, hirugarrenen cookieen amaiera) eta MMM tradizionalak baino tresna eskuragarriagoen erabilgarritasuna.
MMMk datu agregatuak erabiltzen ditu (kanaleko asteko gastua, asteko salmentak, sasoikotasuna bezalako kanpo faktoreak) kanal bakoitzaren inpaktu inkrementala estimatzeko, erabiltzailearen jarraipen indibiduala beharrik gabe. DDA baino kualitatiboagoa da, baina zintzoagoa.
ETEentzako eskuragarri dauden MMM tresnak: Robyn de Meta (kode irekiko), LightweightMMM de Google (kode irekiko), Mass Analytics, Recast.
Hileko marketing-aurrekontua 20.000€ baino handiagoa duten enpresentzat, merezi du gutxienez oinarrizko MMM bat ezartzea.