רוצים לדבר? אנחנו כאן





captcha

 הנני מאשר/ת קבלת ניוזלטרים ודיוורים

מהו מודל ייחוס וכיצד הוא מעוות את נתוני האתר שלך

11 דצמבר

מהו מודל ייחוס וכיצד הוא מעוות את נתוני האתר שלך


כל מי שעוסק בשיווק, מודע בצורה כזו או אחרת ל"מסע הלקוח":
מרגע המודעות הראשונית, המשך בבדיקה וכלה בביצוע. הקפיצה הזו משמעה שהמשתמש עובר בין כמה אפיקי שיווק, עד שהוא מגיע אלינו. אז איזה אפיק יקבל את הקרדיט על הפעולה הסופית?

מאת: עמית אדלר

השאלה הזו מסובכת יותר משנדמה ממבט ראשון.
בואו נתאר את התהליך הבא, כאשר משתמש כלשהו:

1. ביצע חיפוש ונכנס לאתר לראשונה מתוצאות אורגניות.
2. שבוע לאחר מכן נכנס שוב ממודעה ממומנת, הודות לרימרקטינג שנמצא באתר.
3. שבועיים לאחר מכן נזכר בקיומנו, נכנס מההשלמות האוטומטיות בדפדפן והפעם המיר.


איזה אפיק הוא זה שתרם להמרה הסופית – האורגני, הממומן או הישיר?
ומה קורה כשנכנסים לתמונה אפיקים נוספים, כגון מדיה חברתית, ניוזלטר וכו'?

התשובה הפשוטה והמובנת מאליה תהיה: כולם.
כל האפיקים לקחו חלק כלשהו בהמרה הסופית.

איזון בין מודלים של ייחוס


אבל בעולם של גוגל זה ממש לא כך.

כי בעולם של גוגל רק האפיק האחרון, בו התבצעה ההמרה, הוא האפיק שיקבל את הקרדיט.

בשיווק דיגיטלי זה נקרא Last Click / Last Touch Attribution. אם נדייק, גוגל אנליטיקס פועל בשיטת Last Non Direct Click – ועל כך נרחיב בהמשך.


האם זה אומר ששאר האפיקים לא שווים התייחסות?

ומה זה אומר לגבי כניסות והמרות שגוגל אנליטיקס מתייג כסוג מסוים? האם הם בעצם סוג אחר?

לשם האיזון נציין כבר עכשיו שבפייסבוק, לעומת זאת, המודל הוא First Facebook Click – כלומר הקרדיט להמרה יינתן לפייסבוק ביום בו המודעה נצפתה או שהקליקו עליה, אבל לא ביום בו בוצעה ההמרה. מדוע זה כך ומה זה נותן – בהמשך.

ברוכים הבאים לעולם של מודל הייחוס (Attribution Model)

מודל ייחוס אינו דבר חדש. למעשה הוא הגרסה הדיגיטלית של משפך השיווק (AIDA), שנוצר בשלהי המאה ה-19. ההבדל הוא שבעוד שבאופליין לא ממש ניתן לעקוב אחרי המסע שעובר המשתמש, באונליין זה אפשרי בהחלט, במסגרת המגבלות.

כל זה בעצם אומר שצריך להסתכל על כלל המסלול שעובר המשתמש.

אגב, זו גם בדיוק הסיבה שכמעט אף משתמש לא ממיר בפעם הראשונה בה הוא מגיע לאתר (אלא אם כן אתם מותג על, וגם אז לא בטוח). רוב הסיכויים שהוא עבר כמה וכמה אתרים דרך כמה וכמה אפיקים ומכשירים שונים (סמארטפון, מחשב, טאבלט), לפני שהחליט להתנחל אצלכם.

לעיתים עוברים שבועות עד שמשתמש אחד ממיר, וזאת מכיוון שללקוח הפוטנציאלי דרוש אמון במותג כדי לבצע עסקה. לקוקה קולה, מן הסתם, אין את הבעיה הזו: עצם היותה מותג-על המוכר בכל פינה על כדור הארץ, מסייע למכירות.


לפני שנמשיך, חשוב להבין כיצד גוגל מפלח את מקורות התנועה לאתר.

בדוח Acquisition באנליטיקס, יש פילוח מובנה-מראש של אפיקי הטראפיק העיקריים:

Organic – מנועי חיפוש לסוגיהם השונים.
Paid / Display – פרסום ממומן לסוגיו, בעיקר אדוורדס.
Referral – אתרים אחרים שמקשרים אל האתר שלנו.
Social – מדיה חברתית לסוגיה.
Direct – כל מה שאינו נכלל באפיקים המצוינים לעיל.

האפיק האחרון (Direct) הוא גם המעניין ביותר. בניגוד למה שנהוג לחשוב, תנועה ישירה אינה רק הקלדה של הכתובת בדפדפן, או לחיצה על קישור מתוך מייל או אפליקציה.

ברגע שגוגל לא יכול לזהות האם מדובר באורגני, ממומן או הפניה מאתר אחר – הוא "זורק" את הנתונים ל"פח זבל" שנקרא "תנועה ישירה". זה חלק מהסיבה לכך שהאפיק הישיר מייצר נתח נכבד מהטראפיק ומההמרות, כמעט בכל חשבון אנליטיקס. אם בודקים לעומק את התנועה הישירה באנליטיקס, פתאום עשויים לגלות שחלק ניכר ממנה שייך בכלל לאורגני או לממומן.

בהקשר הזה כדאי להזכיר שלא חייבים להסתמך רק על הפילוח הסטנדרטי המוצג לעיל. אפשר לקבוע פילוח אחר של אפיקי תנועה, באמצעות Channel Grouping באנליטיקס.

מדוע שנעשה זאת? מכיוון שגוגל לא תמיד קורא לדברים בשמם הנכון. למשל – כניסות מיוטיוב נספרות באנליטיקס כמדיה חברתית. ואולי אנחנו רוצים שזה יהיה דווקא רפראל? בדיוק בשביל זה נוצר ה-Channel Grouping.

איך נוודא שאנו מקבלים נתונים מדויקים?

מודל הקליק האחרון טוב בעיקר לגוגל: מכיוון שהיא שולטת בנתח נכבד מאפיקי הפרסום הדיגיטלי בעולם, חלק ניכר מהתנועה ומההמרות יקבל קרדיט ממקורות השייכים לגוגל עצמה (אורגני, אדוורדס וכו').

זו גם הסיבה לכך שציינתי כבר בהתחלה, שפייסבוק, בניגוד לגוגל, משתמשת במודל הקליק הראשון. מכיוון שפייסבוק היא סביבה סגורה של קהל שבוי, רוב התנועה וההמרות מתחילים מאותה סביבה סגורה. מתן הקרדיט לקליק הראשון, בעצם נותן קרדיט לפייסבוק בצורה תמידית על כל כניסה והמרה.

שתי השיטות הללו – הקליק הראשון והקליק האחרון – אינן מייצגות את המציאות נאמנה. כל אחת מהן מתעלמת ממה שנוח לה, ונותנת את כל הקרדיט לאפיק אחד בלבד. לא הכי הגיוני בעולם רב-מסכי ורב-ערוצי (במובן של ערוצי טראפיק).


למזלנו גוגל מאפשרת לנו לראות מה היה קורה אם היינו משנים את מודל הייחוס
. דוחות הייחוס באנליטיקס מציעים כמה אפשרויות נוספות, מעבר למודל הקליק האחרון (שהוא ברירת המחדל – מודגש בתמונה):

מודלים של ייחוס בגוגל אנליטיקס

בעוד שארבעת הראשונים מייחסים את ההמרה לאפיק אחד בלבד, שלושת האחרונים עושים חלוקה הוגנת יותר. חשוב לזכור שהדוחות מייצגים רק השוואה בנוסח "מה אם", ולא משנים בפועל את מודל הייחוס. בפייסבוק, לעומת זאת, ניתן לשנות את מודל הייחוס עצמו ולא רק בצורה וירטואלית.

1. Last Non-Direct Click
המודל הזה מתעלם מכל התנועה הישירה, ונותן 100% קרדיט לאפיק האחרון שהביא המרה. שימוש במודל הזה מצוין למי שרוצה לבטל את כל הייחוס העודף שניתן לתנועה ישירה, שלפעמים גוזלת נתח נכבד מהנתונים ללא הצדקה. זהו מודל ברירת המחדל של גוגל אנליטיקס.

מתי נשתמש במודל קליק אחרון ללא דירקט – כאשר נרצה להוריד מהחשבון צרכנים שכבר מכירים את המותג ברמה כלשהי. זה משאיר לנו רק את הערוצים שהיו הכי אפקטיביים מבחינה שיווקית נטו.


2. Last Adwords Click

המודל הזה נותן 100% קרדיט לקליק האחרון שהגיע מהממומן, וזה בעצם מודל הייחוס של אדוורדס. גם פה מדובר במתן קרדיט לאפיק אחד בלבד, תוך התעלמות גורפת משאר האפיקים שהיו חלק ממסע הלקוח.

מתי נשתמש במודל קליק אחרון באדוורדס – כאשר נרצה לדעת אילו קמפיינים ממומנים באדוורדס יעילים יותר, ואילו משתרכים מאחור.


3. First Interaction

בדיוק כמו מודל הקליק האחרון, גם מודל הקליק הראשון נותן 100% מהקרדיט לאפיק אחד – זה שהתחיל את כל שרשרת האירועים. כפי שציינתי לפני כן, זו חלוקה לא נכונה בעולם שבו מסע הלקוח מתפרש על פני נקודות מגע רבות.

מתי נשתמש במודל קליק ראשון – כאשר נרצה לגלות מה היו הערוצים שהתחילו להשפיע על מסע הלקוח. כלומר הקליק הראשון אומר לנו אילו ערוצים היו הכי יעילים לרכישת לקוחות חדשים, שעדיין נמצאים בשלבי היכרות ראשונים עם המותג שלנו. ברגע שהבנו מהם אותם ערוצים ראשוניים להבאת לקוחות חדשים, נוכל להגדיל את התקציבים ולבצע בהם את השינויים הדרושים.


4. Linear

כאן כבר מתחיל להיות יותר מעניין, כי המודל הליניארי נותן קרדיט שווה לכל אחד מהאפיקים שהיו מעורבים בתהליך. לא משנה מאיפה התחיל המשתמש והיכן הוא סיים, המודל הליניארי מייחס לכולם תרומה שווה.

מתי נשתמש במודל הליניארי – כאשר נרצה למדוד בצורה הוליסטית את האפקטיביות של כלל ערוצי השיווק, כאשר כל ערוץ מקבל קרדיט זהה לאחר. בשלב מסוים נוכל להבחין בערוצים מסוימים שמביאים יותר המרות מאחרים, ובהם נוכל להשקיע.


5. Time Decay

מודל הדעיכה עם הזמן נותן יותר קרדיט לנקודות מגע שהתרחשו לאחרונה, ופחות לאלו שהתרחשו בעבר. ככל שחולף יותר זמן מרגע קיומה של נקודת המגע ועד להמרה, כך מאבדת נקודת המגע יותר חשיבות. סוג של דעיכה רדיואקטיבית, אם נשתמש בלשון מליצה.

מתי נשתמש במודל דעיכת זמן – כאשר נרצה לדעת בצורה הוליסטית אילו ערוצים יותר יעילים להמרות ואילו ערוצים טובים יותר לתחילת מסע הלקוח. כך נוכל לדעת באילו מהערוצים שווה להשקיע יותר או פחות.


6. Position Based

המודל הזה נותן 40% מהקרדיט לאפיק הראשון ו-40% נוספים לאפיק האחרון, כאשר 20 האחוזים הנותרים מחולקים בין האפיקים האחרים שבדרך. הקליק הראשון והאחרון מקבלים הכי הרבה יחס, ובצורה זו אפשר לראות מי היה הראשון שהתחיל את התהליך ומי סגר את ההמרה – בלי לאבד את שאר האפיקים בדרך.

מתי נשתמש במודל מבוסס מיקום – כאשר נרצה לדעת אילו ערוצים היו היעילים ביותר הן לרכישת לקוחות חדשים (40% מהקרדיט), והן להמרתם ללקוחות משלמים (40% מהקרדיט). כל שאר השלבים באמצע יקבלו פחות קרדיט (20% בחלוקה שווה).


7. Last Click

מתי נשתמש במודל קליק אחרון – כאשר נרצה לדעת אילו ערוצים הביאו הכי הרבה המרות בפועל. האפיק הזה מיועד לשלבי הסיום של משפך השיווק ומסע הלקוח, ונותן לנו תובנות אילו ערוצים מביאים הכי הרבה כסף. אנשים יכולים לבצע אינספור פעולות בכל שאר האפיקים, אבל להמיר בסופו של דבר רק בממומן. כך אפשר להחליט שהערוצים האחרים פחות יעילים, ולהוריד להם תקציבים.

רגע לפני סיום – איך בודקים את הנתונים

ניגשים לדוח Model Comparison Tool (תחת Conversions), בוחרים את המודל הרצוי ובודקים מה השפעתו. ניתן גם לכלול כמה מודלים בדוח אחד, על מנת שההשוואה תהיה מדויקת יותר.

השוואת מודלים של ייחוס באנליטיקס

לדוגמה, בתמונה ניתן לראות השוואה בין 3 מודלים של ייחוס – קליק אחרון (כפי שגוגל אוהב להשוות), דעיכה ומבוסס-מיקום. מודל הדעיכה מוריד מהאפיק הישיר 18% מההמרות, שכנראה יוחסו לו שלא בצדק, ומעלה את ההמרות באפיק הממומן ב-14%, באפיק האורגני ב-17% וכן הלאה. המודל מבוסס המיקום אפילו קיצוני יותר, ומוריד מהאפיק הישיר כמעט רבע מההמרות המיוחסות לו על ידי המודל הדיפולטיבי, לעומת עלייה של 15% בממומן ומעל 26% באורגני.

בצורה כזו ניתן להגיע למסקנות יפות אודות האפיקים השונים, ותפקידם בנתיב ההמרה של המשתמש. לחלק מהאפיקים תהיה תרומה ישירה להמרה, בעוד שהאחרים יהוו עזרים להמרה (Assisted Conversions). זה בהחלט לא מוריד מחשיבותם של אלו האחרונים; אם כבר אז להפך. זה מדגיש את חשיבותם כחלק מהתהליך הכולל במסע הלקוח.

כמו כן רצוי מאוד שכל ליד או רכישה יקושרו גם למערכת מדידה נוספת, כגון CRM. כך יהיה לכם מקור נוסף להשוואה, לעומת הנתונים שמתקבלים באנליטיקס.

תפריט