Hoe gebruik je attributie om het effect van je online campagnes te meten?

Een serie van vier artikelen over de meest gebruikte analysemethoden. Deel twee: attributie.

Als je als online marketeer wilt weten hoe effectief je online campagnes zijn, kun je verschillende analysetechnieken inzetten om op die vraag een antwoord te krijgen. In dit artikel bespreek ik in meer detail wat attributie is en wat de voor- en nadelen zijn.

In een eerdere blog keek ik naar waarom je als online marketeer zou willen weten wat het effect van je online campagnes is en dat je attributie, media mix modeling en experimenten kan gebruiken om daar inzicht in te krijgen.

Hoe werkt attributie?

Nog even in de herhaling: hoe werkt attributie eigenlijk? Stel, iemand ziet een advertentie op Facebook, klikt op de advertentie en komt op je website maar is zich eerst nog aan het oriënteren en koopt nog niets. Vervolgens komt hij/zij terug naar je website via een paid search advertentie en later nog een keer direct. Uiteindelijk besluit deze persoon je product te kopen. Nice!

Elk van de bovengenoemde kanalen zijn dus van belang in de ‘weg’ naar een aankoop. Maar aan welk van deze kanalen kunnen we de aankoop toekennen? Is dat het eerste kanaal (de hele aankoop wordt geattribueerd aan social), is dat het laatste advertentie kanaal (de hele aankoop wordt geattribueerd aan paid search) of zouden alle kanalen een beetje van de credits moeten krijgen? Dit is een keuze die je als marketeer zelf kunt maken, maar die je ook op basis van data kan laten bepalen.

Heuristische attributiemodellen

Als je als marketeer zelf bepaalt hoeveel waarden van een aankoop aan een kanaal zou moeten worden toegekend, dan maak je gebruik van heuristische attributie-modellen. Bij heuristische attributiemodellen wordt er een simpele regel toegepast die bepaald welk kanaal in het pad naar een conversie credits krijgt en hoeveel. In het figuur hierboven zijn alle modellen heuristisch op het laatste model na (het data driven-model) .

Er zijn verschillende heuristische modellen. Zo heb je het first-click/interaction-model die alle credits voor een aankoop toekent aan het eerste kanaal in een pad. Het last-click/interaction model kent alle credits voor een aankoop toe aan het laatste kanaal in het pad. Het last non-direct model is het model wat in Google Analytics standaard wordt gebruikt voor rapportage en kent alle credits voor een aankoop toe aan het laatste kanaal in het pad wat niet direct was (in het voorbeeld hierboven was dat paid search).

Het probleem van heuristische modellen is alleen dat je eigenlijk niet weet welke model het meest accuraat is

De reden hiervoor is dat direct niet echt een kanaal is en je er ook geen geld voor hoeft te betalen om op te adverteren. Als iemand daarvoor dus een campagne-uiting heeft gezien en daarna zelf naar je site gaat (dit noemen we direct), dan zou je kunnen aannemen dat dit komt door de uiting die iemand daarvoor had gezien. De waarde van een aankoop wordt dus daaraan toegekend. Andere modellen zijn het lineaire model, het time decay-model en het position based-model waarbij de credits over de kanalen wordt verdeeld. Het probleem van heuristische modellen is alleen dat je eigenlijk niet weet welke model het meest accuraat is. Je moet dus zelf een beslissing nemen welk model jij denkt dat het best is voor jouw bedrijf.

Data-gedreven attributiemodellen

Hoewel heuristische modellen als ‘first-click/interaction’ of ‘last-click/interaction’ voor attributie simpel te begrijpen zijn en al betere inzichten geven dan je onderbuikgevoel, zijn er tegenwoordig ook wat we ‘data-gedreven modellen’ noemen die een ‘eerlijke attributieverdeling’ proberen te vinden.

Er zijn nu ook wat we data-gedreven modellen noemen die een ‘eerlijke attributieverdeling’ proberen te vinden

Voorbeelden hiervan zijn het data-driven attribution-model (DDA) van Google (beschikbaar bijvoorbeeld in Google Analytics 360) of het Markov Chain-model. Dit laatste model hebben we bij Merkle Amsterdam gebruikt om een attributie-analysemethode te ontwikkelen. Dit model is aan te passen aan de behoefte van de klant en houdt, in tegenstelling tot de standaard attributiemodellen in Google Analytics), ook rekening met het effect van kanalen op niet-converterende paden. In andere woorden, hoe vaak kwam een kanaal voor in een pad waarbij iemand een aankoop doet ten opzichte van het aantal keer dat iemand geen aankoop doet. Hierdoor krijg je dus een nog betrouwbaarder beeld van de performance van een kanaal. Meer weten over Markov Chain-attributiemodellen, lees dit artikel.

Als je eenmaal een attributiemodel hebt gekozen, kun je kijken hoeveel aankopen ieder kanaal heeft opgeleverd door alle credits van een kanaal bij elkaar op te tellen. Nu kun je kanalen met elkaar vergelijken en bijvoorbeeld zien welk kanaal voor de meeste conversies zorgt. Ook kun je verschillende perioden met elkaar vergelijken. Zien we bijvoorbeeld meer aankopen in perioden waarin een campagne heeft gedraaid?

Uiteindelijk wil je natuurlijk een conclusie trekken of je het uitgegeven campagnegeld terug ziet komen in een stijgend aantal verkopen. Daarom is het belangrijk dat je deze analyse geregeld doet (in perioden met en zonder campagnes) om te kijken of de campagnes voor extra sales zorgen (en of dit opweegt tegen de kosten). Verder kun je als expert nu een overwogen mediabudgetbeslissing maken doordat je ziet hoeveel geld je aan ieder kanaal uitgeeft en hoeveel sales dat oplevert.

Waar moet je rekening mee houden?

Attributie komt met een aantal uitdagingen.

Lookback Window en post-view/click window instellen

Attributie is gebaseerd op een aantal aannames en instellingen. Eén daarvan is de lookback window en een ander is de post-view/post-click window. De lookback window is de hoeveelheid dagen vanaf een conversie dat je terug gaat kijken om het pad tot conversie te bepalen. Dit is iets wat je (bijvoorbeeld binnen Google Analytics-attributie) zelf kan instellen en wat afhankelijk van jouw markt misschien juist lang of juist kort moet zijn. Heb je snel terugkerende klanten, dan kun je een korte window kiezen. Heb je een markt waarbij mensen niet zo vaak terugkeren dan zou je een langer lookback window kunnen hanteren.

Sommige platformen, zoals bijvoorbeeld Facebook, gebruiken post-click en post-view windows. Dat wil zeggen, als mensen een advertentie hebben gezien of er op geklikt hebben en daarna binnen de post-click en/of post-view window een aankoop doen, dan kent het platform die aankoop aan zichzelf toe. Dit wordt vooral gebruikt als je slechts in één kanaal geïnteresseerd bent en je alleen van dat kanaal wilt meten hoeveel sales het ongeveer genereert.

Clicks en impressies meten

Het is belangrijk om zowel te meten hoeveel clicks als views (oftewel impressies) iemand heeft gehad in zijn/haar pad naar een aankoop. Sommige kanalen, zoals SEA, hebben bijvoorbeeld voornamelijk als doel dat je als klant op de ad klikt en naar de website gaat. Andere kanalen, zoals display of Facebook, hebben vooral als doel dat mensen je reclame zien en mensen zullen wellicht minder snel op een advertentie klikken. Toch heeft het zien van een reclame een effect en het zou kunnen zijn dat mensen zelf naar je website gaan (bijvoorbeeld de volgende dag).

Het is belangrijk om zowel te meten hoeveel clicks als views iemand heeft gehad in zijn/haar pad naar een aankoop

Het is dus voor dit soort kanalen belangrijk om ook het aantal impressies te meten die tot een aankoop geleid hebben. Hoewel binnen een kanaal de impressies vaak wel te meten zijn, is het soms nog lastig om dit over verschillende kanalen bij elkaar te voegen, bijvoorbeeld tussen Google- en Facebook-kanalen. Maar veel bedrijven adverteren zowel op Google-kanalen (bijvoorbeeld YouTube) als op Facebook-kanalen. Hoewel deze platformen geen algemene optie hebben om hun data met elkaar te delen zijn er wel manieren om hier rekening mee te houden.

ITP en cross-device tracking

Verder is het bij attributie belangrijk dat je goed kunt meten via welke kanalen iemand op je website komt. Dit is iets wat steeds ingewikkelder wordt omwille van privacy-overwegingen. Sommige browsers (bijvoorbeeld Safari) gooien actief cookies weg na een aantal dagen. Hierdoor wordt het steeds lastiger om over een langere periode bij te houden via welke kanalen iemand op je site is gekomen. Dit is wat Intelligent Tracking Prevention (ITP) wordt genoemd.

Een ander probleem is dat we steeds meer apparaten gebruiken om op het internet te browsen

Een ander probleem is dat we steeds meer apparaten gebruiken om op het internet te browsen. Kijk je bijvoorbeeld eerst op je telefoon om wat informatie in te winnen maar koop je een product later via je laptop, dan is het lastig om die gegevens aan elkaar te koppelen. Het wordt dus steeds lastiger om goed te kunnen achterhalen via welke kanalen mensen allemaal op je site zijn gekomen. Dit is dus een uitdaging voor attributie-modellen en daarom kunnen sommige andere analyses, zoals media mix modeling, die geen gebruik maken van individuele data tracking, hiervoor een uitkomst bieden. Daarover meer in het volgende artikel!

Voor- en nadelen

Attributie heeft een aantal voor- en nadelen. Hier geven we een kort overzicht van de belangrijkste.

Wanneer zet je attributie in?

Als je als online marketeer een indicatie wilt krijgen van hoeveel sales ieder kanaal oplevert en je dit wilt kunnen vergelijken tussen verschillende periodes en met verschillende budgetten. Zo kun je je mediabudget inzetten voor kanalen die het meest opleveren.