Attribúció: Így tévesztenek meg a Google Analytics eredmények

Table of Contents

Egy mondatban egyszerű összefoglalni az attribúcióval kapcsolatos problémák 99%-át:

  • A különböző csatornák saját mérési rendszerei túlértékelik saját magukat (továbbiakban csatorna mérés).

Csatorna alapú mérési rendszernek számít például, a natív Google Ads, Facebook Ads, Linkedin Ads stb… rendszerek beépített konverzió mérése.

  • A Google Analytics pedig alulértékeli a konverziós útvonalban szereplő interakciók jelentős részét.

A fenti összefüggésnek az elsődleges oka, hogy a csatorna mérések minden egyes konverziót visszamérnek magukhoz, amelyben szerepet játszottak. Nem számít, hogy a vásárlási útvonalban még hány darab interakció, vagy egyéb csatorna helyezkedett el.

A Google Analytics ezzel szemben alapértelmezetten az utolsó kattintáshoz rendeli a konverziót. Szóval, ha a valóságban egy felhasználó a vásárlási útvonal során interakcióba lépett egy Facebook, majd Google Ads hirdetéssel, de végül a kiküldött hírlevélből hajtotta végre a vásárlást, akkor az Analytics az utolsó érintési ponthoz, a hírlevélhez fogja rendelni a konverzió, és a konverziós érték 100%-át.

Ebben a cikkben szeretnénk felvázolni a különböző attribúcióval kapcsolatos mítoszokat, illetve egy lehetséges, a mai vásárlási útvonalakhoz leginkább passzoló megoldást javasolni.

A cikk során felbukkanó nevezéktan:

  • Csatorna alapú mérés (Channel Tracking) = Az adott hirdetési csatorna saját mérési mechanizmusai, mint pl.: Facebook Pixel, Google Ads Conversion Tracking, LinkedIn Insight Tag stb…
  • Revenue to Ad Spend Ratio (RAS ratio) = A teljes marketing költséget, és a teljes bevételt hasonlítja össze.
  • View Conversions = Olyan konverziók, amelyek során a felhasználók csak megtekintették a hirdetést (pl.: Google Display banner), de nem végeztek vele interakciót (kattintottak).

Hogyan működik alapértelmezetten az attribúciós mérés a különböző eszközöknél

Channel Tracking

A csatorna alapú mérések csak a saját platformukhoz képesek konverziót rendelni (attribútálni), szóval teljes egészében figyelmen kívül hagyják az egyéb csatornákat, és érintési pontokat.

Csatorna mérés attribúció

Google Analytics tracking

Ezt nevezzük “Utolsó kattintás” vagy “Last Click” mérésnek.

Technikailag a megnevezés úgy pontos, hogy “Last non-direct click”, de az egyszerűség kedvéért, “Last Click” attribúcióként fogunk rá hivatkozni a későbbiekben.

Google Analytics Last Non Direct Click attribúció

Első interakció -> Második interakció -> Harmadik interakció -> Vásárlás

Third-Party Attribúciós Mérés

Third-party attribúciós megoldás

Első interakció -> Második interakció -> Harmadik interakció -> Vásárlás

Ez hangzik a leginkább ideálisnak, ugyanakkor a kihívás a third-party rendszereknél elsősorban a különböző csatornák súlyozásának a beállítása. A mai, külső attribúciós rendszerek nem képesek a teljes vásárlási útvonalat 100%-ban végig követni, szóval bizonyos mértékben ezek is pontatlanok lesznek, a végeredményt tekintve.

Miért tévesztette meg az elmúlt évek során a Google Analytics marketingesek százait

Minél mélyebbre ástuk magunkat az attribúció rejtelmeiben, annál kevésbé bíztunk meg a Google Analytics által nyújtott attribúciós modellekben.

Alapvetően egy csodálatos eszköz kinézetét kelti, melyben a különböző marketing csatornákhoz könnyedén tudunk megtérülés (ROAS) értéket rendelni, és így folyamatosan felül vizsgálni a súlyokat, büdzséket és a teljesítményt.

Egy megtörtént gyakorlati példa, ami jól szemlélteti a lehetséges problémákat a GA alapvető működésével kapcsolatban:

Az egyik ügyfelünk chatbot funkciókat épített be az oldalába, az élesítést követő első hónap után a fizetett hirdetésekhez társított konverziók, és konverziós érték beszakadt.

Valóban ez történt? Elméletben pont az ellenkezőjének kellett volna történnie, a hipotézis szerint a chatbotnak hozzá kellett volna a járulnia a konverziós arányok növekedéséhez, szinte minden csatornáról.

A valóságban viszont az történt, hogy a chatbot beállításokba hiba csúszott, így ha egy felhasználó egy chatboton belüli linkre kattintott, a GA új munkamenetet (sessiont) indított, így a konverziót és a konverziós értéket is “Referral” forráshoz társította a Last Click attribúciós modell.

Ez, és ehhez hasonló esetek nagyon gyakran előfordulhatnak, felderíteni őket pedig igen időigényes munka, ami nem csak időben, de emberi erőforrásban is nehézkes lehet. Szükség van legalább egy Digital Analystre, illetve egy fejlesztőre aki a feltárt hibát javítja.

A saját életedből is egészen biztosan tudsz példát meríteni arra, hogy miért is rendkívül problémás a mai világban a megfelelő attribúció kialakítása. Gondolj csak arra, hogy mielőtt megveszel egy cipőt vagy egy TV-t, hányszor találkozol az adott cég/termék hirdetéseivel, hányszor interaktálsz velük, míg végül bemész az üzletbe, vagy direktben felkeresed a forgalmazó oldalát, és megrendeled a kívánt terméket.

A direkt felkeresést nagyon sok érintési pont előzte meg, amelyek mind szerepet játszottak a döntésedben, mégis csak 1-1 csatorna kap részesedést rossz esetben a konverzióból, és a konverziós értékből.

A Google Analytics évek óta alapértelmezettként, a Last Click attribúciós modellt használja, ami egyáltalán nem felel meg a mai vásárlási útvonalak valós követésére, éppen ezért állítjuk azt, hogy marketingesek és döntéshozók százait tévesztette meg ezzel.

De ha már a Google Analytics is félrevezető ebből a szempontból, akkor jogosan merül fel a kérdés, hogy mit csináljunk helyette, vagy mellette? Esetleg a GA-n belül léteznek-e olyan lehetőségek, amelyek közelítenek a valósághoz?

Csatorna alapú attribúciós mérés, mint alternatíva

A legegyszerűbb alternatíva az, ha a csatornák alapértelmezett mérési megoldásait használjuk – ez azt jelenti, hogy a Google Ads, Facebook Ads stb… natív mérési eredményeit monitorozzuk.

Ennek az egyik legnagyobb előnye, hogy jóval több adathoz jutunk csatorna szinten, így az optimalizálás hatékonyabb, illetve az automata ajánlattételi stratégiák is eredményesebben tudnak működni.

A gyakorlatban ez úgy néz ki, hogy ha a felhasználó bármikor interakciót végzett a vásárlási útvonal során az adott csatornával, akkor látni fogjuk mint konverzió.

Ugyanakkor, ez az alternatíva sem mentes a problémáktól és a valótlanságtól:

  • Minden útvonalban szereplő csatorna megkapja a konverziók 100%-át.
  • Ugyanaz a vásárlás többször is bemérésre kerül a különböző rendszerekben
  • A mérési módszertan és attribúciós ablakok eltérnek/eltérhetnek csatornánként.

Minden útvonalban szereplő csatorna megkapja a konverziók 100%-át.

Tegyük fel, hogy valaki lekattintott egy remarketing hirdetést a Google Display hálózatán. Ez alapján a Google Ads konverziót fog rendelni az adott kampányhoz, és hirdetéshez.

A valóságban azonban igen gyakori, hogy ugyan ez a felhasználó több éréntési ponton keresztül is találkozott a termékünkkel. (Google, Facebook, Linkedin stb…)

Jogos a kérdés, hogy valóban megérdemli-e a remarketing hirdetés a konverzió 100%-át, a vásárlásban betöltött szerepe miatt?

Természetesen nem, hiszen nem csak ilyen típusú hirdetéssel történt interakció, egy remarketing hirdetés soha nem kaphatja meg a 100%-os konverziós értéket, ugyanis ahhoz, hogy vissza tudjuk őt célozni, valamilyen csatornáról biztosan eljutott már a weboldalra a közelmúltban (magyarul történt megelőző interakció).

Éppen ezért, nehéz alternatívaként használni a csatorna alapú méréseket. Hirdetési oldalról nagy segítség tud lenni az optimalizálásban, a nagyobb adatmennyiség miatt, ugyanakkor üzleti oldalról hasonló problémával szembesülünk, mint a GA Last Click attribúciónál. Nem kapunk valós képet a csatornák szerepéről egy-egy vásárlásnál.

Ugyanaz a vásárlás többször is bemérésre kerül a különböző rendszerekben

A csatorna alapú mérés használata során, ha egy felhasználó interaktált az adott platformon a hirdetésekkel mielőtt vásárolt, a konverzió bemérésre kerül. 

Tegyük fel, hogy így nézett ki a vásárlási útvonal csatorna szinten:

  • Google Ads kattintás
  • Facebook Ads kattintás
  • Organikus brand kattintás (GA-ban mérve)

Ez három csatornát jelent, mind a három, a saját attribúciós mérése szerint magához fogja tulajdonítani a konverziót, ezért igazából 1db vásárlást többszörösen, duplikálva fogunk látni a hirdetési rendszerekben.

A fenti összefüggés odáig vezethet, hogy a hirdetési rendszerekben jóval több konverziót fogunk látni, mint ami a valóságban megtörtént. Ismételten, hirdetési oldalról ez egy pozitív hozadéka a csatorna alapú mérésének, ugyanis, a nagyobb adatmennyiségből hatékonyabban lehet optimalizálni. Ugyanakkor, az üzleti döntéshozást (pl.: mely csatornákra allokáljunk magasabb büdzsét, melyeket állítsunk le esetleg a gyengébb teljesítmény miatt) nagyon megnehezíti.

A mérési módszertan, és attribúciós ablakok eltérnek csatornánként

Ez az a rész, ahol az, aki nem jártas a hirdetési rendszerek technikai működésében, nagyon könnyen el tud veszni, érthetően.

Minden csatorna, bizonyos szintig eltérő módszertant, és konverziós ablakokat használ:

  • Facebook Ads – A facebook alapértelmezetten 1 napos megtekintést, és 7 napos kattintási ablakot használ. Ez azt jelenti, hogy ha ma átpörgettél a hírfolyamodban egy hirdetésen, majd később organikus keresésből megvásároltad a hirdetett terméket, a facebook magához fogja társítani a konverzió 100%-át. Ha pedig ma kattintottál egy hirdetésre facebookon, és 7 napon belül más forrásból vásároltál, ugyanez történik.
  • Google Ads – Keresési hirdetéseknél alapértelmezetten 30 napos konverziós ablakkal dolgozik.

Ezekből a típusú eltérésekből könnyen adódhatnak olyan problémák, hogy a rendelkezésre álló büdzsét rosszul allokáljuk újra, és nem a megfelelő csatornára teszünk többletet, ez pedig hosszú távon elégetett marketing költéshez vezethet.

Mi a helyzet a third-party attribúciós eszközökkel?

Third-party attribúciós megoldás

Itt kezd igazán érdekes lenni az attribúció kérdése. Miközben olvasod a cikket, könnyen felmerülhet benned az a kérdés, hogy miért nem használunk olyan eszközt, amely képes megfelelően súlyozni a csatornákat, a vásárlásban betöltött szerepük alapján,

A probléma ezekkel a third-party eszközökkel, hogy nem képesek a teljes vásárlási útvonalat végig követni.

A mai szokások alapján, egy-egy vásárlási útvonal nagyon sok érintési pontot tartalmaz, ilyenek lehetnek a különböző eszközök: céges laptop, telefon, tablet majd a saját laptopunk. Arról nem is beszélve, hogy mi történik akkor, ha szembejön velem egy olyan termék, amelyről tudom, hogy az ismerősömnek érdekes lehet, és szimplán elküldöm neki Facebook Messengeren keresztül.

Nagyon sok eszköz próbálkozott, és próbálkozik a mai napig a teljes vásárlási útvonal végig követésére, de ez egyre nehezebbé válik az Apple, Firefox vagy akár maga a Google által bevezetett mérési limitációk miatt.

Mi akkor a megoldás?

Mikrokonverziók!

Mikrokonverziók használata csatornák súlyozására

Mikrokonverzióknak azokat a műveleteket nevezzük, melyek nem az elsődleges üzleti célunkat mérik (mint például vásárlás), hanem az ehhez vezető út során felbukkanhatnak, mint számunkra értékes, egyéb interakciók.

Egy példa a mikrokonverziók használatára, ha fogod a konvertáló felhasználókról készített szegmenst (GA), és elkezded visszafejteni, hogy ők milyen közös érintési pontokon mentek keresztül a weboldalon.

Az így kapott eredményeken egyrészt józan ésszel – másrészt például ML vagy AI algoritmusok által – végrehajtasz egy elemzést, és azonosítod a feltűnő közös pontokat.

Ha ezek megvannak, akkor a marketing aktivitásokhoz már hozzá tudod rendelni a gyakoriságukat, és így a vásárlások helyett/mellett ezeket is be tudod építeni, és figyelembe venni az üzleti döntéshozásnál.

Néhány gyakori példa Ecommerce területen a vásárláshoz vezető mikrokonverziókra:

  • TOFU (Top of Funnel) aktivitások:
    • Oldalon töltött idő vs:
      • Email cím megadás (feliratkozás, regisztráció)
      • Termék kedvencek közé helyezése
      • Látogatások száma
  • MOFU (Middle of Funnel) aktivitások:
    • Kosárba tétel
    • Azonos termék többszöri látogatása
    • Checkout folyamat oldalainak látogatása
    • Chat indítása (chatbot esetén például)
  • BOFU (Bottom of Funnel) aktivitások:
    • Vásárlás
    • Navigáció a fizikai üzletbe

Third-party eszköz, ami a fenti megközelítésen alapul: Segment Stream.

B2B területen pedig a DreamData.io próbálkozik hasonló modellt alkalmazni az attribúcióra.

Az attribúciós modell kiválasztása és használata a legtöbb esetben tükrözi az üzleti érettséget

A fentiek alapján jogos lehet az a következtetés, hogy engedjük el a GA-t és a csatorna alapú méréseket, egyből próbálkozzunk a mikrokonverzió alapú attribútálással. Ugyanakkor, a mögöttes infrastruktúra, és technológia létrehozása ehhez egyáltalán nem egyszerű, eléggé nagy erőforrás igénye van (emberi és adat oldalról egyaránt).

Egy vállalkozás kezdeti éveiben erre a legtöbb esetben nincs lehetősége a döntéshozóknak. Éppen ezért, ahogy üzletileg fejlődik egy-egy vállalkozás, úgy érdemes ezeket a folyamatokat is az éréshez igazítani, és finomítani, fejleszteni.

Az attribúcióra úgy tekintsünk, mint egy folyamatra amelynek követnie, és igazodnia kell a vállalkozásunk növekedéséhez, és fejlődéséhez.

A sikeres Ecommerce vállalkozások így csinálják

Kattintásokból nem tudjuk fizetni a költségeinket.

Ez egy gyakori válasz szokott lenni, a mikrokonverziós megközelítés bemutatásánál.

Ugyanakkor, a legsikeresebb Ecommerce vállalkozások, amelyekkel eddig dolgoztunk egy úgynevezett Revenue to Ad Spend (RAS ratio) arányt használnak a marketing aktivitások hatékonyságának visszamérésére.

Bizonyos helyeken ezt COS vagy CPS-nek (Cost of Sale, Cost Per Sale) is szokták nevezni. A számítás viszonylag egyszerű, és attribúció mentes, elsősorban arról szól, hogy hogyan határozzák meg ezek a vállalkozások a marketing büdzséjüket.

A sikeresnek mondható, és bejáratott vállalkozások a bevételük 5-10%-át, míg a növekedésben lévő cégek a bevételük 10-15%-át kellene, hogy marketingre költsék.

A legtöbb, igen sikeres Ecommerce vállalkozás követi ezt az egyszerű, ugyanakkor rendkívül hatékony megközelítést.

A lehetőségek összefoglalva

  1. Használd az alapértelmezett Google Analytics mérést, és szigorúan mintorozd a P&L arányt.
  2. Használd az alapértelmezett Google Analytics mérést, de a megtérülési célokat alacsonyan határozd meg, és egészítsd ki az eredményeket csatorna alapú méréssel.
  3. Határozz meg egy RAS arányt és használj csatorna alapú méréseket, folyamatosan optimalizáld és egyensúlyozd a megtérülési célokat.
  4. Válassz egy third-party attribúciós eszközt (mint például a SegmentStream).

Bármit is választasz, hibás lesz

Bármelyik fenti opcióval is haladsz tovább, az a nap végén hibás lesz. Nem létezik jelenleg olyan eszköz vagy megoldás, amely a teljes képet, és vásárlási útvonalat 100%-ban adná vissza, megfelelő csatorna súlyozás mellett.

A Google Analytics használatával azok a csatornák fognak erős túlsúlyba kerülni, amelyek a vásárlási tölcsér alját célozzák.

Csatorna alapú mérésre építve, a ROAS célok optimalizálása és egyensúlyozása nélkül nagyon gyorsan csődbe viheted a céged.

Amit viszont tudsz csinálni, hogy kiválasztasz vagy létrehozol egy olyan “attribúciós módszertant”, amely a legjobban passzol a vállalkozásod fejlettségéhez, és hagyod, hogy ez vezesse marketing területen a döntéshozást.

Related Post