การระบุแหล่งที่มาแบบ Multi-Touch คืออะไร? โมเดลและเครื่องมือที่คุณต้องการ

การระบุแหล่งที่มาแบบมัลติทัชคืออะไร

การระบุแหล่งที่มาแบบมัลติทัช (MTA) คือวิธีการระบุแหล่งที่มาของเครดิตสำหรับการแปลงไปยังจุดติดต่อหนึ่งจุดหรือมากกว่าในเส้นทางของลูกค้า เครื่องมือระบุแหล่งที่มาแบบมัลติทัชใช้แบบจำลองเพื่อจัดระบบจุดติดต่อ ช่องทาง หรือแคมเปญใดที่เอื้อให้ลูกค้าดำเนินการตามที่ต้องการ วิธีนี้ช่วยหลีกเลี่ยงการระบุ ROI ให้กับจุดติดต่อสุดท้ายก่อนเกิด Conversion

ลองนึกภาพตัวอย่างนี้ว่า MTA ทำงานอย่างไรในทางปฏิบัติ:

• วันที่ 1: ผู้ใช้ X คลิกบนโฆษณาแบบดิสเพลย์สำหรับผลิตภัณฑ์ พวกเขาเรียกดูเว็บไซต์แต่ไม่ได้สั่งอะไร
• วันที่ 2: พวกเขาพบบทความในบล็อกของบริษัทในฟีดโซเชียลมีเดียและตัดสินใจสมัครรับรายชื่ออีเมล
• วันที่ 5: พวกเขาได้รับอีเมลสำหรับรหัสส่วนลดผู้ซื้อครั้งแรก พวกเขาเยี่ยมชมเว็บไซต์เพื่อเรียกดูผลิตภัณฑ์
• วันที่ 7: ก่อนทำการซื้อครั้งสุดท้าย พวกเขาทำการค้นหาโดย Google เพื่อยืนยันคำวิจารณ์ของเว็บไซต์ พวกเขามั่นใจในการตัดสินใจซื้อในขณะนี้ แม้ว่าจะล่าช้าไปโดยไม่ทราบสาเหตุ
• วันที่ 10: พวกเขาได้รับอีเมลจากโฟลว์อัตโนมัติพร้อมส่วนลดสำหรับการสรุปการซื้อพร้อมกับคำเชิญเข้าร่วมกิจกรรม ในที่สุดพวกเขาก็ทำการซื้อจนเสร็จ

การระบุแหล่งที่มาแบบมัลติทัชสามารถสร้างความแตกต่างได้มากที่นี่ เนื่องจากผู้ใช้ต้องผ่านจุดติดต่อหลายจุดซึ่งแต่ละจุดมีส่วนช่วยในการซื้อขั้นสุดท้าย

สำหรับบางรุ่น โฆษณาแบบดิสเพลย์ควรได้รับเครดิตที่สูงกว่า เนื่องจากผู้ใช้จึงได้รู้จักผลิตภัณฑ์ดังกล่าว สำหรับคนอื่น ๆ โซเชียลมีเดียอาจเป็นปัจจัยสำคัญ เนื่องจากนั่นคือวิธีที่ผู้ใช้ได้รับความไว้วางใจในบริษัทของผลิตภัณฑ์ ส่วนที่เหลือ รีวิวหรืออีเมลส่วนลดมีอิทธิพลต่อ Conversion ที่ต้องการ เนื่องจากในที่สุดก็แสดงเจตจำนงของผู้ซื้อ

เพื่อจัดการกับสถานการณ์ดังกล่าว มีหลายรุ่นที่สรุปจุดติดต่อหรือการโต้ตอบแบบหลายช่องทางที่มีอิทธิพลมากที่สุดสำหรับคุณในเส้นทางของลูกค้า

ประเภทของรูปแบบการระบุแหล่งที่มา

เราจะหารือเกี่ยวกับรุ่นต่างๆ ด้วยความช่วยเหลือของตัวอย่างด้านบน ซึ่งผู้ใช้ X ต้องใช้จุดสัมผัสหลายช่องทางในการซื้อให้เสร็จสมบูรณ์

ต่อไปนี้คือข้อมูลสรุปโดยย่อเกี่ยวกับประเภทของรูปแบบการระบุแหล่งที่มาก่อนที่เราจะลงรายละเอียด:

เพื่ออธิบายแนวคิดนี้ให้กระจ่าง เรากำลังเริ่มต้นด้วยรูปแบบที่ระบุว่าเครดิต Conversion ทั้งหมดมาจากจุดติดต่อเพียงจุดเดียว

รูปแบบการระบุแหล่งที่มาแบบสัมผัสครั้งเดียว

การระบุแหล่งที่มาแบบแตะครั้งเดียวยังคงเป็นวิธีที่พบได้บ่อยที่สุดในการระบุแหล่งที่มาของเครดิต Conversion มาจากการโฆษณาแบบตอบสนองโดยตรงและเรียบง่ายเกินไป การระบุแหล่งที่มาแบบแตะครั้งเดียวจะทำงานได้ดีหากผู้ใช้คลิกที่โฆษณาและชำระเงินให้เสร็จสิ้นทันที หรือหากผู้ใช้คลิกที่อีเมลและซื้อการสมัครรับข้อมูลทันที อาจเหมาะสำหรับการซื้อที่มีราคาต่ำและมีส่วนร่วมน้อย

รูปแบบการระบุแหล่งที่มาของการสัมผัสครั้งสุดท้าย

การระบุแหล่งที่มาของการสัมผัสครั้งสุดท้ายจะกำหนดเครดิตให้กับจุดติดต่อสุดท้ายที่ลูกค้าคลิกก่อนที่จะทำ Conversion

• รูปแบบการระบุแหล่งที่มาที่ใช้มากที่สุดโดยรวม และโดยทั่วไปจะเป็นรูปแบบเริ่มต้นที่ใช้สำหรับการวิเคราะห์การตลาด
• ไม่เหมาะสำหรับธุรกิจส่วนใหญ่ เนื่องจากคุณมักจะทำการตลาดด้วยช่องทาง แพลตฟอร์ม และแคมเปญที่หลากหลาย

ผู้ใช้ X สามารถผ่านจุดสัมผัสหกจุดดังในตัวอย่างด้านบนของเรา ก่อนที่พวกเขาจะได้รับความไว้วางใจในคุณค่าของบริษัทและพบว่าผลิตภัณฑ์มีความน่าเชื่อถือ อย่างไรก็ตาม ต่อการสัมผัสครั้งสุดท้าย อีเมลรหัสส่วนลดที่ได้รับในตอนท้ายจะได้รับเครดิตสำหรับการแปลง 100%

รูปแบบการระบุแหล่งที่มาเมื่อสัมผัสครั้งแรก

การระบุแหล่งที่มาของการสัมผัสครั้งแรกจะกำหนดเครดิตให้กับจุดติดต่อแรกที่ลูกค้าโต้ตอบด้วย

• ไม่ได้รับความนิยมเท่าการสัมผัสครั้งสุดท้ายเพราะจุดสัมผัสแรกอาจเป็นปัจจัยกระตุ้น แต่มักจะถอยกลับไปสู่กระบวนการตัดสินใจ
• สามารถทำงานได้เมื่อแคมเปญการรับรู้ถึงแบรนด์เป็นจุดสนใจ

User X ค้นพบบริษัทผ่านโฆษณาแบบดิสเพลย์ ดังนั้น ตามการสัมผัสครั้งแรก โฆษณาแบบดิสเพลย์จะได้รับเครดิต 100% สำหรับการซื้อครั้งสุดท้าย จุดติดต่อที่เหลือเป็นเพียงปัจจัยกลางที่เรียกว่า "ช่วยเหลือ" และรับเครดิต 0% ในรูปแบบนี้

คุณอาจนึกถึงปัญหาของโมเดลนี้ได้ทันที อาจเป็นเรื่องยากที่จะระบุว่าจุดสัมผัสใดเป็นช่วงเวลาแห่งการค้นพบครั้งแรกจริงๆ เมื่อคุณเป็นแบรนด์ของใช้ในครัวเรือน การค้นพบอาจเกิดขึ้นผ่านโฆษณาทางทีวีเมื่อหลายปีก่อน ยังมีปัญหาอื่นๆ อีกเช่นกัน และสิ่งสำคัญคือต้องตระหนักว่าการระบุแหล่งที่มาแบบแตะครั้งเดียวจะให้ข้อมูลที่มีข้อบกพร่องเสมอ ตราบใดที่คุณตระหนักถึงข้อบกพร่อง คุณอาจจะสบายดี

รูปแบบการระบุแหล่งที่มาแบบมัลติทัชตามกฎ

รูปแบบการระบุแหล่งที่มาแบบมัลติทัชที่อิงตามกฎจะใช้ชุดแนวทางที่กำหนดไว้ล่วงหน้าที่กำหนดไว้ล่วงหน้าสำหรับการให้เครดิตแก่จุดติดต่อ ด้วยแนวทางที่กำหนดไว้ล่วงหน้าเหล่านี้ นักการตลาดจึงไม่ต้องกำหนดมาตรฐานสำหรับแคมเปญการตลาดแต่ละรายการ เป็นเรื่องปกติที่จะสลับจากรุ่นหนึ่งไปอีกรุ่นหนึ่ง ขึ้นอยู่กับสิ่งที่เกี่ยวข้องมากที่สุดกับจุดสัมผัสที่เป็นไปได้

โมเดลที่อิงตามกฎจะนำไปใช้ได้ง่ายกว่าแบบจำลองที่ขับเคลื่อนด้วยข้อมูล เนื่องจากไม่จำเป็นต้องใช้วิทยาศาสตร์ข้อมูลในการวิเคราะห์การเดินทางของลูกค้าที่ซับซ้อนเสมอไป สิ่งเหล่านี้มักเป็นความสมดุลที่สมบูรณ์แบบของการนำไปใช้ที่ง่ายเพียงพอ ในขณะที่ยังคงความแม่นยำและความละเอียดเพียงพอ

เครดิตเท่ากับหรือเชิงเส้น

เครดิตที่เท่ากันหรือการระบุแหล่งที่มาเชิงเส้นจะกำหนดเครดิตจำนวนเท่ากันให้กับจุดติดต่อต่างๆ ตลอดเส้นทางของลูกค้า

• นำรูปแบบการระบุแหล่งที่มาแบบมัลติทัชไปใช้ได้ง่ายที่สุด
• เสนอมุมมองระดับมหภาคของกระบวนการแปลงทั้งหมด
• เหมาะสำหรับสตาร์ทอัพและบริษัทที่ยังใหม่ต่อการตลาดดิจิทัลและไม่มีข้อมูลในอดีตให้ใช้งานมากนัก
• มีน้ำหนักเกินจุดสัมผัสที่มีความสำคัญน้อยกว่า

โมเดลเชิงเส้นกระจายเครดิตที่เท่ากันไปยังจุดสัมผัสทั้ง 6 แห่งของ User X ได้แก่ โฆษณาแบบรูปภาพ โซเชียลมีเดีย อีเมลส่วนลด เว็บไซต์หลัก รีวิวของ Google และอีเมลส่วนลดอัตโนมัติพร้อมคำเชิญเข้าร่วมกิจกรรม

รูปตัวยู

การระบุแหล่งที่มารูปตัวยูกำหนดเครดิตจำนวนเท่ากัน—40%—ให้กับจุดติดต่อแรกและจุดติดต่อสุดท้าย ส่วนที่เหลืออีก 20% จะแบ่งเท่าๆ กันระหว่างจุดติดต่อที่เหลือ

• ไฮไลต์จุดสัมผัสด้านบนของช่องทางและจุดสัมผัสด้านล่างของช่องทาง
• ค้นพบแหล่งที่มาสำหรับการสร้างลีดใหม่ในขณะที่ยังเน้นการโต้ตอบกับลูกค้าที่ทำข้อตกลง
• ทำงานได้ดีสำหรับแคมเปญที่โปรโมตสินค้าที่มีราคาต่ำกว่า
• หลีกเลี่ยงหากคุณมีเวลาเดินทางของลูกค้าที่ยาวนานขึ้นพร้อมปัจจัยในการตัดสินใจที่สำคัญหลายประการ

ในตัวอย่างของ User X โมเดลรูปตัว U ให้เครดิต 40% แก่ทั้งโฆษณาแบบดิสเพลย์ (จุดสัมผัสสำหรับการค้นพบ) และอีเมลฉบับสุดท้าย (จุดติดต่อที่จูงใจให้เสร็จสิ้นการซื้อ) จุดติดต่อทั้งสี่ที่เหลือจะได้รับสัดส่วนที่เท่ากัน 20% ซึ่งแต่ละจุดคือ 5% และถือว่าไม่สำคัญ

รูปตัว W

การระบุแหล่งที่มารูปตัว W ให้เครดิต 30% แก่ช่องทางสัมผัสระดับบนสุด ช่องทางกลาง และช่องทางล่าง จุดติดต่อที่เหลือจะได้รับเครดิต 10% ที่เท่ากัน

• เหมาะสำหรับแคมเปญที่ซับซ้อนและการเดินทางของลูกค้าที่ยาวนานขึ้น ซึ่งการสร้างความสัมพันธ์ก่อนการแปลงเป็นกุญแจสำคัญ
• จุดติดต่อแรก ตรงกลาง และจุดสุดท้ายเหมาะสำหรับข้อมูลเกี่ยวกับการรับรู้ถึงแบรนด์ การสร้างความสนใจในตัวสินค้า และจุด Conversion ตามลำดับ
• จำกัดการมองเห็นการมีส่วนร่วมของลูกค้าสำหรับจุดสัมผัสที่เหลือ

ในตัวอย่างของเรา โมเดลรูปตัว W ให้เครดิต 30% แก่โฆษณาแบบดิสเพลย์ที่ผู้ใช้ X เห็นในตอนแรก อีเมลส่วนลดที่พวกเขาได้รับมาครึ่งทาง และอีเมลฉบับสุดท้ายที่เตือนให้ซื้อตอนนี้ สามจุดติดต่อที่เหลือของพวกเขาได้รับ 3.33% ต่อจุดแต่ละจุด

เวลาเสื่อมลง

การสลายตัวของเวลาจะให้เครดิตกับจุดสัมผัสทั้งหมด โดยจุดสุดท้ายจะได้รับสัดส่วนสูงสุด เครดิตจะลดลงสำหรับจุดติดต่อที่ลูกค้าโต้ตอบย้อนเวลากลับไป

• จุดติดต่อแรกมีเครดิตน้อยที่สุด ดังนั้นการค้นพบและการรับรู้ถึงแบรนด์จึงไม่มีคุณค่าสูง
• จุดสัมผัสเติบโตขึ้นอย่างทวีคูณเป็นวิธีการสร้างมูลค่าการโต้ตอบที่ส่งเสริมการมีส่วนร่วมและให้คุณค่าต่อการโต้ตอบของ Conversion มากยิ่งขึ้น
• เหมาะสำหรับแคมเปญและโฟลว์ที่ใช้งานในช่วงเวลาจำกัดเท่านั้น
• แสดงการมีส่วนร่วมเพียงเล็กน้อยถึงเล็กน้อยของความพยายามทางการตลาดระดับบนสุดของช่องทางสำหรับแคมเปญหรือผลิตภัณฑ์ที่มีการเดินทางไกล
• จากการสลายตัวแบบเอ็กซ์โปเนนเชียล จะใช้สูตรครึ่งชีวิต

เส้นทางสู่ Conversion ของผู้ใช้ X เป็นโอกาสที่ดีในการสาธิตสูตรครึ่งชีวิต ด้วยจุดติดต่อหกจุดในสิบวัน จุดติดต่อสุดท้ายจึงได้รับเครดิตมากกว่าจุดแรกเกือบสามเท่า เวลาเป็นปัจจัยสำคัญมากกว่าจำนวนจุดสัมผัสและลำดับของจุดสัมผัส

ตำแหน่งที่กำหนดเอง

ตำแหน่งที่กำหนดเอง หรือที่เรียกว่ารูปแบบการระบุแหล่งที่มาที่ผู้ใช้กำหนด จะกำหนดเครดิตที่กำหนดเองให้กับจุดติดต่อตามตำแหน่งในช่องทางการตลาด

• เพิ่มประสิทธิภาพจุดติดต่อที่รับผิดชอบในการสร้างความสนใจในตัวสินค้า การรับรู้ถึงแบรนด์ และการแปลงขั้นสุดท้ายตามลักษณะเฉพาะของแคมเปญของคุณ
• อาจคล้ายกับรุ่นปรับแต่งของรุ่นรูปตัว W หรือรุ่นทั่วไปอื่นๆ ที่คุณปรับแต่งเองได้
• อาจซับซ้อนและตีความได้ยาก

สมมติว่าคุณเริ่มด้วยโมเดลรูปตัว W แต่ต้องการเน้นที่จุดสัมผัสที่สำคัญที่สุดเพียงสามจุด และใช้วิธีการสลายตัวของเวลา คุณตั้งค่าจุดติดต่อแรกเป็น 15% จุดติดต่อตรงกลางเป็น 35% และจุดติดต่อสุดท้ายเป็น 50% ซึ่งเท่ากับเครดิต 100%

สำหรับผู้ใช้ X นี่หมายความว่าโฆษณาแบบดิสเพลย์จะได้รับ 15% อีเมลส่วนลด 35% และเครดิต 50% ของอีเมลอัตโนมัติในขั้นสุดท้าย จุดติดต่อที่เหลือจะได้รับ 0% และถือเป็นการช่วยเหลือสำหรับจุดติดต่อที่เครดิต

ในอีกตัวอย่างหนึ่ง คุณปรับแต่งรูปแบบการระบุแหล่งที่มาเชิงเส้น ที่นี่ คุณให้เครดิตที่แตกต่างกันแก่จุดติดต่อทั้งหมดตามความเข้าใจของคุณในผลกระทบ ดังนั้น การกระจายเครดิตจะมีลักษณะดังนี้: 5% สำหรับโฆษณาแบบดิสเพลย์, 15% สำหรับโซเชียลมีเดีย, 20% สำหรับอีเมลส่วนลด, 10% สำหรับเว็บไซต์ของบริษัท, 20% สำหรับรีวิวของ Google และ 30% สำหรับอีเมลฉบับสุดท้าย

โมเดลตำแหน่งที่กำหนดเองใช้ข้อกำหนดของคุณเองแทนแบบจำลองมาตรฐาน แต่แตกต่างจากโมเดลอัลกอริธึม ยังคงเป็นโมเดลตามกฎที่คุณตั้งกฎตายตัวไว้ล่วงหน้า

รูปแบบการระบุแหล่งที่มาแบบมัลติทัชแบบอัลกอริธึมหรือตามข้อมูล

โมเดลอัลกอริทึมใช้แมชชีนเลิร์นนิงและการวิเคราะห์เชิงคาดการณ์เพื่อระบุจุดติดต่อที่มีอิทธิพลมากที่สุดซึ่งนำไปสู่ ​​Conversion ของลูกค้า

พวกเขาไม่ปฏิบัติตามชุดกฎที่กำหนดไว้ล่วงหน้าใดๆ ซึ่งหมายความว่าผลลัพธ์จะขึ้นอยู่กับข้อมูลการเดินทางของลูกค้าที่กำลังจะมีขึ้นเท่านั้น ทำให้เกิดการลงทุนที่สูงขึ้นในแง่ของเวลา เงิน และการรวบรวมข้อมูล ดังนั้น หากบริษัทของคุณถูกจำกัดความสามารถด้านวิทยาศาสตร์ข้อมูลและยังคงหาวิธีรวบรวม จัดระเบียบ และวิเคราะห์ข้อมูล คุณก็ควรใช้โมเดลที่อิงตามกฎเกณฑ์จะดีกว่า

โมเดลอัลกอริทึมยังส่งผลเสียต่อ ROI ทางการตลาดเนื่องจากมีการลงทุนเริ่มต้นที่สูง คุณจะต้องมีงบประมาณที่สูงพอที่จะรองรับต้นทุนโดยที่คุณไม่ต้องเสียเงิน

อย่างไรก็ตาม โมเดลเหล่านี้พบเห็นได้ทั่วไปในแต่ละแพลตฟอร์ม และหากคุณสามารถดึงรูปแบบการระบุแหล่งที่มาจากข้อมูลสำหรับเส้นทางสู่ Conversion ทั้งหมดได้ ก็จะให้ผลลัพธ์ที่แม่นยำและเป็นกลางที่สุดแก่คุณ คุณจะสามารถปรับขนาดและเพิ่มประสิทธิภาพ ROI และ ROAS ได้ง่ายขึ้น โดยเฉพาะในระยะยาว

โซ่มาร์คอฟ

โมเดล Markov chains เป็นรูปแบบการระบุแหล่งที่มาแบบอัลกอริทึมที่ได้รับความนิยมมากที่สุด ให้เครดิตโดยการประเมินความสัมพันธ์ระหว่างจุดติดต่อต่างๆ พูดง่ายๆ ก็คือ โมเดลจะพิจารณาว่าจะเกิดอะไรขึ้นกับ Conversion หากคุณลบจุดติดต่อหนึ่งจุด

• ใช้เมทริกซ์การเปลี่ยนแปลง หรือที่เรียกว่าเมทริกซ์ความน่าจะเป็นหรือเมทริกซ์สุ่ม
• แสดงภาพจุดสัมผัสโดยใช้เครือข่ายโดยตรง ซึ่งหมายความว่าจุดสัมผัส (โหนด) ทั้งหมดเป็นสถานะที่เป็นไปได้ที่ลูกค้าสามารถเข้ามาได้ การเปลี่ยนจากสถานะหนึ่งไปยังอีกสถานะหนึ่งมีความน่าจะเป็นที่เกี่ยวข้อง แต่ละสถานะเชื่อมต่อถึงกันเพื่อคำนวณโดยใช้การเรียนรู้ของเครื่อง จำนวนของเส้นทางการแปลงที่เป็นไปได้
• วิเคราะห์ Conversion โดยใช้ความสัมพันธ์ ดังนั้นจึงตรวจไม่พบสแปมคลิกและการจี้แปลง Conversion เช่น การเสนอราคาแบรนด์ ความสัมพันธ์บ่งบอกถึงความสัมพันธ์ แต่ไม่ใช่ความสัมพันธ์เชิงสาเหตุ

ตัวอย่าง: สมมติว่าผู้อื่นแชร์เส้นทางของ User X และให้ผลลัพธ์ 640 Conversion จากนั้น ตามรูปแบบเครือของ Markov แต่ละจุดติดต่อสามารถให้เครดิตกับยอดรวมของ Conversion เช่นในตารางนี้:

อย่างที่คุณเห็น จุดสัมผัสแต่ละจุดให้เครดิตอย่างเป็นธรรม ซึ่งบ่งชี้ว่าการโต้ตอบแต่ละรายการสามารถมีอิทธิพลมากพอที่จะนำไปสู่ ​​Conversion ขั้นสุดท้าย ซึ่งไม่ได้เป็นเช่นนั้นเสมอไป และจุดสัมผัสบางจุดไม่มีผลเมื่อทำงานแบบสแตนด์อโลน แต่ให้แนวคิดเกี่ยวกับผลลัพธ์ของโมเดล สำหรับการดำน้ำลึก โปรดอ่านคู่มือนี้เกี่ยวกับโมเดล MTA ของ Markov, Shapley และ Bayesian

ประโยชน์ของการระบุแหล่งที่มาแบบมัลติทัช

ตลาดการระบุแหล่งที่มาแบบมัลติทัชคาดว่าจะลงทะเบียน CAGR ประมาณ 15% ในช่วงระยะเวลาคาดการณ์ (2021–2026) เหตุผลอยู่ในผลประโยชน์ดังต่อไปนี้:

• การใช้จ่ายทางการตลาดที่เหมาะสมและการจัดสรรงบประมาณ การระบุแหล่งที่มาของการติดต่อทำให้คุณลงทุนโดยพิจารณาจากประสิทธิภาพของแต่ละช่องทาง ดังนั้นคุณจึงใช้เงินการตลาดไปกับแคมเปญและช่องทางที่สำคัญเท่านั้น
• เพิ่ม ROI และ ROAS ด้วยงบประมาณเท่าเดิม การให้เครดิตแต่ละช่องโดยพิจารณาจากการมีส่วนร่วมในการแปลงครั้งสุดท้ายจะช่วยให้คุณพบช่องทางที่มีประสิทธิภาพมากที่สุด แทนที่จะลงทุนในทรัพยากรต่างๆ คุณสามารถลงทุนอย่างชาญฉลาดในบางส่วนที่ให้ ROAS สูงสุด สิ่งนี้ช่วยปรับปรุง ROI โดยรวมโดยไม่กระทบต่องบประมาณการตลาดโดยรวมของคุณ
• วิธีการแบบละเอียด การระบุแหล่งที่มาแบบมัลติทัชเป็นไปตามแนวทางแบบเจาะลึกจากล่างขึ้นบน ซึ่งหมายความว่าจุดติดต่อหลายช่องทางทั้งหมดที่เกี่ยวข้องกับการเดินทางของลูกค้าจะได้รับรางวัลตามปัจจัยหลายประการ เช่น ตำแหน่งในกระบวนการแปลง เวลาที่ลูกค้าเยี่ยมชมครั้งสุดท้าย จุดติดต่อที่มาก่อนและหลังพวกเขา อุปกรณ์หรือ สื่อที่ใช้ในการเข้าถึง เป็นต้น
• โฟลว์และช่องทางส่วนบุคคล การตลาด MTA ระบุความต้องการและความชอบส่วนบุคคลของลูกค้าของคุณ ด้วยเหตุนี้ คุณจึงทำให้การกำหนดเป้าหมายและการส่งข้อความมีความเกี่ยวข้องกับตำแหน่งที่ลูกค้าอยู่ในเส้นทางมากขึ้น
• ปรับปรุง การพัฒนาผลิตภัณฑ์ ข้อมูลเกี่ยวกับความชอบส่วนบุคคลของลูกค้าของคุณทำให้คุณสามารถรวบรวมข้อมูลที่คุณต้องการเพื่อพัฒนาผลิตภัณฑ์ที่มีการปรับแต่งสูง
• การตัดสินใจที่ขับเคลื่อนด้วยข้อมูล เป็นเรื่องง่ายที่จะคิดว่าแคมเปญที่คุณกำลังดำเนินการอยู่มีผลกระทบมาก หรือจุดติดต่อที่ส่งผลกระทบมากที่สุดในปีที่แล้วยังคงส่งผลกระทบมากที่สุดในปัจจุบัน MTA ช่วยลดอคติและค้นหาสิ่งที่ใช้งานได้จริงโดยอิงจากข้อมูลจริง

เครื่องมือระบุแหล่งที่มาแบบมัลติทัช

Amplitude Analytics นำเสนอความสามารถในการวิเคราะห์การตลาดที่หลากหลาย รวมถึงการรายงานการระบุแหล่งที่มาที่พร้อมใช้งานทันที เมื่อใช้ Amplitude คุณสามารถกระจายเครดิตในโปรแกรมการตลาดของคุณได้อย่างง่ายดายโดยใช้รูปแบบการระบุแหล่งที่มายอดนิยมหลายแบบ (สัมผัสแรก สัมผัสสุดท้าย รูปตัวยู เชิงเส้น ฯลฯ) หรือแม้แต่สร้างแบบจำลองแบบกำหนดน้ำหนักเอง

เครื่องมือระบุแหล่งที่มาแบบมัลติทัชอื่นๆ ได้แก่:

• ปรับ
• AppsFlyer
• สาขา
• แอร์บริดจ์
• เอกพจน์

เรียนรู้เพิ่มเติมเกี่ยวกับเครื่องมือเหล่านี้และเครื่องมือระบุแหล่งที่มาแบบมัลติทัชอื่นๆ ในเว็บไซต์บทวิจารณ์ เช่น G2

เครื่องมือเพื่อเสริมแพลตฟอร์มการระบุแหล่งที่มาของคุณ

ต่อไปนี้คือเครื่องมือวิเคราะห์การตลาดบางส่วนที่คุณควรพิจารณาเพิ่มลงในสแต็ก MarTech ควบคู่ไปกับแพลตฟอร์มการระบุแหล่งที่มา:

• แอมพลิจูดสำหรับเครื่องมือวิเคราะห์ การรายงาน และการเชื่อมต่อดิจิทัลกับข้อมูลลูกค้า (CDP)
• CallRail สำหรับการติดตามข้อมูลออฟไลน์และการนำเข้าข้อมูลในอดีต
• เกล็ดหิมะสำหรับคลังข้อมูล ต้องมีสำหรับการสร้างแบบจำลองที่กำหนดเอง

ความท้าทายทั่วไปในการใช้การระบุแหล่งที่มาแบบมัลติทัช

• การใช้การระบุแหล่งที่มาเพื่อ “พิสูจน์” ว่าช่องโปรดของคุณมีผลกระทบมากที่สุด แทนที่จะนำไปใช้เพื่อทดสอบและค้นหาว่าช่องใดสร้างผลกระทบได้อย่างแท้จริง
• ขาดการเชื่อมต่อระหว่างช่องทางต่างๆ เช่น ออฟไลน์กับออนไลน์ หรือการตลาดกับผลิตภัณฑ์
• ความยากลำบากในการเข้าร่วมและทำให้ข้อมูลเป็นมาตรฐานผ่านการผสานรวมหลาย ๆ เมื่อแพลตฟอร์มข้อมูลลูกค้าของคุณไม่สามารถทำงานได้อย่างรวดเร็ว
• ข้อกังวลด้านข้อมูลและความเป็นส่วนตัวที่นำไปสู่การติดตามการวิเคราะห์การเดินทางของลูกค้าที่ไม่น่าเชื่อถือในบริบทของการเปลี่ยนแปลงระดับโลกในการติดตามบุคคลที่สาม

ทางเลือกในการระบุแหล่งที่มาแบบมัลติทัช

เทคนิคการสร้างแบบจำลองสองแบบต่อไปนี้เริ่มต้นก่อนที่การระบุแหล่งที่มาจะเชื่อถือได้มากขึ้น ทุกวันนี้ ทั้งสองยังคงเป็นทางเลือกที่คุ้มค่าแก่การกล่าวถึง สามารถใช้แบบสแตนด์อโลนเช่นเดียวกับ MTA เพื่อครอบคลุม "อะไร" "ทำไม" "ที่ไหน" "เมื่อไหร่" และ "อย่างไร" ของการเดินทางของลูกค้า

การสร้างแบบจำลองส่วนประสมทางการตลาด

แบบจำลองส่วนประสมทางการตลาดใช้การถดถอยหลายตัวแปรเพื่อวิเคราะห์ผลกระทบของกลยุทธ์ทางการตลาดที่แตกต่างกัน การวิเคราะห์ทางสถิติช่วยคาดการณ์ผลกระทบในอนาคตของการโฆษณาและวิธีปรับกลยุทธ์ให้เหมาะสมเพื่อสร้างรายได้จากการขายที่สูงขึ้น แม้ว่า MTA จะช่วยให้คุณวิเคราะห์สิ่งที่เกิดขึ้นแล้วได้ดีขึ้น แต่การสร้างแบบจำลองส่วนประสมทางการตลาดก็มุ่งเน้นไปที่อนาคต

การทำแผนที่การเดินทางของลูกค้า

การทำแผนที่การเดินทางของลูกค้าแสดงให้เห็นว่าลูกค้าโต้ตอบกับแบรนด์ของคุณอย่างไร คุณสามารถใช้ความสัมพันธ์แบบเห็นภาพนี้เพื่อเพิ่มประสิทธิภาพจุดสัมผัสที่ขับเคลื่อน Conversion และแนะนำขั้นตอนการตลาดใหม่ๆ เพื่อแปลงลีดให้เป็นลูกค้า

เริ่มต้นใช้งานการระบุแหล่งที่มาแบบมัลติทัช

การระบุแหล่งที่มาแบบมัลติทัชช่วยเพิ่ม ROI โดยการค้นหาว่าจุดติดต่อใดมีส่วนทำให้เกิด Conversion ด้วย MTA คุณสามารถเพิ่มประสิทธิภาพ เติบโต และปรับแต่งส่วนต่างๆ ของแคมเปญการตลาดของคุณที่สร้างความแตกต่างอย่างแท้จริง ในขณะที่ลดค่าใช้จ่ายทางการตลาดที่ไม่จำเป็น

เรียนรู้เพิ่มเติมเกี่ยวกับความสามารถในการวิเคราะห์การตลาดของ Amplitude รวมถึงการระบุแหล่งที่มาแบบมัลติทัช หรือเริ่มต้นใช้งานแผนฟรีวันนี้

อ้างอิง

• การเติบโตและการสลายตัวแบบทวีคูณ (สำหรับแบบจำลองการระบุแหล่งที่มาแบบเสื่อมตามเวลา) Lumen Learning
• ความสัมพันธ์และสาเหตุ: ทำความเข้าใจความแตกต่างสำหรับความกว้างของผลิตภัณฑ์ของคุณ
• การระบุแหล่งที่มาทางการตลาด – อธิบายแบบจำลอง ROAS แบบ Multi-Touch, ตรวจสอบเครื่องมือแล้ว, ตอบข้อขัดแย้ง McGaw
• Multi-Touch Attribution Market – การเติบโต แนวโน้ม ผลกระทบของ COVID-19 และการคาดการณ์ (2022 – 2027) การวิจัยและการตลาด
• เครื่องมือวิเคราะห์การตลาด: มันคืออะไรและเพราะเหตุใดจึงมีความสำคัญ อย่างมาก