Çoklu Dokunmatik İlişkilendirme Nedir? İhtiyacınız Olan Modeller ve Araçlar

Çoklu dokunma özelliği nedir?

Çoklu dokunuşla ilişkilendirme (MTA), müşterinin yolculuğundaki bir veya daha fazla temas noktasına bir dönüşüm için kredi atama yöntemidir . Çoklu dokunma ilişkilendirme araçları, müşterinin istenen eylemi gerçekleştirmesine hangi temas noktalarının, kanalların veya kampanyaların katkıda bulunduğunu sistematik hale getirmek için modeller kullanır. Bu, YG'yi dönüşümden önceki en son temas noktasına atfetmekten kaçınmaya yardımcı olur.

MTA'nın pratikte nasıl çalıştığına dair şu örneği hayal edin:

• 1. Gün: X kullanıcısı, bir ürün için bir görüntülü reklamı tıklar. Siteye göz atıyorlar ama hiçbir şey sipariş etmiyorlar.
• 2. Gün: Şirketin blog makalesini sosyal medya beslemelerinde bulurlar ve e-posta listesine abone olmaya karar verirler.
• 5. Gün: İlk kez alıcı indirim kodu için bir e-posta alırlar. Ürünlere göz atmak için siteyi ziyaret ederler.
• 7. Gün: Son satın alma işleminden önce, sitenin incelemelerini onaylamak için bir Google araması yaparlar. Bilinmeyen nedenlerle ertelemelerine rağmen, şimdi satın alma kararlarından eminler.
• 10. Gün: Otomatik akıştan, satın alma işlemini tamamlamak için indirim ve bir etkinliğe davetiye içeren bir e-posta alırlar. Sonunda satın alma işlemini tamamlarlar.

Kullanıcı, her biri nihai satın alma işlemine katkıda bulunan birkaç temas noktasından geçtiğinden, çoklu dokunma ilişkilendirmesi burada büyük bir fark yaratabilir.

Kullanıcı ürün hakkında bu şekilde bilgi sahibi olduğundan, bazı modellerde görüntülü reklam daha fazla takdiri hak eder. Diğerleri için, sosyal medya en önemli faktör olabilir, çünkü kullanıcı bu şekilde ürünün şirketine güvenir. Geri kalanı için, incelemeler veya indirim e-postası, sonunda alıcı niyetini gösterdiği için istenen dönüşümü etkiledi.

Bu tür senaryoları ele almak için, müşterinin yolculuğunda sizin için en etkili çok kanallı temas noktasını veya etkileşimi çıkaran birkaç model mevcuttur.

İlişkilendirme modeli türleri

X Kullanıcısının bir satın alma işlemini tamamlaması için çok kanallı temas noktalarının gerekli olduğu yukarıdaki örneğin yardımıyla farklı modelleri tartışacağız.

Ayrıntılara girmeden önce, ilişkilendirme modeli türlerinin kısa bir özetini burada bulabilirsiniz:

Konsepti netleştirmek için, tüm dönüşüm kredilerini tek bir temas noktasına bağlayan modellerle başlıyoruz.

Tek dokunuşla ilişkilendirme modelleri

Tek dokunuşla ilişkilendirme, hala dönüşüm kredisini ilişkilendirmenin en yaygın yoludur. Doğrudan yanıt reklamcılığından kaynaklanır ve aşırı basitleştirilmiştir. Tek dokunuşla ilişkilendirme, kullanıcı bir reklamı tıklayıp ödemeyi anında tamamlarsa veya kullanıcı bir e-postayı tıklayıp hemen o anda bir abonelik satın alırsa iyi çalışır. Düşük bilet ve düşük katılımlı alımlar için uygun olabilir.

Son dokunuş ilişkilendirme modeli

Son dokunuş ilişkilendirmesi, müşterinin dönüştürmeden önce tıkladığı son temas noktasına kredi atar.

• Genel olarak en çok kullanılan ilişkilendirme modeli ve genellikle pazarlama analitiği için kullanılan varsayılan model.
• Çoğu işletme için uygun değildir çünkü neredeyse her zaman birden çok kanal, platform ve kampanya ile pazarlama yaparsınız.

X kullanıcısı, şirketin değerine güven duymadan ve ürünü güvenilir bulmadan önce, yukarıdaki örneğimizde olduğu gibi altı temas noktasından geçebilir. Ancak, her son dokunuşta, aldıkları indirim kodu e-postası, dönüşüm kredisinin %100'ünü alır.

İlk temas ilişkilendirme modeli

İlk temas ilişkilendirmesi, müşterinin etkileşimde bulunduğu ilk temas noktasına kredi atar.

• Son dokunuş kadar popüler değil çünkü ilk temas noktası tetikleyici bir faktör olabilir, ancak genellikle karar verme sürecinde geri kalır.
• Odak noktası bir marka bilinirliği kampanyası olduğunda işe yarayabilir.

X kullanıcısı, şirketi bir görüntülü reklam aracılığıyla keşfetti. Bu nedenle, ilk dokunuşa göre, görüntülü reklam son satın alma kredisinin %100'ünü alır. Geri kalan temas noktaları, "yardım" olarak adlandırılan yalnızca aracı faktörlerdir ve bu modelde %0 kredi alır.

Muhtemelen bu modelle ilgili sorunları hemen düşünebilirsiniz. Hangi temas noktasının gerçekten ilk keşif anı olduğunu belirlemek zor olabilir. Bir ev markası olduğunuzda, keşif yıllar önce bir TV reklamı aracılığıyla gerçekleşmiş olabilir. Başka sorunlar da vardır ve tek dokunuşla ilişkilendirmenin her zaman hatalı veriler verdiğini bilmek önemlidir. Kusurların farkında olduğun sürece, iyi olabilirsin.

Kurallara dayalı çoklu dokunma ilişkilendirme modelleri

Kurallara dayalı çoklu dokunma ilişkilendirme modelleri, temas noktalarına kredi atamak için önceden tanımlanmış sabit bir dizi yönerge kullanır. Bu önceden tanımlanmış yönergelerle, pazarlamacılar her bir pazarlama kampanyası için standartlar belirlemek zorunda kalmazlar. Olası temas noktalarıyla en iyi ilgili olana bağlı olarak, bir modelden diğerine geçmek yaygındır.

Karmaşık müşteri yolculuklarını analiz etmek için her zaman veri bilimine ihtiyaç duymadıklarından, kural tabanlı modellerin uygulanması veriye dayalı modellere göre daha kolaydır. Yeterli doğruluk ve ayrıntı düzeyini korurken, genellikle yeterince kolay uygulamanın mükemmel dengesidir.

Eşit kredi veya Doğrusal

Eşit kredi veya doğrusal ilişkilendirme, müşterinin yolculuğu boyunca farklı temas noktalarına aynı miktarda kredi atar.

• Uygulaması en kolay çoklu dokunma ilişkilendirme modeli.
• Tüm dönüşüm sürecinin makro düzeyinde bir görünümünü sunar.
• Dijital pazarlamada yeni olan ve üzerinde çalışacak çok fazla geçmiş verisi olmayan yeni başlayanlar ve şirketler için uygundur.
• Daha az önemli temas noktalarına ağır basar.

Doğrusal model, X Kullanıcısının temas noktalarının altısına eşit kredi dağıtır: görüntülü reklam, sosyal medya, indirim e-postası, ana site, Google incelemeleri ve etkinlik davetiyesi içeren otomatik indirim e-postası.

U-şekilli

U-şekilli ilişkilendirme, ilk ve son temas noktasına aynı miktarda (%40) kredi atar. Kalan %20, kalan temas noktaları arasında eşit olarak bölünür.

• Dönüşüm hunisinin üstü ve alt kısmı temas noktalarını vurgular.
• Anlaşma yapan müşteri etkileşimini vurgularken, yeni müşteri adayları oluşturmak için kaynakları keşfeder.
• Düşük biletli ürünleri tanıtan kampanyalarda işe yarar.
• Bir dizi önemli karar verme faktörüyle daha uzun bir müşteri yolculuğunuz varsa kaçının.

X Kullanıcısının örneğinde, U şeklindeki model hem görüntülü reklama (keşif temas noktası) hem de son e-postaya (satın almayı tamamlamayı teşvik eden temas noktası) %40 kredi atar. Dört temas noktasının geri kalanı, her biri %5 olan %20'lik eşit bir oran alır ve önemli olarak kabul edilmez.

W-şekilli

W-şekilli ilişkilendirme, dönüşüm hunisinin üst, orta ve alt huni temas noktalarına %30 kredi atar. Kalan temas noktaları, %10 kredilik eşit bir dağıtım alır.

• Dönüşümden önce ilişki kurmanın önemli olduğu karmaşık kampanyalar ve daha uzun müşteri yolculukları için uygundur.
• İlk, orta ve son temas noktaları sırasıyla marka bilinirliği, olası satış yaratma ve dönüşüm noktaları hakkında bilgi için harikadır.
• Geri kalan temas noktaları için müşteri etkileşimi görünürlüğünü sınırlar.

Örneğimizde, W şeklindeki model, Kullanıcı X'in başlangıçta gördüğü görüntülü reklama, yarısında aldıkları indirim e-postasına ve şimdi satın almalarını hatırlatan son e-postaya %30 kredi atar. Kalan üç temas noktasının her biri %3.33 alır.

Zaman bozulması

Zaman azalması, sonuncusu maksimum oranı alacak şekilde tüm temas noktalarına kredi atar. Müşterinin daha eski zamanlarda etkileşime girdiği temas noktaları için kredi azalır.

• İlk temas noktası en az itibar görendir, bu nedenle keşif ve marka bilinirliğine fazla değer verilmez.
• Etkileşimi teşvik eden etkileşimlere değer vermenin ve dönüşüm etkileşimlerine daha fazla değer vermenin bir yolu olarak, temas noktalarının kredisi katlanarak artıyor.
• Yalnızca sınırlı bir süre için etkin olan kampanyalar ve akışlar için uygundur.
• Daha uzun yolculuklara sahip kampanyalar veya ürünler için huni üstü pazarlama çabalarının çok az ila ihmal edilebilir katkısını gösterir.
• Üstel bozunmaya dayalı olarak, yarı ömür formülünü kullanır.

X kullanıcısının dönüştürme yolu, yarı ömür formülünü göstermek için iyi bir fırsattır. On gün içinde altı temas noktasıyla, son temas noktası birincisine göre neredeyse üç kat daha fazla kredi alır. Zaman, temas noktalarının sayısından ve sıralarından daha önemli bir faktördür.

Özel konum

Kullanıcı tanımlı ilişkilendirme modeli olarak da bilinen özel konum, pazarlama hunisindeki konumlarına göre temas noktalarına özelleştirilmiş kredi atar.

• Belirli kampanya özelliklerine göre olası satış yaratma, marka bilinirliği ve nihai dönüşümden sorumlu temas noktalarını optimize eder.
• W şeklindeki modelin özelleştirilmiş bir versiyonuna veya kendiniz için özelleştirdiğiniz diğer yaygın modellere benzer olabilir.
• Karmaşık ve yorumlanması zor olabilir.

Diyelim ki W şeklindeki modelle başladınız, ancak yalnızca en önemli üç temas noktasına odaklanmak ve bir zaman azaltma yaklaşımı uygulamak istiyorsunuz. İlk temas noktasını %15'e, orta temas noktasını %35'e ve son temas noktasını %50'ye ayarlarsınız, bu da %100 krediye eşittir.

X Kullanıcısı için bu, görüntülü reklamın %15, indirim e-postasının %35 ve son otomatik e-postanın %50 kredi alacağı anlamına gelir. Geri kalan temas noktaları %0 alır ve kredilendirilen temas noktaları için yardımcı olarak kabul edilir.

Başka bir örnekte, doğrusal ilişkilendirme modelini özelleştiriyorsunuz. Burada, etkilerine ilişkin anlayışınıza göre tüm temas noktalarına değişen krediler atarsınız. Kredi dağılımı şu şekilde olacaktır: %5 görüntülü reklama, %15 sosyal medyaya, %20 indirim e-postasına, %10 şirket web sitesine, %20 Google incelemelerine ve %30 son e-postaya.

Özel konum modeli, standart bir model yerine kendi belirtimlerinizi uygular. Ancak algoritmik modellerin aksine, sabit kuralları önceden belirlediğiniz kurallara dayalı bir modeldir.

Algoritmik veya veriye dayalı çoklu dokunma ilişkilendirme modelleri

Algoritmik modeller, müşteri dönüşümüne yol açan en etkili temas noktalarını belirlemek için makine öğrenimi ve tahmine dayalı analiz kullanır.

Önceden tanımlanmış herhangi bir kural grubuna uymazlar; bu, sonuçların yalnızca yaklaşan müşteri yolculuğu verilerine dayandığı anlamına gelir. Bu, zaman, para ve veri toplama açısından daha yüksek yatırım gerektirir. Dolayısıyla, şirketiniz veri bilimi yetenekleri açısından kısıtlıysa ve hâlâ veri toplamanın, düzenlemenin ve analiz etmenin yollarını buluyorsa, kurallara dayalı modellerle daha iyi durumdasınız demektir.

Algoritmik modeller, yüksek ilk yatırımları nedeniyle pazarlama yatırım getirisini de olumsuz etkiler. Sizi geri bırakmadan maliyeti karşılayacak kadar yüksek bir bütçeye ihtiyacınız olacak.

Ancak, bu modeller bireysel platformlarda yaygındır. Ayrıca, dönüşüme giden yolun tamamı için veriye dayalı bir ilişkilendirme modeli oluşturabiliyorsanız, size en doğru ve tarafsız sonuçları sunar. Özellikle uzun vadede, ROI ve ROAS'ı daha kolay ölçekleyip optimize edebileceksiniz.

Markov zincirleri

Markov zincirleri modeli en popüler algoritmik ilişkilendirme modelidir. Farklı temas noktaları arasındaki ilişkileri değerlendirerek kredi atar. Basitçe söylemek gerekirse, model, bir temas noktasını kaldırırsanız dönüşüme ne olacağına bakar.

• Olasılık matrisi veya stokastik matris olarak da adlandırılan geçiş matrisini kullanır.
• Yönlendirilmiş bir ağ kullanarak temas noktalarını görselleştirir. Bu, tüm temas noktalarının (düğümlerin) bir müşterinin içinde olabileceği potansiyel durumlar olduğu anlamına gelir. Bir durumdan diğerine geçişin ilişkili bir olasılığı vardır. Her durum, makine öğrenimini kullanarak olası dönüşüm yollarının sayısını bulmak için birbiriyle bağlantılıdır.
• Dönüşümleri korelasyonları kullanarak analiz eder, böylece marka teklifi gibi tıklama spam'lerini ve dönüşüm kaçırmayı tespit edemez. Korelasyonlar ilişkileri gösterir, ancak nedensel olanları değil.

Örnek: Diyelim ki Kullanıcı X'in yolu başkaları tarafından paylaşıldı ve 640 dönüşüm sağladı. Ardından, Markov zincirleri modeline göre, her temas noktası aşağıdaki tabloda gösterildiği gibi dönüşüm toplamlarıyla ilişkilendirilebilir:

Gördüğünüz gibi, her temas noktası oldukça itibarlı. Bu, bu etkileşimlerin her birinin nihai dönüşüme yol açacak kadar etkili olabileceğini gösterir. Bu her zaman böyle değildir ve bazı temas noktalarının bağımsız olduklarında hiçbir etkisi yoktur, ancak modelin çıktısı hakkında bir fikir verir. Daha derin bir dalış için Markov, Shapley ve Bayesian MTA modelleriyle ilgili bu kılavuzu okumaktan çekinmeyin.

Çoklu dokunuşla ilişkilendirmenin faydaları

Çoklu dokunmatik ilişkilendirme piyasasının tahmin döneminde (2021–2026) yaklaşık %15'lik bir CAGR kaydetmesi bekleniyor. Sebepler aşağıdaki faydalarda yatmaktadır:

• Optimize edilmiş pazarlama harcaması ve bütçe tahsisi . Temas noktalarını ilişkilendirmek, her kanalın etkinliğine dayalı olarak yatırım yapmanızı sağlar, böylece pazarlama bütçenizi yalnızca önemli olan kampanyalara ve kanallara harcarsınız.
• Aynı bütçeyle artan ROI ve ROAS. Her kanala nihai dönüşüme katkısına göre kredi vermek, en etkili kanalı bulmanıza yardımcı olur. Farklı kaynaklara yatırım yapmak yerine, maksimum ROAS sunan birkaçına akıllıca yatırım yapabilirsiniz. Bu, genel pazarlama bütçenizi etkilemeden genel yatırım getirisini artırır.
• Granüler yaklaşım. Çoklu dokunuşla ilişkilendirme, derinlemesine, aşağıdan yukarıya bir yaklaşımı izler. Bu, bir müşteri yolculuğuna dahil olan tüm çok kanallı temas noktalarının, dönüşüm sürecindeki konumları, bir müşterinin onları en son ziyaret ettiği zaman, onlardan önce ve sonra gelen temas noktaları, cihaz veya cihaz gibi çeşitli faktörlere göre ödüllendirildiği anlamına gelir. bunlara erişmek için kullanılan ortam vb.
• Kişiselleştirilmiş akışlar ve huniler. MTA pazarlama, müşterilerinizin bireysel ihtiyaçlarını ve tercihlerini belirler. Sonuç olarak, hedeflemenizi ve mesajlaşmanızı, müşterinin yolculuğunun neresinde olduğuyla çok daha alakalı hale getirebilirsiniz.
• Geliştirilmiş ürün geliştirme . Müşterilerinizin bireysel tercihlerine ilişkin veriler, son derece özelleştirilmiş ürünler geliştirmek için ihtiyaç duyduğunuz girdileri toplamanıza olanak tanır.
• Veriye dayalı kararlar. Üzerinde çalıştığınız kampanyanın büyük bir etkisi olduğunu veya geçen yıl en etkili olan temas noktasının bugün hala en etkili olduğunu düşünmek kolay. MTA, önyargıyı en aza indirmeye ve gerçek verilere dayanarak gerçekte neyin işe yaradığını bulmaya yardımcı olur.

Çoklu dokunuşla ilişkilendirme araçları

Amplitude Analytics, kullanıma hazır ilişkilendirme raporlaması da dahil olmak üzere çeşitli pazarlama analizi yetenekleri sunar. Amplitude'ü kullanarak, çeşitli popüler ilişkilendirme modellerini (ilk dokunuş, son dokunuş, U-şekilli, doğrusal vb.) kullanarak krediyi pazarlama programlarınız arasında kolayca dağıtabilir veya hatta özel ağırlıklı bir model oluşturabilirsiniz.

Diğer çoklu dokunma ilişkilendirme araçları şunları içerir:

• Ayarlamak
• uygulamalarınFlyer
• Dal
• Hava köprüsü
• Tekil

G2 gibi bir inceleme sitesinde bunlar ve diğer çok dokunuşlu ilişkilendirme araçları hakkında daha fazla bilgi edinin.

İlişkilendirme platformunuzu tamamlayacak araçlar

Bir ilişkilendirme platformuyla birlikte MarTech yığınınıza eklemeyi düşünmeniz gereken birkaç pazarlama analizi aracı:

• Dijital analitik, raporlama ve müşteri verileriyle (CDP) bağlantı araçları için genişlik
• Çevrimdışı veri takibi ve geçmiş veri içe aktarmaları için CallRail
• Veri ambarı için kar tanesi, özel modeller oluşturmak için olmazsa olmaz

Çoklu dokunuşla ilişkilendirmeyi kullanmanın yaygın zorlukları

• Hangi kanalların gerçekten en etkili olduğunu test etmek ve bulmak için uygulamak yerine, favori kanalınızın en büyük etkiye sahip olduğunu "kanıtlamak" için ilişkilendirmeyi uygulamak.
• Çevrimdışından çevrimiçiye veya pazarlamadan ürüne gibi kanallar arasında bağlantı eksikliği.
• Müşteri veri platformunuz yeterli hızda olmadığında, birden çok entegrasyon aracılığıyla verileri birleştirme ve normalleştirme zorluğu.
• Üçüncü taraf takibindeki küresel değişiklikler bağlamında güvenilir olmayan müşteri yolculuğu analitiği takibine yol açan veri ve gizlilik endişeleri.

Çoklu dokunma ilişkilendirmesine alternatifler

Aşağıdaki iki modelleme tekniği, ilişkilendirme daha güvenilir hale gelmeden önce başladı. Bugün, ikisi de bahsetmeye değer uygulanabilir alternatifler olmaya devam ediyor. Bir müşteri yolculuğunun “ne”, “neden”, “nerede”, “ne zaman” ve “nasıl” konularını kapsamak için MTA ile birlikte bağımsız olarak da kullanılabilirler.

Pazarlama karması modellemesi

Pazarlama karması modellemesi, farklı pazarlama taktiklerinin etkisini analiz etmek için çok değişkenli regresyonları uygular. İstatistiksel analizi, reklamcılığın gelecekteki etkisini ve daha yüksek satış geliri elde etmek için taktiklerin nasıl optimize edilebileceğini tahmin etmeye yardımcı olur. MTA, halihazırda olanları daha iyi analiz etmenize yardımcı olurken, pazarlama karması modellemesi geleceğe odaklanır.

Müşteri yolculuğu haritalaması

Müşteri yolculuğu haritalaması, müşterilerin markanızla nasıl etkileşime girdiğini görselleştirir. Bu görsel ilişkiyi, dönüşüm sağlayan temas noktalarını optimize etmek ve olası satışları müşterilere dönüştürmek için yeni pazarlama akışları sunmak için kullanabilirsiniz.

Çoklu dokunma ilişkilendirmesini kullanmaya başlama

Çoklu dokunuşla ilişkilendirme, hangi temas noktalarının dönüşüme katkıda bulunduğunu ortaya çıkararak yatırım getirisini artırmaya yardımcı olur. MTA ile gereksiz pazarlama harcamalarını azaltırken pazarlama kampanyalarınızın gerçekten fark yaratan kısımlarını optimize edebilir, büyütebilir ve kişiselleştirebilirsiniz.

Amplitude'ün çoklu dokunuşla ilişkilendirme dahil pazarlama analizi yetenekleri hakkında daha fazla bilgi edinin veya bugün ücretsiz bir planla başlayın.

Referanslar

• Üstel Büyüme ve Bozulma (Zaman-Azalış İlişkilendirme Modeli için) Lümen Öğrenme
• Korelasyon ve Nedensellik: Ürününüzün Genlik Farkını Anlayın
• Pazarlama İlişkilendirmesi – Multi-Touch ROAS Modelleri Açıklandı, Araçlar İncelendi, İkilemler Yanıtlandı McGaw
• Çoklu Dokunuşla İlişkilendirme Pazarı – Büyüme, Eğilimler, COVID-19 Etkisi ve Tahminler (2022 – 2027) Araştırma ve Pazarlar
• Pazarlama Analitiği Araçları: Nedir ve Neden Önemlidir ?