什麼是多點觸控歸因？ 您需要的模型和工具

什麼是多點觸控歸因？

多點觸控歸因 (MTA) 是一種將轉化歸功於客戶旅程中的一個或多個接觸點的方法。 多點觸控歸因工具使用模型來系統化哪些接觸點、渠道或活動有助於客戶採取所需的行動。 這有助於避免將 ROI 歸因於轉化前的最後一個接觸點。

想像一下 MTA 在實踐中如何工作的示例：

• 第 1 天：用戶 X 點擊產品的展示廣告。 他們瀏覽網站但不訂購任何東西。
• 第 2 天：他們在社交媒體訂閱源中找到公司的博客文章，並決定訂閱電子郵件列表。
• 第 5 天：他們收到一封關於首次購買者折扣代碼的電子郵件。 他們訪問該站點以瀏覽產品。
• 第 7 天：在最終購買之前，他們運行 Google 搜索以確認網站的評論。 他們現在對自己的購買決定充滿信心，儘管出於一些未知原因推遲了購買決定。
• 第 10 天：他們收到一封來自自動流程的電子郵件，其中包含完成購買的折扣，以及參加活動的邀請。 他們終於完成了購買。

多點觸控歸因在這裡可以產生巨大的影響，因為用戶會經歷幾個接觸點，每個接觸點都會促成最終購買。

對於某些型號，展示廣告值得更高的評價，因為這是用戶了解產品的方式。 對於其他人來說，社交媒體可能是主要因素，因為這是用戶獲得對產品公司信任的方式。 而對於其餘部分，評論或折扣電子郵件會影響所需的轉換，因為它們最終表明了買家的意圖。

為了處理此類場景，有許多模型可以為您在客戶旅程中推斷出最具影響力的多渠道接觸點或交互。

歸因模型的類型

我們將藉助上面的示例討論不同的模型，其中用戶 X 需要多渠道接觸點才能完成購買。

在詳細介紹之前，先簡要總結一下歸因模型的類型：

為了澄清這個概念，我們從將所有轉化功勞歸於一個接觸點的模型開始。

單點歸因模型

單點歸因仍然是最常見的轉化功勞歸因方式。 它起源於直接反應廣告，過於簡單化了。 如果用戶點擊廣告並立即完成結帳，或者如果用戶點擊電子郵件並立即購買訂閱，則單點觸控歸因效果很好。 它可能適用於低價和低參與度的購買。

最後接觸歸因模型

最後一次接觸歸因將功勞分配給客戶在轉化前點擊的最後一個接觸點。

• 總體上最常用的歸因模型，通常是用於營銷分析的默認模型。
• 不適合大多數企業，因為您幾乎總是會使用多個渠道、平台和活動進行營銷。

用戶 X 在獲得對公司價值的信任並發現產品可靠之前，可以通過上面示例中的六個接觸點。 但是，每次最後一次接觸，他們最後收到的折扣代碼電子郵件都會獲得 100% 的轉化功勞。

首次接觸歸因模型

首次接觸歸因將功勞分配給客戶與之交互的第一個接觸點。

• 不像最後一次接觸那樣受歡迎，因為第一個接觸點可能是一個觸發因素，但通常會在決策過程中退縮。
• 當以品牌知名度活動為重點時，可能會起作用。

用戶 X 通過展示廣告發現了該公司。 因此，根據第一次接觸，展示廣告獲得 100% 的最終購買信用。 其餘接觸點只是中介因素，稱為“輔助”，在此模型中獲得 0% 的信用。

您可能會立即想到此模型的問題。 可能很難確定哪個接觸點真正是第一個發現時刻。 當您是家喻戶曉的品牌時，您可能會在幾年前通過電視廣告發現這一發現。 還有其他問題，重要的是要意識到單點歸因總是會產生有缺陷的數據。 只要你意識到這些缺陷，你可能會沒事的。

基於規則的多點觸控歸因模型

基於規則的多點觸控歸因模型使用一組固定的預定義指南來為接觸點分配功勞。 借助這些預定義的指導方針，營銷人員不必為每個營銷活動定義標準。 從一種模型切換到另一種模型是很常見的，這取決於與可能接觸點的最佳關係。

基於規則的模型比數據驅動的模型更容易實施，因為它們並不總是需要數據科學來分析複雜的客戶旅程。 它們通常是易於實現的完美平衡，同時保持足夠的準確性和粒度。

等額信用或線性

同等信用或線性歸因將相同數量的信用分配給客戶旅程中的不同接觸點。

• 最容易實現多點觸控歸因模型。
• 提供整個轉換過程的宏觀視圖。
• 適合剛接觸數字營銷且沒有大量歷史數據可使用的初創公司和公司。
• 超過不太重要的接觸點。

線性模型將同等功勞分配給用戶 X 的所有六個接觸點：展示廣告、社交媒體、折扣電子郵件、主站點、Google 評論和帶有活動邀請的自動折扣電子郵件。

U形

U 型歸因為第一個和最後一個接觸點分配了相同數量的功勞（40%）。 剩餘的 20% 在其餘接觸點之間平均分配。

• 突出顯示漏斗頂部和漏斗底部的接觸點。
• 發現產生新線索的來源，同時也強調達成交易的客戶互動。
• 適用於宣傳低價商品的廣告系列。
• 如果您的客戶旅程較長，且包含許多關鍵決策因素，請避免使用。

在用戶 X 的示例中，U 形模型將 40% 的功勞分配給展示廣告（發現接觸點）和最後一封電子郵件（激勵購買完成的接觸點）。 其餘四個接觸點獲得相同比例的 20%，每個為 5%，並且不被認為是重要的。

W形

W 形歸因將 30% 的功勞分配給渠道頂部、渠道中部和渠道底部接觸點。 其餘接觸點平均分配 10% 的信用。

• 適用於復雜的活動和更長的客戶旅程，其中在轉換之前建立關係是關鍵。
• 第一個、中間和最後一個接觸點分別非常適合獲取有關品牌知名度、潛在客戶生成和轉化點的信息。
• 限制其餘接觸點的客戶參與可見性。

在我們的示例中，W 形模型將 30% 的功勞分配給用戶 X 一開始看到的展示廣告、他們中途收到的折扣電子郵件以及提醒他們現在購買的最後一封電子郵件。 他們剩餘的三個接觸點各獲得 3.33%。

時間衰減

時間衰減將功勞分配給所有接觸點，最後一個接觸點獲得最大比例。 客戶在更早的時間與之交互的接觸點的信用減少。

• 第一個接觸點最不被重視，因此發現和品牌知名度不高。
• 接觸點的信用呈指數級增長，作為一種重視促進參與的互動和更重視轉化互動的方式。
• 適用於僅在有限時間內有效的活動和流程。
• 對於具有較長旅程的活動或產品，漏斗頂部營銷工作的貢獻很少甚至可以忽略不計。
• 基於指數衰減，它使用半衰期公式。

用戶 X 的轉化路徑是展示半衰期公式的好機會。 在十天內有六個接觸點，最後一個接觸點獲得的信用幾乎是第一個接觸點的三倍。 時間是比接觸點數量及其順序更重要的因素。

自定義位置

自定義位置，也稱為用戶定義的歸因模型，根據接觸點在營銷渠道中的位置為其分配自定義功勞。

• 根據您的特定活動特徵優化負責產生潛在客戶、品牌知名度和最終轉化的接觸點。
• 可以類似於定製版的 W 形模型，也可以是您為自己定制的任何其他常見模型。
• 可能很複雜且難以解釋。

假設您從 W 形模型開始，但希望只關註三個最重要的接觸點，並應用時間衰減方法。 您將第一個接觸點設置為 15%，將中間接觸點設置為 35%，將最後一個接觸點設置為 50%，這相當於 100% 的信用。

對於用戶 X，這意味著展示廣告獲得 15%，折扣電子郵件獲得 35%，最終自動電子郵件獲得 50%。 其餘的接觸點獲得 0% 並被視為對已記入的接觸點的輔助。

在另一個示例中，您自定義線性歸因模型。 在這裡，您根據對所有接觸點影響的理解為所有接觸點分配不同的功勞。 因此信用分配將如下所示：5% 用於展示廣告，15% 用於社交媒體，20% 用於折扣電子郵件，10% 用於公司網站，20% 用於 Google 評論，30% 用於最終電子郵件。

自定義位置模型實現您自己的規範而不是標準模型。 但與算法模型不同，它仍然是基於規則的模型，您可以預先設置固定規則。

算法或數據驅動的多點觸控歸因模型

算法模型使用機器學習和預測分析來查明導致客戶轉化的最有影響力的接觸點。

他們不遵循任何預定義的規則集，這意味著結果完全基於即將到來的客戶旅程數據。 這會在時間、金錢和數據收集方面產生更高的投資。 因此，如果您的公司在數據科學能力方面受到限制，並且仍在尋找收集、組織和分析數據的方法，那麼您最好使用基於規則的模型。

由於初始投資高，算法模型也會對營銷投資回報率產生負面影響。 你需要一個足夠高的預算來吸收成本而不會讓你退縮。

但是，這些模型在各個平台中很常見。 如果您能夠為整個轉化路徑建立一個數據驅動的歸因模型，它會為您提供最準確和公正的結果。 您將能夠更輕鬆地擴展和優化 ROI 和 ROAS，尤其是從長遠來看。

馬爾可夫鏈

馬爾可夫鏈模型是最流行的算法歸因模型。 它通過評估不同接觸點之間的關係來分配信用。 簡而言之，該模型會查看如果您移除一個接觸點，轉換會發生什麼。

• 使用轉移矩陣，也稱為概率矩陣或隨機矩陣。
• 使用定向網絡可視化接觸點。 這意味著所有接觸點（節點）都是客戶可能處於的潛在狀態。從一種狀態到另一種狀態的轉換具有相關的概率。 每個狀態都相互關聯，以使用機器學習來計算可能的轉換路徑的數量。
• 使用相關性分析轉化，因此它無法檢測垃圾點擊和轉化劫持，如品牌競價。 相關性表示關係，但不是因果關係。

示例：假設用戶 X 的路徑被其他人共享並產生了 640 次轉化。 然後，根據馬爾可夫鏈模型，每個接觸點都可以計入轉化總數，如下表所示：

如您所見，每個接觸點都得到了相當的認可。 這表明這些交互中的每一個都可能具有足夠的影響力以導致最終轉換。 情況並非總是如此，有些接觸點在獨立時沒有任何影響，但它可以讓您了解模型的輸出。 如需深入了解，請隨時閱讀有關馬爾可夫、沙普利和貝葉斯 MTA 模型的指南。

多點觸控歸因的好處

預計多點觸控歸因市場在預測期間（2021-2026 年）的複合年增長率約為 15%。 原因在於以下好處：

• 優化營銷支出和預算分配。 歸因接觸點可讓您根據每個渠道的有效性進行投資，因此您只需將營銷資金用於重要的活動和渠道。
• 在相同預算的情況下提高 ROI 和 ROAS。 根據每個渠道對最終轉化的貢獻計入每個渠道，有助於您找到最有效的渠道。 與其投資不同的資源，您可以明智地投資一些能夠提供最大 ROAS 的資源。 這可以提高整體投資回報率，而不會影響您的整體營銷預算。
• 細化方法。 多點觸控歸因遵循深入、自下而上的方法。 這意味著客戶旅程中涉及的所有多渠道接觸點都會根據幾個因素獲得獎勵，例如他們在轉換過程中的位置、客戶上次訪問他們的時間、之前和之後的接觸點、設備或用於訪問它們的介質，等等。
• 個性化的流程和渠道。 MTA 營銷可識別您客戶的個人需求和偏好。 因此，您可以使您的定位和消息傳遞與客戶在他們的旅程中的位置更加相關。
• 改進產品開發。 您的客戶個人偏好數據使您能夠收集開發高度定制產品所需的輸入。
• 數據驅動的決策。 很容易認為您正在開展的活動產生了重大影響，或者去年影響最大的接觸點今天仍然影響最大。 MTA 有助於最大限度地減少偏差，並根據真實數據找出真正有效的方法。

多點觸控歸因工具

Amplitude Analytics 提供多種營銷分析功能，包括開箱即用的歸因報告。 使用 Amplitude，您可以使用幾種流行的歸因模型（首次接觸、最後接觸、U 形、線性等）輕鬆地在您的營銷計劃中分配功勞，甚至可以創建自定義加權模型。

其他多點觸控歸因工具包括：

• 調整
• AppsFlyer
• 分支
• 空中橋
• 單數

在 G2 等評論網站上了解有關這些和其他多點觸控歸因工具的更多信息。

補充歸因平台的工具

以下是一些營銷分析工具，您應該考慮將其與歸因平台一起添加到您的 MarTech 堆棧中：

• 數字分析、報告和連接工具與客戶數據 (CDP) 的幅度
• CallRail 用於離線數據跟踪和歷史數據導入
• 用於數據倉庫的雪花，構建自定義模型的必備工具

使用多點觸控歸因的常見挑戰

• 實施歸因以“證明”您最喜歡的頻道具有最大的影響，而不是實施歸因來測試並找出哪些頻道真正具有最大的影響力。
• 缺少線下到線上、營銷到產品等渠道之間的聯繫。
• 當您的客戶數據平台跟不上速度時，難以通過多重集成來加入和規範化數據。
• 在第三方跟踪的全球變化背景下，數據和隱私問題導致客戶旅程分析跟踪不可靠。

多點觸控歸因的替代方案

在歸因變得更加可靠之前，以下兩種建模技術就開始了。 今天，它們仍然是值得一提的可行替代方案。 它們可以單獨使用，也可以與 MTA 一起使用，以涵蓋客戶旅程的“內容”、“原因”、“地點”、“時間”和“方式”。

營銷組合建模

營銷組合建模實施多元回歸來分析不同營銷策略的影響。 它的統計分析有助於預測廣告的未來影響以及如何優化策略以產生更高的銷售收入。 雖然 MTA 可以幫助您更好地分析已經發生的事情，但營銷組合建模關注的是未來。

客戶旅程地圖

客戶旅程地圖可視化客戶如何與您的品牌互動。 您可以使用這種視覺關係來優化推動轉化的接觸點，並引入新的營銷流程以將潛在客戶轉化為客戶。

開始使用多點觸控歸因

多點觸控歸因通過揭示哪些接觸點促成了轉化來幫助提高投資回報率。 借助 MTA，您可以優化、發展和個性化營銷活動中真正發揮作用的部分，同時減少任何不必要的營銷支出。

詳細了解 Amplitude 的營銷分析功能（包括多點觸控歸因）或立即開始使用免費計劃。

參考

• 指數增長和衰減（用於時間衰減歸因模型）流明學習
• 相關性與因果性：了解產品幅度的差異
• 營銷歸因 – 多點觸控 ROAS 模型解釋、工具審查、難題解答 McGaw
• 多點觸控歸因市場 – 增長、趨勢、COVID-19 影響和預測（2022 年至 2027 年）研究和市場
• 營銷分析工具：它們是什麼以及為什麼它們很重要