I 2007 lancerede Steve Jobs foran en måbende verden den første iPhone.
Siden de har smartphonen revolutioneret vores verden. Vi har nu alverdens enheder tilgængelige med en supercomputer lige i lommen.
Men for marketers har telefonen været en blandet fornøjelse. Jovist – telefonen gør det muligt at nå forbrugeren mere præcist og oftere end nogensinde før. Men med ét slag blev kunderejsen også meget mere kompliceret.
I ‘gamle dage’ kunne du stole på cookie-baseret sporing, for der var kun én enhed. Men i 2019 har hver dansker i gennemsnit 3.5 enheder (en telefon, bærbar computer, stationær computer og en halv tablet), der alle kan bidrage til kunderejsen. Samtidigt har de sociale medier tilført en dimension til kunderejsen, der ikke altid males i kliks.
Det betyder, at et af de vigtigste områder inden for digital marketing i dag er marketing attribution. Eller, tilskrivning på dansk.
Det handler om, hvordan du tildeler værdien af én konvertering til de forskellige touch points i kunderejsen.
Og det er netop dét, du lærer her på marketingattribution.dk.
Cookie based tracking vs. People based tracking
En af de primære årsager til at Facebook Analytics og Google Analytics viser forskellige tal i samme periode er deres datainput. Det er derfor også et vigtigt sted at starte i attribueringsarbejdet. Datainput for de fleste værktøjer i dag – inklusive Google Analytics – er cookie-based.
Det betyder, at analyseprogrammet installerer cookies hos de besøgende brugere og herefter bruger de samme cookies til at matche de personer, når de besøger siden igen eller bevæger sig rundt.
Den model var god før den første iPhone, men har siden da udviklet 2 store svagheder i takt med udviklingen:
1.Din smartphone og din computer er to forskellige enheder og har hver deres cookie.
2.Den nylige privatlivsbevægelse har medført at flere bruger adblockers (der blokerer visse cookies); at flere sletter cookies; og i 2019 har Safari-browseren indført ”Intelligent Tracking Prevention 2.1”, der kort sagt sletter alle cookies efter 7 dage og derfor gør det tæt på umuligt at spore komplekser brugerrejser med cookies.
Vejrudsigten for den cookie-baserede sporing er – med andre ord – mørke skyer og tung regn.
Med cookies sporer du kun en begrænset del af kunderejsen. Lad os kigge på et eksempel med flere enheder: En arbejdscomputer, hjemmecomputer og mobiltelefon, der alle sammen er del af en kunderejse:
Heldigvis har du andre muligheder end cookies. Løsningen hedder ‘People based tracking’ og handler om, at du sporer personer i stedet for cookies.
People based tracking kræver en fællesnævner for de personer, du sporer. Det kræver at folk er logget ind og identificerede samt en enorm datamængde.
Det har Facebook.
Med Facebooks pixel har du people based tracking “out of the box”. I det samme øjeblik din pixel er installeret begynder den at matche Facebook-brugere, uanset om de er logget ind på Facebook eller Instagram.
I Danmark benytter mere end 75 % af befolkningen enten Instagram eller Facebook hver eneste dag (jf. DRs Medieundersøgelse 2018). Det er ikke 100 % – men det er 75 % mere end med cookie based tracking!
Hvis jeg besøger din side med min smartphone i dag og min Macbook Pro i morgen, så har Google Analytics identificeret to selvstændige besøgende. 2 brugere.
Særligt for B2C-virksomheder er people based tracking løsning på mange problemer. Min bog om ejendomsinvestering sælges til private, og her er people based tracking super. Men en B2B-virksomhed som bureauet Obsidian Digital
Facebook ser én bruger med to enheder. Løsningen er people based tracking fremfor cookies.
Sådan her ser samme kunderejse ud med people based tracking:
Attributionsmodeller
Når vi har styr på vores datainput, går vi videre til vores ”rule type” – eller selve attributionsmodellen.
Google Analytics arbejder i dag med statiske attributionsmodeller (med mindre, du betaler 1 mio. kr. for Google Analytics Premium – mere herom senere).
En statisk attributionsmodel er fx ”Last Click”. Du vælger at give 100 % af værdien af hele købet til det sidste trin i kunderejsen, uanset hvad de andre (målte) trin har bidraget med.
Last Click
Last Click er standardmodellen i Google Analytics og nok den mest udbredte attributionsmodel i verden. Den tilskriver 100 % af værdien til det sidste klik. Modellen favoriserer særligt direkte trafik, organisk trafik og bottom funnel værktøjer som Google Ads på eget brand.
First Click
First Click attribuerer hele værdien til det første skridt i kunderejsen. I praksis er et en meget lidt brugt model – selvom du kan argumentere for, at første trin i kunderejsen er præcis lige så vigtigt som sidste. Modellen favoriserer ofte betalt trafik, herunder Google Ads og Facebook Ads.
Equal
Equal – også nogle gange kendt som Linear – tilskriver en lige stor del af købet til alle trin i kunderejsen. Det er i praksis en særligt ringe model, fordi at den giver stor værdi til hurtige touchpoints – fx visninger på Google Display eller Facebook Audience Network – der næppe har haft væsentlig indflydelse på købsrejsen.
Time Decay
Time Decay attribuerer mere og mere værdi jo tættere på købet et touchpoint var. I praksis er det også en model, hvis brug er meget begrænset. Ofte er det touchpoint der indleder kunderejsen et af de vigtigste – og det bliver nedattribueret i denne model.
Position Based
Den måske bedste – eller mindst dårlige – statiske attribueringsmodel er ‘Position Based’. Her tilskriver du ekstra værdi til det første og sidste touchpoint i rejsen og ligedeler det resterende til alle i midten.
Hvis du har en kunderejse med 6 målte touchpoints, kunne rejsen se således ud:
40% til det første
20% / 4 = 5 % til hver i midten
40% til den sidste
Modellen er bedre, da den tager hensyn til første og sidste trin. Men hvad hvis et af trinnene i midten var lige netop det budskab, der fik personen til at gennemføre købet?
Position based er bedre – men det er stadig en statisk attributionsmodel og derfor begrænset.
Det overordnede problem er:
De er alle sammen forkerte. Nogle er bare mindre forkerte.
En statisk attributionsmodel er en regel, du trækker ned over et datasæt uden at skele til, hvad det datasæt faktisk indeholder. En statisk attributionsmodel vil altid være forkert. Nogle modeller er bare mere forkerte end andre. Spørgsmålet for dig der bruger de statiske attributionsmodeller er: Hvilken er mindst forkert?
Datadreven attribuering
Datadreven attribuering er løsningen. Det er machine learning-baseret attribuering, der bliver bedre, jo længere tid der går:
Løsningen på alle de (dårlige) statiske attributionsmodeller er statistisk attribuering. Det kaldes også for ‘Customized attribution’ og det mere mundrette: Datadreven attribuering. Med datadreven attribuering udvikler en machine learning-algoritme en attribueringsmodel, der er skræddersyet til dig og din virksomhed. Jo mere data du får en, jo mere udvikler modellen sig.
Datadreven attribuering går ind og kortlægger alle dine kunderejser og isolerer de ting, der gjorde dem forskellige.
Hvis 100 personer har købt dit produkt efter at have modtaget den samme e-mail, hvilken forskel gør det da i konverteringsraten, at 50 af dem også så en annonce på Facebook? Dén forskel bliver så attribueret til Facebook.
Datadreven attribuering har dog en svaghed (indbygget direkte i navnet): Den kræver data.
Uden den rette datamængde kan du ende med at gøre dig selv en bjørnetjeneste. Datadreven attribuering er machine learning og kræver meget data for at fungere godt. Hvis du har 100 køb om måneden på din webshop, får du aldrig nok data til, at den datadrevne model kommer til at give dig brugbare resultater. Men sender du 5000 pakker om måneden er det noget helt andet.
Hvad med B2B salg og marketing, Indkøbsafdelinger og forhandlere?
Hvis du sidder i en B2B virksomhed kan attribution let gå hen at blive lidt ekstra kompleks.
Det skyldes at B2B salg og marketing ofte er mere kompleks. Det tager længere tid, involvere flere personer og vækst ofte kommer gennem et samarbejde mellem marketing, salg og kundeservice i din virksomhed.
I visse tilfælde kan det endda være at du har brug for en B2B attributions-platform for at skabe et overblik over dine kunderejser.
Her er et eksempel fra en af Obsidians kunder:
For B2B er der en særlig problemstilling, når en indkøbsafdeling står for indkøb af fx IT.
I forbindelse med vores arbejde med Airtame blev dette en meget synlig problemstilling. I vores annoncering målretter vi brugerne af værktøjet, der hjælper med trådløs HDMI-streaming. Det er fx IT-afdelinger eller pedellen på en skole.
Men når der skal indkøbes for mange tusinde kroners IT, sker det ofte gennem indkøbsafdelingen i en stor virksomhed. Med vores annoncering overbeviser vi således en bruger om, at de skal købe Airtame – men ordren bliver effektueret gennem en indkøber eller, endnu værre, gennem en forhandler (inkl. Amazon).
I dette tilfælde kan vi se en korrelation: Når vi bruger flere penge, omsætter vi flere penge. Men det direkte link forsvinder.
Fejlkilder
Der er særligt 3 fejlkilder ved datadreven attribuering. For lidt data – som vi allerede har berørt – er den største.
Herudover skal du være opmærksom på:
For korte lookback-vinduer
Nogle attribueringsværktøjer er begrænset til et lookback-vindue på fx 30 dage. Det betyder, at værktøjet kigger 30 dage tilbage før en konvertering for at vurdere, hvilke touchpoints, der har haft indflydelse på salget.
Det er dog problematisk særligt ved B2B og i forbindelse med større køb som biler og huse. Her kan kunderejsen være endog meget længere end 30 dage.
Peugout godtgjorde fx, at kunderejsen mod en ny bil i 2017 var mere end 500 touchpoints og tog næsten et år, da det er en stor beslutning. Derfor må attribueringsværktøjet
ikke have et for kort lookback-vindue, da du herved risikerer at glemme vigtige touchpoints i starten af kunderejsen.
Indkøbsafdelinger og forhandlere
For B2B er der en særlig problemstilling, når en indkøbsafdeling står for indkøb af fx IT. I forbindelse med vores arbejde med Airtame blev dette en meget synlig problemstilling. I vores annoncering målretter vi brugerne af værktøjet, der hjælper med trådløs HDMI-streaming. Det er fx IT-afdelinger eller pedellen på en skole.
Men når der skal indkøbes for mange tusinde kroners IT, sker det ofte gennem indkøbsafdelingen i en stor virksomhed. Med vores annoncering overbeviser vi således en bruger om, at de skal købe Airtame – men ordren bliver effekturet gennem en indkøber eller, endnu værre, gennem en forhandler (inkl. Amazon).
I dette tilfælde kan vi se en korrelation: Når vi bruger flere penge, omsætter vi flere penge. Men det direkte link forsvinder.
Walk by faith – not by sight.
Vil du vide mere om attribution?
Overvej Obsidian Digitals Academy i Facebook Analytics & Facebook Attribution – se: