Atribución (analíticas)

Compartir Imprimir Citar

En marketing, la atribución, también conocida como atribución multitoque, es la identificación de un conjunto de acciones del usuario ("eventos" o "puntos de contacto") que contribuyen a un resultado deseado, y luego la asignación de un valor a cada uno de estos eventos.. La atribución de marketing proporciona un nivel de comprensión de qué combinación de eventos en qué orden particular influye en las personas para participar en un comportamiento deseado, generalmente denominado conversión.

Historia

Las raíces de la atribución de marketing se remontan a la teoría psicológica de la atribución. Según la mayoría de las cuentas, la aplicación actual de la teoría de la atribución en el marketing fue impulsada por la transición del gasto publicitario de los anuncios tradicionales fuera de línea a los medios digitales y la expansión de los datos disponibles a través de canales digitales como la búsqueda orgánica y paga, la visualización y el marketing por correo electrónico.

Concepto

El propósito de la atribución de marketing es cuantificar la influencia que tiene cada impresión publicitaria en la decisión de un consumidor de tomar una decisión de compra o conversión. La visibilidad de lo que influye en la audiencia, cuándo y en qué medida, permite a los especialistas en marketing optimizar el gasto en medios para las conversiones y comparar el valor de los diferentes canales de marketing, incluida la búsqueda orgánica y de pago, el correo electrónico, el marketing de afiliación, los anuncios gráficos, las redes sociales y más.Comprender la ruta de conversión completa en toda la mezcla de marketing disminuye el desafío de precisión de analizar datos de canales aislados. Por lo general, los especialistas en marketing utilizan los datos de atribución para planificar futuras campañas publicitarias e informar el rendimiento de campañas anteriores mediante el análisis de qué ubicaciones de medios (anuncios) fueron las más rentables e influyentes según lo determinado por métricas como el retorno de la inversión publicitaria (ROAS) o costo por cliente potencial (CPL).

Modelos de atribución

Como resultado de la disrupción creada por el rápido crecimiento de la publicidad en línea durante los últimos diez años, las organizaciones de marketing tienen acceso a una cantidad significativamente mayor de datos para realizar un seguimiento de la eficacia y el ROI. Este cambio ha afectado la forma en que los especialistas en marketing miden la efectividad de los anuncios, así como el desarrollo de nuevas métricas como el costo por clic (CPC), el costo por cada mil impresiones (CPM), el costo por acción/adquisición (CPA) y la conversión de clics.. Además, los modelos de atribución múltiples han evolucionado con el tiempo a medida que la proliferación de dispositivos digitales y el tremendo crecimiento de los datos disponibles impulsaron el desarrollo de la tecnología de atribución.

Los modelos de atribución de fuente única (también de atribución de un solo toque) asignan todo el crédito a un evento, como el último clic, el primer clic o el último canal para mostrar un anuncio (vista posterior). La atribución simple o de último clic se considera menos precisa que las formas alternativas de atribución, ya que no tiene en cuenta todos los factores que contribuyeron al resultado deseado.
La atribución fraccional incluye ponderaciones iguales, disminución de tiempo, crédito del cliente y modelos multitoque/curva. Los modelos de igual peso otorgan la misma cantidad de crédito a los eventos, el crédito del cliente utiliza la experiencia pasada y, a veces, simplemente conjeturas para asignar el crédito, y el multitoque asigna varios créditos a todos los puntos de contacto en el viaje del comprador en montos establecidos.
La atribución algorítmica o probabilística utiliza técnicas de modelado estadístico y aprendizaje automático para derivar la probabilidad de conversión en todos los puntos de contacto de marketing que luego se pueden usar para ponderar el valor de cada punto de contacto que precede a la conversión. También conocido como Atribución basada en datos, Doubleclick y Analytics 360 de Google utilizan algoritmos sofisticados para analizar todas las diferentes rutas en su cuenta (tanto de conversión como de no conversión) para determinar qué puntos de contacto ayudan más con las conversiones. La atribución algorítmica analiza las rutas de conversión y de no conversión en todos los canales para determinar la probabilidad de conversión.Con una probabilidad asignada a cada punto de contacto, los pesos de los puntos de contacto se pueden agregar por una dimensión de ese punto de contacto (canal, ubicación, creatividad, etc.) para determinar un peso total para esa dimensión.
Los modelos de atribución impulsada por el cliente se desarrollan a través de la recopilación de datos de terceros y luego utilizan análisis proyectivos para proporcionar una imagen de atribución de vista completa. Este método de atribución se desarrolló con la creencia de que las respuestas de los clientes deberían ser el punto de datos ponderado más fuerte en un cálculo de atribución. Es un intento de simplificar la atribución y volver a lo básico.

Construcción de un modelo algorítmico de atribución

Los métodos de clasificación binaria de las estadísticas y el aprendizaje automático se pueden utilizar para construir modelos apropiados. Sin embargo, un elemento importante de los modelos es la interpretabilidad del modelo; por lo tanto, la regresión logística suele ser apropiada debido a la facilidad de interpretación de los coeficientes del modelo.

Modelo de comportamiento

Supongamos que los datos publicitarios observados están ${displaystyle {(X_{i},A_{i},Y_{i})}_{i=1}^{n}}$ donde

${displaystyle Xen mathbb {R} }$ covariables
${displaystyle Aen {0,1}}$ el consumidor vio el anuncio o no
${displaystyle Yin{0,1}}$ conversión: respuesta binaria al anuncio

Modelo de elección del consumidor

${displaystyle u(x,a)=mathbb {E} (Y|X=x,A=a)}$ ${displaystyle forall Xen mathbb {R} }$ covariables y ${ estilo de visualización para todos A}$ anuncios

{displaystyle u=sum_{k}Abeta ^{k}psi(x)+epsilon}

Las covariables $X$ generalmente incluyen diferentes características sobre el anuncio publicado (creatividad, tamaño, campaña, táctica de marketing, etc.) y datos descriptivos sobre el consumidor que vio el anuncio (ubicación geográfica, tipo de dispositivo, tipo de sistema operativo, etc.).

Teoría de la utilidad

{displaystyle y_{i}^{*}={underset {y_{i}}{max }}{bigl (}mathbb {E} [u_{i}]{bigr)}}

{displaystyle Pr(y=1|x)=Pr(u_{1}>u_{0})}

{displaystyle =1/[1+e^{sum _{k}Abeta ^{k}psi (x)}]}

Procedimiento contrafáctico

Una característica importante del enfoque de modelado es estimar el resultado potencial de los consumidores suponiendo que no estuvieron expuestos a un anuncio. Debido a que el marketing no es un experimento controlado, es útil obtener resultados potenciales para comprender el verdadero efecto del marketing.

El resultado medio si todos los consumidores vieron el mismo anuncio está dado por

{displaystyle mu _{a}=mathbb {E} Y^{*}(a)}

{displaystyle =mathbb {E} {mathbb {E} (Y|X,A=a)}}

Un especialista en marketing a menudo está interesado en comprender la 'base', o la probabilidad de que un consumidor se convierta sin ser influenciado por el marketing. Esto le permite al vendedor comprender la verdadera eficacia del plan de marketing. La cantidad total de conversiones menos las conversiones 'base' brindará una visión precisa de la cantidad de conversiones impulsadas por el marketing. La estimación 'base' se puede aproximar usando la función logística derivada y usando resultados potenciales.

{displaystyle {text{Base}}={frac {text{Conversiones previstas sin marketing observado}}{text{Conversiones previstas con marketing observado}}}}

{displaystyle ={frac {mathbb {E} {mathbb {E} (Y|X,A=0)}}{mathbb {E} {mathbb {E} (Y|X, A=1)}}}}

Una vez que se obtiene la base, se puede entender que el efecto incremental del marketing es el aumento de la 'base' para cada anuncio, suponiendo que los demás no se vieran en el resultado potencial. Este aumento sobre la base se usa a menudo como peso para esa característica dentro del modelo de atribución.

{displaystyle {text{Ponderación de la atribución}}=}

{displaystyle ={frac {mathbb {E} {mathbb {E} (Y|X,A=1)}-mathbb {E} {mathbb {E} (Y|X,A =0)}}{mathbb {E} {mathbb {E} (Y|X,A=1)}}}}

Con los pesos construidos, el especialista en marketing puede conocer la verdadera proporción de conversiones impulsadas por diferentes canales o tácticas de marketing.

Mezcla de marketing y modelos de atribución

Dependiendo de la combinación de marketing de la empresa, pueden usar diferentes tipos de atribución para rastrear sus canales de marketing:

La atribución interactiva se refiere a la medición de canales digitales únicamente, mientras que la atribución entre canales se refiere a la medición de canales en línea y fuera de línea.
La atribución basada en cuentas se refiere a medir y atribuir crédito a las empresas en su conjunto en lugar de a las personas individuales y se usa a menudo en el marketing B2B.