İlişkilendirme (pazarlama) - Attribution (marketing)

Olarak , pazarlama , ilişkilendirme olarak da bilinen çoklu dokunma atıf , kullanıcı işlemlerinin bir dizi kimlik ( "etkinlik" veya "temas noktaları") arzu edilen bir sonuca katkıda bulunur ve bu olayların her biri bir değer daha sonra atama . Pazarlama atıfları, belirli bir sırada hangi olay kombinasyonlarının bireyleri, genellikle bir dönüşüm olarak adlandırılan arzu edilen bir davranışta bulunmaya etkilediğine dair bir anlayış düzeyi sağlar.

Tarih

Pazarlama atıfının kökleri , psikolojik atıf teorisine kadar izlenebilir . Çoğu hesaba göre, pazarlamada ilişkilendirme teorisinin mevcut uygulaması, reklam harcamalarının geleneksel, çevrimdışı reklamlardan dijital medyaya geçişi ve ücretli ve organik arama, görüntülü reklam ve e-posta pazarlaması gibi dijital kanallar aracılığıyla sağlanan verilerin genişletilmesiyle teşvik edildi .

konsept

Pazarlama ilişkilendirmesinin amacı, her bir reklam izleniminin bir tüketicinin satın alma kararı verme veya dönüştürme kararı üzerindeki etkisini ölçmektir . Hedef kitleyi nelerin, ne zaman ve ne ölçüde etkilediğine ilişkin görünürlük, pazarlamacıların dönüşümler için medya harcamasını optimize etmesine ve ücretli ve organik arama, e-posta , bağlı kuruluş pazarlaması , görüntülü reklamlar, sosyal medya ve daha fazlası dahil olmak üzere farklı pazarlama kanallarının değerini karşılaştırmasına olanak tanır . Tüm pazarlama karması boyunca tüm dönüşüm yolunu anlamak, sessiz kanallardan gelen verileri analiz etmenin doğruluk zorluğunu azaltır. Genellikle, ilişkilendirme verileri pazarlamacılar tarafından gelecekteki reklam kampanyalarını planlamak ve reklam harcamalarından elde edilen gelir (ROAS) veya reklam harcamalarından elde edilen gelir (ROAS) veya müşteri adayı başına maliyet (CPL).

İlişkilendirme modelleri

Son on yılda çevrimiçi reklamcılığın hızlı büyümesinin yarattığı aksaklıktan kaynaklanan pazarlama kuruluşları, etkinliği ve yatırım getirisini izlemek için önemli ölçüde daha fazla veriye erişebiliyor. Bu değişiklik, pazarlamacıların reklamların etkinliğini nasıl ölçtüğünü ve ayrıca tıklama başına maliyet (TBM), Bin gösterim başına maliyet (BGBM), İşlem/edinme başına maliyet (EBM) ve tıklama dönüşümü gibi yeni metriklerin geliştirilmesini etkiledi. . Ek olarak, dijital cihazların çoğalması ve mevcut verilerdeki muazzam büyüme , ilişkilendirme teknolojisinin gelişimini ittiğinden, zaman içinde çoklu ilişkilendirme modelleri gelişmiştir .

• Tek Kaynaklı İlişkilendirme (ayrıca Tek Dokunuşla İlişkilendirme ) modelleri, tüm krediyi son tıklama, ilk tıklama veya bir reklamı gösterecek son kanal (görüntüleme sonrası) gibi tek bir etkinliğe atar. Basit veya son tıklama ilişkilendirmesi, istenen sonuca yol açan tüm katkıda bulunan faktörleri hesaba katmadığından, alternatif ilişkilendirme biçimlerinden daha az doğru olarak kabul edilir.
• Kesirli İlişkilendirme , eşit ağırlıklar, zaman azalması, müşteri kredisi ve çoklu dokunma / eğri modellerini içerir. Eşit ağırlıklı modeller, olaylara aynı miktarda kredi verir, müşteri kredisi, kredi tahsis etmek için geçmiş deneyimleri ve bazen sadece varsayımları kullanır ve çoklu dokunma, alıcı yolculuğundaki tüm temas noktalarına belirli miktarlarda çeşitli krediler atar.
• Algoritmik veya Olasılıksal İlişkilendirme , tüm pazarlama temas noktalarında dönüşüm olasılığını türetmek için istatistiksel modelleme ve makine öğrenimi tekniklerini kullanır ve bu olasılıklar daha sonra dönüşümden önceki her bir temas noktasının değerini ağırlıklandırmak için kullanılabilir. Ayrıca Veriye Dayalı İlişkilendirme olarak bilinen Google 'ın DoubleClick temas noktaları dönüşüm ile en yardımcı hangi rakama (hem olmayan dönüştürme ve dönüştürme) Hesabınızdaki farklı yollarının tümünün analiz etmek ve Analytics 360 kullanımı sofistike algoritmalar. Algoritmik ilişkilendirme, dönüşüm olasılığını belirlemek için tüm kanallarda hem dönüşüm sağlayan hem de dönüştürmeyen yolları analiz eder. Her temas noktasına atanan bir olasılıkla, temas noktası ağırlıkları, o boyutun toplam ağırlığını belirlemek için o temas noktasının bir boyutu (kanal, yerleşim, reklam öğesi vb.) tarafından toplanabilir.

Algoritmik bir ilişkilendirme modeli oluşturma

Uygun modeller oluşturmak için istatistik ve makine öğreniminden ikili sınıflandırma yöntemleri kullanılabilir. Ancak, modellerin önemli bir unsuru model yorumlanabilirliğidir; bu nedenle, model katsayılarını yorumlama kolaylığı nedeniyle lojistik regresyon genellikle uygundur.

davranış modeli

Gözlenen reklam verilerinin nerede olduğunu varsayalım.${\displaystyle \{(X_{i},A_{i},Y_{i})\}_{i=1}^{n}}$

• ${\displaystyle X\in \mathbb {R} }$ ortak değişkenler
• ${\ Displaystyle A\in \{0,1\}}$ tüketici reklamı gördü veya görmedi
• ${\displaystyle Y\in \{0,1\}}$ dönüşüm: reklama ikili yanıt

Tüketici seçim modeli

${\displaystyle u(x,a)=\mathbb {E} (Y|X=x,A=a)}$ ${\displaystyle \forall X\in \mathbb {R} }$ortak değişkenler ve reklamlar ${\ Displaystyle \ için A}$

${\displaystyle u=\sum _{k}A\beta ^{k}\psi (x)+\epsilon }$

Ortak değişkenler, genellikle sunulan reklamla ilgili farklı özellikleri (reklam öğesi, boyut, kampanya, pazarlama taktiği vb.) ve reklamı gören tüketiciyle ilgili açıklayıcı verileri (coğrafi konum, cihaz türü, işletim sistemi türü vb.) içerir. ${\görüntüleme stili X}$

Şema Teorisi

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

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

 ${\displaystyle =1/[1+e^{\sum _{k}A\beta ^{k}\psi (x)}]}$

karşı olgusal prosedür

Modelleme yaklaşımının önemli bir özelliği, tüketicilerin bir reklama maruz kalmadıklarını varsayarak potansiyel sonuçlarını tahmin etmektir. Pazarlama kontrollü bir deney olmadığı için, pazarlamanın gerçek etkisini anlamak için potansiyel sonuçlar elde etmek yararlıdır.

Tüm tüketiciler aynı reklamı görürse ortalama sonuç

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

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

Bir pazarlamacı genellikle 'temel'i veya bir tüketicinin pazarlamadan etkilenmeden dönüşme olasılığını anlamakla ilgilenir. Bu, pazarlamacının pazarlama planının gerçek etkinliğini anlamasını sağlar. Toplam dönüşüm sayısından 'temel' dönüşümlerin çıkarılması, pazarlamanın sağladığı dönüşüm sayısının doğru bir görünümünü verecektir. 'Temel' tahmin, türetilmiş lojistik fonksiyon kullanılarak ve potansiyel sonuçlar kullanılarak yaklaşık olarak tahmin edilebilir.

${\displaystyle {\text{Temel}}={\frac {\text{Gözlemlenen Pazarlama Olmadan Tahmini Dönüşümler}}{\text{Gözlemlenen Pazarlama ile Tahmini Dönüşümler}}}}$${\displaystyle ={\frac {\mathbb {E} \{\mathbb {E} (Y|X,A=0)\}}{\mathbb {E} \{\mathbb {E} (Y|X, A=1)\}}}}$

Temel türetildiğinde, pazarlamanın artımlı etkisi, diğerlerinin potansiyel sonuçta görülmediğini varsayarak, her bir reklam için 'taban' üzerindeki artış olarak anlaşılabilir. Taban üzerindeki bu kaldırma, genellikle ilişkilendirme modelinde bu özelliğin ağırlığı olarak kullanılır.

${\displaystyle {\text{İlişkilendirme Ağırlığı}}=}$ ${\displaystyle ={\frac {\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}-\mathbb {E} \{\mathbb {E} (Y|X,A) =0)\}}{\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}$

Oluşturulan ağırlıklarla pazarlamacı, farklı pazarlama kanalları veya taktikleri tarafından sağlanan dönüşümlerin gerçek oranını bilebilir.

Pazarlama karması ve ilişkilendirme modelleri

Şirketin pazarlama karmasına bağlı olarak, pazarlama kanallarını takip etmek için farklı ilişkilendirme türleri kullanabilirler:

• Etkileşimli İlişkilendirme yalnızca dijital kanalların ölçümüne atıfta bulunurken, kanallar arası ilişkilendirme hem çevrimiçi hem de çevrimdışı kanalların ölçümüne atıfta bulunur.
• Hesap temelli ilişkilendirme, krediyi bireysel kişilerden ziyade bir bütün olarak şirketlere ölçmek ve ilişkilendirmek anlamına gelir ve genellikle B2B pazarlamasında kullanılır.

Referanslar

• Mofet, Tina. "Forrester Wave: Kanallar Arası İlişkilendirme Sağlayıcıları (7 Kasım 2014)" . Arşivlenmiş orijinal 9 Temmuz 2015 tarihinde . Erişim tarihi: 8 Temmuz 2015 .