Poprzedni artykuł (cz. 6): Porównanie modeli
W modelach single-touch 100% udziału w konwersji przypisywane jest jednej interakcji, np. kliknięciu które miało miejsce przed konwersją, a pozostałe interakcje są ignorowane – w odróżnieniu od modeli multi-touch, które potencjalnie biorą pod uwagę wszystkie interakcje, które miały miejsce na ścieżce w okresie ważności.
W roku 2024 w Google Analytics wprowadzono zmianę terminologii i dotychczasowe konwersje w Analytics zostały nazwane kluczowymi zdarzeniami. Niektóre, stworzone wcześniej ilustracje w tym artykule mogą wskazywać na kluczowe zdarzenia w Analytics jako na konwersje. W tym artykule użycie słowa „konwersja” (w ogólnym znaczeniu) nie zawsze będzie zgodne z terminologią Analytics.
Dwa podstawowe typy atrybucji single-touch to modele:
- pierwszej interakcji
- ostatniej interakcji
Przypisują one odpowiednio całość udziału w konwersji tej interakcji, która była pierwsza lub ostatnia na ścieżce konwersji – w granicach okresu ważności (okna konwersji).
Warto od razu zwrócić uwagę, że w odróżnieniu od ostatniej interakcji, model pierwszej interakcji będzie wrażliwy na zmianę okresu ważności. Ostatnia interakcja co do zasady jest zawsze taka sama, natomiast to, co będzie pierwszą interakcją, będzie zależało właśnie od tego, jak daleko w głąb czasu sięgniemy. Skracając okno konwersji z przykładu powyżej możemy spowodować, ze pierwszą interakcją nie będzie już Direct, ale Google Ads.
Wymiar Pierwsze źródło użytkownika w Google Analytics przypisuje kluczowe zdarzenia i przychody do tego źródła, z którego użytkownik odwiedził stronę po raz pierwszy w czasie całej swojej historii. Jest to więc bezwzględnie pierwsze źródło wizyty i okres ważności i w tym wypadku nie ma zastosowania (w pewnym sensie okres ważności jest „nieskończony”). Zob. też. artykuł o atrybucji w Google Analytics.
Konwersje wspomagane
Z modelem ostatniej interakcji wiąże się pojęcie konwersji wspomaganych i interakcji (kliknięć) wspomagających.
Interakcją wspomagającą jest każda interakcja, która nie jest ostatnia na ścieżce prowadzącej do konwersji, w związku z czym model ostatniej interakcji nie przypisał im konwersji. Mamy więc na ścieżce ostatnią interakcję przed konwersją i pozostałe interakcje – i je właśnie nazywamy wspomagającymi. Szczególnym przypadkiem interakcji wspomagającej jest pierwsza interakcja.
Raporty konwersji wspomaganych do każdego źródła ruchu raportują konwersje po ostatnim kliknięciu oraz konwersje wspomagane, w których to źródło wystąpiło na pozostałych pozycjach ścieżki, co pozwala zorientować się, czego raport ostatniego kliknięcia nie mówi nam o roli danego źródła i na ile to może być znaczące.
Pamiętajmy, że nie można sumować konwersji po ostatnim kliknięciu i konwersji wspomagających. Wynika to z tego, że dane źródło może być na ścieżce danej konwersji zarówno źródłem ostatniego kliknięcia, jak i wspomagającym:
Na ścieżce powyżej Organic jest ostatnim kliknięciem, ale jest również kliknięciem wspomagającym. Stąd Ogranic znajdzie się dla tej konwersji zarówno w konwersjach ostatniego kliknięcia, jak i we wspomaganych, choć będzie to dotyczyć tej samej konwersji.
Suma konwersji z ostatniego kliknięcia i konwersji wspomaganych będzie więc zawierać zduplikowane konwersje.
Z tych samych przyczyn, konwersji wspomaganych też nie należy ze sobą dodawać. W przykładzie powyżej ta konwersja pojawi się jako wspomagana dla Direct, Organic i Google Ads.
Samo tłumaczenie interakcja wspomagająca (ang. assist interaction) jest nie do końca trafne, bo sugeruje, że interakcja wspomagała proces konwersji, podczas gdy jedyne co wiemy, to że wystąpiła na ścieżce konwersji, ale nie wiemy, czy miała na nią jakikolwiek wpływ. Trafniejszym określeniem byłoby interakcja towarzysząca.
Modyfikacje modelu ostatniej interakcji
Modele single-touch można modyfikować, określając dodatkowe reguły decydujące o tym, której interakcji będzie przypisana konwersja, przez co czasem nie będzie to bezwzględnie ostatnia interakcja, ale ostatnia interakcja spełniająca określony warunek.
Model ostatniego kliknięcia
W modelu ostatniego kliknięcia stosowanym w raportach Google Analytics, 100% udziału w kluczowych zdarzeniach i przychodach jest przypisywane do ostatniej wizyty niebezpośredniej (czyli nie jest to bezwzględnie ostatnia wizyta). Czasami nazywany jest on modelem ostatniego kliknięcia niebezpośredniego, lecz formalnie przymiotnik „niebezpośredni” nie jest potrzebny, ponieważ w terminologii Google Analytics wizyta bezpośrednia nie jest kliknięciem.
Model ostatniego kliknięcia wykorzystywany jest w Google Analytics 4 również do określenia źródła sesji (session source) w raportach pozyskania ruchu – zob. artykuł na temat atrybucji w Google Analytics.
Kiedy w raporcie pozyskania ruchu widzimy wizytę z organicznych wyników wyszukiwania, to może to być równie dobrze wizyta bezpośrednia dokonana przez użytkownika, którego wcześniejsza wizyta na stronie miała miejsce z organicznych wyników wyszukiwania:
Oznacza to, że ruch wykazywany w Google Analytics jako ruch bezpośredni (direct) / (none) dotyczy użytkowników, którzy w okresie okresu ważności odwiedzali ją wyłącznie przez wizyty bezpośrednie. Faktycznie wizyt bezpośrednich jest zazwyczaj znacznie więcej, ale są one przypisywane do wcześniejszych źródeł ruchu.
Analogiczna sytuacja jest w przypadku atrybucji kluczowych zdarzeń: jeśli kluczowe zdarzenie w Google Analytics przypisywane jest do ruchu bezpośredniego, to znaczy że na jej ścieżce nie było żadnych innych interakcji, niż wizyty bezpośrednie. Zmiana modelu atrybucji nic nie zmieni – na ścieżce po prostu nie ma żadnych innych interakcji.
Ostatnie kliknięcie (kanały płatne Google)
Model ostatniego kliknięcia można zmodyfikować w ten sposób, że będzie on przypisywał kluczowe zdarzenia i przychody do ostatniej interakcji z wybranego kanału, np. Google Ads. W Google Analytics model ten nazywa się Ostatnie kliknięcie z dopiskiem kanały płatne Google i w pierwszej kolejności przypisuje kluczowe zdarzenie ostatniemu kliknięciu Google Ads (w odróżnieniu od pozostałych modeli, które biorą pod uwagę wszystkie interakcje niebezpośrednie i mają dopisek kanały płatne i bezpłatne).
Jeżeli na ścieżce nie ma kliknięcia Google Ads, model ten będzie działał jak model ostatniego kliknięcia (niebezpośredniego) i przypisze kluczowe zdarzenie ostatniej interakcji nie będącej wizytą bezpośrednią. Dopiero gdy na ścieżce są wyłącznie wizyty bezpośrednie, kluczowe zdarzenie zostanie przypisane do (direct) / (none).
Model ten przyda się, jeżeli chcemy porównać konwersje raportowane w Google Ads z raportami Analytics.
System Google Ads, podobnie jak każdy inny system reklamowy raportuje konwersje przypisując je wyłącznie interakcjom z własnymi reklamami. Pozostałe interakcje są dla Google Ads niewidoczne, dlatego jeśli tylko konwersja nastąpi po interakcji z Google Ads, system Google Ads przypisze sobie całość zasług za doprowadzenie do konwersji. I nie ma tu znaczenia, jeśli kliknięcie w reklamę Google będzie jedną z wielu różnych interakcji.
Gdy interakcji z Google Ads na ścieżce jest więcej, wewnętrzny model atrybucji Google Ads (np. model data driven) rozdzieli tę konwersję pomiędzy interakcje na ścieżce, ale wyłącznie (rzecz jasna) pomiędzy interakcje Google Ads.
Łączna liczba konwersji raportowanych w Google Ads powinna być zbliżona do tego, co przypisuje Google Analytics w modelu preferującym płatne kanały Google (np. model ostatniego kliknięcia płatnych kanałów Google).
Warto upewnić się, że obydwa raporty wykorzystują ten sam czas raportowania (domyślnym czasem raportowania w Google Ads jest czas interakcji, w Google Analytics – czas zajścia kluczowego zdarzenia, ale w Google Ads możemy dodać kolumnę konwersji „wg czasu konwersji”, a w Analytics – wybrać odpowiednie ustawienie narzędzia modelowania atrybucji.
W praktyce obserwujemy pewne różnice, wynikające z odmiennego modelowania behawioralnego w Google Ads i Analytics (dane użytkowników, którzy korzystają z różnych urządzeń, nie wyrazili zgody na śledzenie lub z innych powodów mieli to śledzenie zablokowane). Różnice mogą pojawiać się również w wyniku odmiennego traktowania konwersji po wyświetleniu angażującym (które Analytics też może raportować, ale nie trafiają one do wszystkich raportów zob. artykuł pomocy Google Analytics).
Niezależnie od występujących różnic, model ostatniego kliknięcia płatnych kanałów Google (ostatniego kliknięcia Google Ads) będzie najbliższym temu, co pokazuje Google Ads, przynajmniej łącznie dla całego konta czy MCK, jeśli reklamodawca korzysta z kilku kont.
Ostatnie kliknięcie vs. Ostatnie kliknięcie Google Ads
W terminologii Google Analytics, tytuł tego akapitu brzmiałby „Ostatnie kliknięcie (kanały płatne i bezpłatne) vs. Ostatnie kliknięcie (kanały płatne Google)”.
Porównując ze sobą te dwa modele w Analytics możemy zobaczyć, że różnica między konwersjami w Google Analytics, a tymi, które pokazuje Google Ads w swoich raportach jest wynikiem nadpisania źródeł ruchu dla tych konwersji, w których między kliknięciem reklamy Google Ads, a przed dokonaniem przez użytkownika konwersji, miała miejsce przynajmniej jeszcze jedna wizyta tego użytkownika z innego źródła niebezpośredniego.
Powyżej: Screen z Google Analytics (zmodyfikowany dla zwiększenia czytelności). Obydwa porównywane modele ostatniego kliknięcia są „niebezpośrednie” tj. unikają przypisania konwersji do direct, przy czym drugi model preferuje płatne kanały Google. Widać więc, że google / cpc znajdowało się na ścieżce konwersji o 40.25% częściej, niż wynikałoby to z raportu ostatniego kliknięcia (kanały płatne i bezpłatne), w którym konwersje po kliknięciu w Google Ads zostały „przechwycone” m.in. przez google / organic i instagram.com / cpc. Widać więc, interakcje z jakimi kanałami następują po kliknięciach w Google Ads i jaka jest tego skala. Niebezpośredniość modeli powoduje, że direct raportowany jest wyłącznie w braku innych interakcji na ścieżce, w związku z czym jego udział pozostaje bez zmian niezależnie od stosowanego modelu atrybucji.
Modyfikacja modeli i dodatkowe zasady dotyczące modelu awaryjnego
W dalszej części tego artykułu (zaktualizowanego w styczniu 2024 r.) znajdują się odwołania się do rozwiązań stosowanych w Universal Analytics (poprzednia wersja Google Analytics). Obecnie w analogiczny sposób działa atrybucja w Campaign Managerze 360 i Search Ads 360 (narzędzia Google Marketing Platform).
Zmodyfikowane modele atrybucji single-touch, które przypisują udział w konwersji interakcji spełniającej określone kryteria (np. ostatnie kliknięcie Google Ads) muszą być przygotowane na sytuację, w której takiej interakcji na ścieżce nie będzie. W takiej sytuacji przypisanie konwersji po prostu ostatniej interakcji niekoniecznie będzie zgodne z intencją modelu, np. przypisywałaby konwersje wyświetleniom lub wizytom bezpośrednim, mimo że na ścieżce są interakcje które „bardziej by na to zasługiwały”.
Dlatego przydałaby się dodatkowa reguła, która miałaby zastosowanie, gdyby preferowana przez model interakcja na ścieżce się nie znajdowała. Może to utrudniać porównanie z innymi zmodyfikowanymi modelami last touch (np. ostatniego kliknięcia niebezpośredniego).
Temu właśnie służą dodatkowe reguły dotyczące modelu zastępczego, (ang. additional rules for the fallback model, tłumaczone też jako dodatkowe zasady dotyczące modelu awaryjnego). Pod tą nazwą kryje się funkcja pozwalająca tworzyć modele atrybucji, które będzie sens porównywać z modelem ostatniego kliknięcia niebezpośredniego.
Model niebezpośredni
Oto jak wygląda definicja modelu Ostatnie kliknięcie Google Ads:
Jeśli żadna interakcja na ścieżce nie spełni wymogów reguły (w tym przypadku, jeśli żadna interakcja nie będzie pochodziła z google / cpc), to konwersja zostanie przypisana do ostatniej interakcji.
Kliknięcie “Zmień” pozwala stworzyć zasady modelu awaryjnego. Przypisanie udziału w konwersji zadziała tak: Jeśli żadna interakcja na ścieżce nie spełni wymogów reguły podstawowej (tutaj: nie będzie pochodziła z AdWords), to konwersja zostanie przypisana do ostatniej interakcji która spełnia zasadę (regułę) modelu awaryjnego. W naszym przypadku chcemy, aby nie było to wejście bezpośrednie:
W ten sposób, dopiero jeśli żadne interakcje nie spełnią również zasady modelu awaryjnego (w tym przypadku: jeśli nie będzie żadnej interakcji nie będącej wejściem bezpośrednim), to wtedy udział w konwersji zostanie przypisany ostatniej interakcji niezależnie od tego, czym ona jest (w tym przypadku będzie to wejście bezpośrednie).
W ten sposób stworzyliśmy model Ostatnie kliknięcie Google Ads (niebezpośrednie). Model ten wskaże taką samą liczbę konwersji przypisanych do płatnych wyników wyszukiwania jak model Ostatnie kliknięcie Google Ads, ale jednocześnie zachowa zasadę nieprzypisywania konwersji do ruchu bezpośredniego, jeśli istnieje jakieś inne źródło na ścieżce. Dzięki temu liczba konwersji przypisanych do ruchu bezpośredniego będzie taka sama, jak w modelu Ostatnie kliknięcie niebezpośrednie.
Model taki znacznie lepiej ilustruje, z które kanały wzajemnie nachodzą się z Google Ads. W poniższym przykładzie widać, że jedynym kanałem nakładającym się na Płatne wyniki wyszukiwania są Bezpłatne wyniki wyszukiwania do którego w modelu ostatniego kliknięcia przeszło 25 konwersji (w przypadku pozostałych kanałów zmiana wynosi 0%).
Obecnie (styczeń 2024) w Google Analytics wszystkie modele atrybucji są „niebezpośrednie”, tzn. unikają przypisania konwersji wizytom bezpośrednim, więc model zastępczy (awaryjny) wykluczenia wizyt bezpośrednich jest wbudowany w każdy model atrybucji.
Model awaryjny jest również dostępny dla modeli opartych o pierwsze kliknięcie. Wydaje się, że należy go stosować w zasadzie w każdym modelu modyfikującym zasady przypisania konwersji do ostatniego kliknięcia, gdyż przypisywanie udziału w konwersji wejściom bezpośrednim nie tylko nie dostarcza żadnych informacji na temat atrybucji poszczególnych działań marketingowych, ale wręcz zniekształca te dane.
Unikanie przypisania konwersji do wyświetleń
Model awaryjny może zostać również zastosowany do modeli, które wyłączą z przypisywania udziału w konwersji innych interakcji niż kliknięcia (np. wyświetlenia reklam display i video) w Campaign Managerze:
Model Non-Big Direct
We wcześniejszym artykule przedstawiliśmy przykładową grupę kanałów, w której ruchu bezpośredni i wyszukiwania haseł związanych z marką zostały połączone w jeden kanał „Big Direct”. Jest to związane z założeniem, że ruchowi temu nie chcemy przypisywać udziału w konwersji, jeśli mamy zidentyfikowane inne źródła na ścieżce konwersji.
Idąc w tym kierunku moglibyśmy chcieć stworzyć modele, które nie będą przypisywać udziału w konwersji nie tylko wizytom bezpośrednimi, ale również pochodzącym z wyszukiwania słów związanych z marką. Poniżej przykład konfiguracji modelu Last Non-Big Direct:
W modelu tym konwersja będzie przypisana do ostatniej wizyty niebezpośredniej, nie będącej wizytą z płatnego wyszukiwania marki (w tym przypadku marką jest przykładowo “adequate”). W ten sposób można lepiej określić, które kanały faktycznie dostarczają klientów, a nie tylko ułatwiają osobom szukającym naszego sklepu dotarcie do niego.
Jeżeli za większość konwersji w bezpłatnych wynikach wyszukiwania odpowiadają wyszukiwania marki, wtedy zasadnym jest włączenie do Big Direct również medium = organic (zob. artykuł na temat grup kanałów). W takiej sytuacji należałoby również w modelu atrybucji dodać warunek wykluczający medium = organic.
Jeśli na ścieżce znajdą się wyłącznie wyniki bezpośrednie, model awaryjny (zastępczy) przypisze konwersję do ostatniego kliknięcia (niebezpośredniego), jeśli takie znajduje się na ścieżce. Warunek ten pozwoli uniknąć niepotrzebnego zwiększania wizyt bezpośrednich w raportowaniu na źródło / medium.
Jeżeli porównanie modeli atrybucji będzie wykonywane na grupie kanałów zawierającej Big Direct, nie będzie to miało znaczenia, bo konwersja nie spełniająca warunku modelu Last Non-Big Direct zostanie tak czy tak zaliczona do Big Direct.
Analiza kanibalizacji kampanii niebrandowych i Google Ads przez kampanie brandowe
W kampaniach Google Ads często prowadzi się kampanie na słowa związane z własną marką (kampanie brandowe). Ich rola na ścieżce konwersji jest zdecydowanie inna niż pozostałych kampanii (kampanie niebrandowe) i jeśli na ścieżce wystąpi słowo generyczne a następnie brandowe, prawdopodobnie będziemy chcieli większą część wartości konwersji przypisać do słowa generycznego, a już na pewno nie chcielibyśmy, by słowo brandowe przypisało sobie całą zasługę.
Stosując modele dostosowane możemy łatwo ocenić, w jakiej części ścieżek w Google Ads słowo brandowe następuje po słowach niebrandowych i „zabiera” im konwersję w modelu ostatniego kliknięcia. Zobaczymy, na ile śledzenie konwersji w Google Ads oparte o model ostatniego kliknięcia Google Ads zmieniłoby udział w konwersjach, gdyby pominąć słowa związane z marką i całość konwersji przypisać wyszukiwaniu słów kluczowych nie związanych z marką i innym kampaniom, np. display.
W tym celu porównamy model Last Google Ads
– z modelem Last Google Ads Non-Brand, w którym w modelu awaryjnym (zastępczym) będziemy próbowali w pierwszej kolejności przypisać konwersję do Google Ads (w tym przypadku pozostaną nam kampanie brandowe) – dzięki temu zapewnimy tę samą liczbę konwersji przypisaną do Google Ads w obu modelach:
Porównując te dwa modele w grupie kanałów dzielących kampanie Google Ads na brandowe i pozostałe, możemy zobaczyć istotne różnice:
W tym przykładzie kampanie brandowe w istotny sposób „pozbawiają” konwersji pozostałe kampanie. Wartość słów generycznych byłaby o 64,43% wyższa w modelu ostatniego kliknięcia w Google Ads, gdyby nie następujące po nich słowa brandowe, a display, w tym remarketing również wykazywały istotne różnice.
W tej sytuacji mogłoby być zasadne wydzielenie kampanii generycznych do osobnego konta z oddzielnym śledzeniem konwersji i stosowanie tych konwersji do optymalizacji celów, gdyż aktualna konfiguracja istotnie zaniża ich wartość, a tym samym może blokować wykorzystanie ich pełnego potencjału.
Nasze kampanie są najprawdopodobniej zbyt konserwatywne, a zwiększenie wydatków na słowa nie związane z marką może pozwolić na wzrost sprzedaży przy utrzymaniu właściwej rentowności kampanii.
Aktualnie domyślnym modelem atrybucji w Google Ads jest model oparty o dane (data-driven). Doświadczenie wskazuje, że nie zawsze właściwie radzi sobie z oceną roli słów brandowych na ścieżce i analogiczna analiza powinna doprowadzić do podobnych wniosków.
Remarketing vs. Prospecting
Podobnie jak brand, remarketing gra inną rolę na ścieżce konwersji, niż działania prospectingowe. Owszem, remarketing jest działaniem zwiększającym konwersje, a jego skuteczność bywa bardzo wysoka. Niemniej, trzeba pamiętać że bez pozostałych działań marketingowych, pierwotnie doprowadzających użytkowników na stronę (prospecting), kanał ten nie miałby racji bytu.
Podobnie jak w przypadku płatnych kampanii na słowa związane z marką, budżet ten można traktować oddzielnie od budżetu przeznaczonego na pozyskiwanie nowych klientów. Wyłączenie kampanii remarketingowych z udziału w konwersji (nie tylko remarketingu AdWords) pozwoli na jeszcze lepszą ocenę kosztów pozyskiwania klientów.
W tym celu model Last Google Ads Non-Brand należy zmodyfikować i obok kampanii brandowych, wykluczyć również kampanie remarketingowe (model Last Google Ads Non-Brand -Rem). W omawianym przykładzie zobaczymy, że udział słów generycznych jest jeszcze większy (+77,74% vs. +64,43). Rośnie też udział prospectingowych kampanii display (+46,38% vs. +38,13%).
Jeżeli w naszych źródłach ruchu istotną część stanowią mailingi skierowane do zarejestrowanych użytkowników (czyli osób, które wcześniej już odwiedziły stronę i pozostawiły swój adres e-mail w celach marketingowych), to można również rozważyć stworzenie modelu, w którym także ten ruch zostanie wykluczony z udziału w konwersji – z tego samego powodu, z którego wykluczyliśmy remarketing.
W przypadku niektórych działań marketing automation będziemy mieli do czynienia de facto z remarketingiem, na przykład jeśli e-mail będzie wysyłany do użytkownika po porzuceniu koszyka zakupowego.
Dzięki takim porównaniom, otrzymujemy więcej informacji na temat tego, które źródła zamykają proces akwizycji klienta i jaka jest ich opłacalność.
Następny artykuł (cz. 8): Modele multi-touch
Warto przeczytać: Przewodnik po atrybucji w Google Analytics
