Monikosketusattribuointi (MTA): Määritelmä ja mallit

Monikosketusattribuointi (MTA) on mittausmalli, joka jakaa konversiokrediitin kaikkien markkinointikontaktien kesken, joihin asiakas tutustui ennen ostoa, sen sijaan, että antaisi kaiken krediitin yhdelle mainokselle tai klikkaukselle. Jos ostaja näki natiivimainoksen, klikkasi myöhemmin uudelleenkohdennusmainoksen ja teki sitten konversion brändättyä hakua seuraamalla, MTA antaa murto-osan siitä konversiosta jokaiselle kolmelle kosketukselle sen sijaan, että antaisi sen kaiken viimeiselle.

Yleiset MTA-mallit#

Lineaariset mallit antavat jokaiselle kosketuspisteelle yhtä suuren krediitin. Aikahaipumismallit antavat konversion lähellä oleville kosketuspisteille enemmän painoa kuin aiemmille. Asemapohjaiset (U-muotoiset) mallit antavat ensimmäiselle ja viimeiselle kosketukselle suuremman osuuden, jakamalla loput keskitason kosketusten kesken. Datapohjaiset tai algoritmiset mallit, jotka usein perustuvat Shapley-arvoon tai vastaavaan peliteoriaan, arvioivat kunkin kosketuksen marginaalisen panoksen suoraan historiallisesta datasta sen sijaan, että soveltaisivat kiinteää sääntöä.

Miten se eroaa yksikosketusmalleista#

Yksinkertaisin vaihtoehto on antaa krediitti sille kosketuspisteelle, joka laukeaa viimeisenä määritellyn attribuointi-ikkunan sisällä, konversiopikselin kautta osthetkellä. Se on helppo laskea, mutta se aliarvioi systemaattisesti yläsuppilon kanavia, kuten natiivisia löytöpaikkoja, jotka yleensä esittelevät tuotteen eivätkä sulje myyntiä. MTA pyrkii korjaamaan tämän jakamalla krediitin koko polun yli, mikä yleensä tarkoittaa, että yläsuppilon natiivimainonta ja display-mainonta näyttävät arvokkaammilta MTA-mallin alla kuin viimeisen kosketuksen mallissa.

Miksi sen käyttö on muuttunut vaikeammaksi#

MTA riippuu yksittäisen käyttäjän kosketuspisteiden yhdistämisestä laitteiden ja istuntojen yli, mikä vaatii pysyviä tunnisteita: evästeitä, mobiilimainostunnuksia tai kirjautuneen käyttäjän yhdistämistä. Selainevästeiden rajoitukset ja alustatasoiset seurantarajoitukset ovat tehneet tästä yhdistämisestä puutteellisemman ajan myötä, joten MTA-mallit nojaavat yhä enemmän mallinnettuun tai todennäköisyyspohjaiseen yhdistämiseen täyttääkseen aukot deterministisen klikkiseurannan sijaan. Se on osasyy siihen, miksi yhä useammat mainostajat investoivat nyt ensipuolen datan keräämiseen, koska käyttäjätietue, jonka omistat suoraan, selviytyy alustojen seurantamuuutoksista paremmin kuin vuokrattava tietue.

Missä se sijoittuu muihin mittauksiin verrattuna#

MTA toimii parhaiten keskitason suppilon diagnostiikkatyökaluna, joka näyttää, mitkä kosketuspisteet yleensä esiintyvät yhdessä voittavalla polulla, sen sijaan, että se olisi lopullinen sana kanavan arvosta. Vakavat mediamainostustiimit tarkistavat ajoittain, selviääkö mallin implikoima kanavan arvo todellisella kokeellisella pidätysryhmällä, koska kanava, jonka MTA mukaan osallistuu kolmannekseen konversioista, voi silti näyttää lähes nollavaikutuksen, kun sen sammuttaa testiryhmälle.

Ymmärtäminen siitä, mitkä kanavat ajavat yläsuppilon tietoisuutta, alkaa tietämällä, mitä oikeasti pyörii. OpenAdLibrary:n natiivimainosten vakoilutyökalu näyttää, mitkä mainostajat aktiivisesti käyttävät natiivista mainosta alallasi, hyödyllinen tieto ennen kuin päätät, kuinka paljon attribuointikrediittiä kanava ansaitsee omassa mallissasi.

Käytännön asennusohjeita#

MTA:n oikea toteuttaminen vaatii johdonmukaisen seurantatunnisteen jokaisessa verkossa, jotta saman käyttäjän kosketuspisteet voidaan todella yhdistää, sekä attribuointi-ikkunan pituuden, jota sovelletaan johdonmukaisesti kaikilla kanavilla. Epäyhtenäiset ikkunat alustojen välillä, 7 päivän ikkuna yhdellä kojelaudalla ja 30 päivän ikkuna toisella, tekevät kaikista kanavienvälisistä MTA-vertailuista epävalidiksi ennen kuin malli edes ajetaan. Perustason mainosmenojen ja konversiodatan siistiminen kannattaa tehdä ennen investointia kehittyneempään datapohjaiseen malliin sen päälle.