Den Ultimate Guiden til Attribusjon i 2024

Attribusjonsmodellering er noe som har blitt diskutert og omdiskutert i mange år innen digital markedsføring og webanalyse. Attribusjon i 2024 handler ikke bare om å spore hvilke kanaler som genererer salg, men også om å forstå komplekse kundereiser og optimalisere markedsføringskostnader for maksimal effektivitet.

Denne guiden er designet for å gi deg en dyptgående forståelse av dagens beste praksiser og innovasjoner innen attribusjonsmodellering. Vi vil utforske alt fra grunnleggende konsepter til avanserte strategier som vil sette din virksomhet i stand til å ta datadrevne beslutninger som resonnerer med forbrukeradferd i 2024. Enten du er ny i bransjen eller ser etter å finpusse dine ferdigheter, er denne guiden laget for deg.

Hva er attribusjon og attribusjonsmodellering?

Attribusjon i markedsføringssammenheng refererer til prosessen med å tildele kreditt eller verdi til de ulike berøringspunktene en kunde har med et merke før en endelig konvertering, som for eksempel et kjøp. Dette omfatter alt fra første gang en kunde ser en annonse, besøker en nettside, klikker på et nyhetsbrev, til de endelig gjør et kjøp. Målet med attribusjon er å forstå hvilke deler av markedsføringsstrategien som er mest effektive og bidrar mest til konverteringer, slik at man kan optimalisere fremtidige markedsføringsinvesteringer og strategier.

Attribusjonsmodellering er selve metoden som brukes for å teste forskjellige attribusjonsmønstre for å se hvilke mønstre og modeller som passer best til virksomheten. Noen bedrifter har lengre og mer kompleks kundereise enn andre og trenger derfor en mer avansert modell.

Attribusjon er ikke fasit

Det er viktig å huske på at attribusjonsmodellering ikke er nøyaktig vitenskap. Vi kan aldri helt vite hva som foregår i brukernes hoder og dermed vite deres intensjoner og de påvirkninger de er blitt utsatt for underveis i kundereisen. Det finnes nemlig svært mange faktorer som påvirker attribusjon.

1. Sesongvariasjoner: Endringer i forbrukeratferd og markedsaktivitet som følge av sesongvariasjoner, for eksempel ferie- og ferieperioder.
2. Trender: Skift i forbrukertrender og preferanser som kan påvirke responsen på markedsføringstiltak over tid.
3. Sosioøkonomiske forhold: Økonomiske og demografiske faktorer som påvirker kjøpekraften og forbrukervaner i ulike samfunnsgrupper. Det kan for eksempel være renteendringer.
4. Høytidsdager: Spesielle høytidsdager og hendelser som påvirker forbrukeratferd og kjøpsbeslutninger.
5. Kulturelle forskjeller: Variasjoner i kulturelle normer, verdier og preferanser som kan påvirke responsen på markedsføring på tvers av ulike markeder og målgrupper.
6. Språklige hindringer: Barrierer knyttet til språklig mangfold som kan påvirke kommunikasjonseffektiviteten og responsen på markedsføringstiltak.
7. Aldersvariasjon: Forskjeller i forbrukeratferd og preferanser basert på alder, som kan påvirke effektiviteten av markedsføringen rettet mot ulike aldersgrupper.

8. Konkurransesituasjon: Nivået av konkurranse i markedet kan påvirke responsen på markedsføringstiltak og dermed attribusjonen av salg og konverteringer.
9. Produkttilgjengelighet: Tilgjengeligheten av et produkt eller tjeneste kan påvirke forbrukernes beslutningsprosess og dermed attribusjonen av salg og konverteringer.
10. Markedsføringskanaler: Effektiviteten av ulike markedsføringskanaler kan variere avhengig av bransje, målgruppe og geografisk område, noe som kan påvirke attribusjonen av konverteringer.
11. Produktegenskaper: Egenskapene til et produkt eller en tjeneste, for eksempel pris, kvalitet og funksjonalitet, kan påvirke forbrukernes beslutningsprosess og dermed attribusjonen av salg og konverteringer.
12. Umiddelbar behovsrespons: Om kunde trenger en jakke umiddelbart og kjøper den første og beste, så er det noe som påvirker en attribusjon
13. Markedsføringsbudsjett: Størrelsen på markedsføringsbudsjettet og fordelingen av ressurser mellom ulike kanaler og kampanjer kan påvirke attribusjonen av salg og konverteringer.
14. Social proofing: Kunder blir påvirket av andre mennesker om hva de tenker, mener og gjør.
15. Andre bevisste grunner: Det kan være mange personlige grunner til hvorfor noen trenger å kjøpe et produkt her og nå.
16. Adblocks: Idag benyttes det oftere og oftere adblocks i nettlesere. Det betyr at bruker fjerner sporing slik at vi som analyserer brukeratferd på nettsteder, ikke får mulighet til å benytte deres bruksdata i vår analyse.

Det er dermed viktig å ha alt dette i bakhodet når man gjennomfører attribusjonsmodellering og analyse. Dette er snakk om kun estimater og kan være med på gi beslutningsviktig informasjon.

Hvorfor er attribusjon viktig?

Attribusjon spiller en kritisk rolle i markedsføringens verden fordi det gir klarhet over hvilke markedsføringsaktiviteter som mest sannsynlig genererer verdi. I en tid hvor markedsføringsbudsjettene stadig må forsvares og optimeres, gir en robust attribusjonsstrategi bedrifter muligheten til å fordele ressursene sine mer effektivt.

Ved å forstå hvilke kanaler og berøringspunkter som bidrar mest til konverteringer, kan bedrifter ikke bare justere sine utgifter til å favorisere de mest effektive metodene, men også forbedre kundereisen ved å fokusere på de interaksjonene som har størst innvirkning på kundens beslutningsprosess. Dette fører til mer målrettede markedsføringskampanjer og høyere ROI.

Attribusjon hjelper også markedsførere med å identifisere og styrke de delene av markedsføringsmiksen som kanskje undervurderes, men som spiller en kritisk rolle i å lede potensielle kunder gjennom salgstrakten. Uten effektiv attribusjon kan markedsførere risikere å investere i kostbare kampanjer som ikke leverer ønsket avkastning, og dermed gå glipp av muligheter til å optimalisere og vokse virksomheten.

Attribusjonsvindu

Et attribusjonsvindu, også kjent som en konverteringsvindu eller lookback-vindu, er en fastsatt periode der en bestemt brukerhandling, som et klikk eller visning av en annonse, kan tilskrives en konvertering. Med andre ord, det er tidsrammen hvor en markedsføringskontakt (for eksempel en annonseeksponering) regnes som relevant for å ha bidratt til en konvertering.

Formål med Attribusjonsvinduet

Formålet med å sette et attribusjonsvindu er å definere hvor lenge etter en interaksjon med en markedsføringskampanje en konvertering fortsatt kan tilskrives den spesifikke kampanjen. Dette er avgjørende for å forstå effektiviteten av forskjellige markedsføringskanaler og kampanjer, slik at markedsførere kan optimalisere sine strategier og budsjetter mer effektivt.

Eksempler på Attribusjonsvinduer

1. Klikkbaserte Attribusjonsvinduer: Dette er tidsperioden etter at en bruker har klikket på en annonse der en handling, som et kjøp, fortsatt kan tilskrives dette klikket. For eksempel, hvis attribusjonsvinduet er satt til 30 dager, og brukeren utfører en kjøpsaktivitet innen disse 30 dagene, vil kjøpet tilskrives den opprinnelige annonsen de klikket på.
2. Visningsbaserte Attribusjonsvinduer: I dette tilfellet tilskrives en konvertering en annonse som brukeren har sett, men ikke nødvendigvis klikket på. Hvis attribusjonsvinduet for visninger er satt til 7 dager, vil enhver konvertering som skjer innen 7 dager etter at annonsen er vist, tilskrives denne annonsen.

Justering av Attribusjonsvinduet

Lengden på et attribusjonsvindu kan variere avhengig av forretningsmodellen, kundereisens lengde og spesifikke markedsføringsmål. For eksempel, produkter med lengre beslutningsprosesser kan kreve lengre attribusjonsvinduer for å fange opp hele kjøpsprosessen, mens produkter som ofte kjøpes på impuls kan ha kortere vinduer.

Attribusjonsvinduet for kjøp av bolig, er mye lengre enn for eksempel ved kjøp av sko. Hvis man har for langs attribusjonsvindu vil enkelte kanaler og kilder få attribuert flere eller større betydning enn de egentlig har.

Betydningen av Attribusjonsvinduet

Valget av attribusjonsvindu kan ha betydelig innvirkning på hvordan data tolkes og hvordan budsjettene allokert til markedsføring brukes. For kort vindu kan føre til undervurdering av visse kanalers effektivitet, mens for langt vindu kan tillegge en kanal mer kreditt enn den faktisk fortjener. Derfor er det viktig at man eksperimenterer med og evaluerer lengden på deres attribusjonsvinduer for å finne den optimale balansen som reflekterer deres kunders faktiske adferd og kjøpsprosess.

Standardmodeller innen attribusjon

Standardmodellene er de modeller som er mest benyttet innen attribusjonsmodellering og det finnes mye god informasjon om bruken av disse i mange gode fagartikler. Vi skal se på disse litt nærmere.

Siste klikks attribusjon

Siste klikks attribusjon er en av de mest tradisjonelle metodene for å tildele verdi til markedsføringskanaler. Denne modellen gir all kreditt for en konvertering til det siste berøringspunktet eller klikket som kunden hadde før kjøpet eller en annen ønsket handling fant sted. Til tross for sin enkelhet, er siste klikks attribusjon fortsatt svært populær, spesielt blant bedrifter som ønsker en klar og umiddelbar forståelse av hvilke kanaler som direkte fører til konverteringer.

Hvorfor Siste Klikks Attribusjon Er Viktig: Siste klikks attribusjon tilbyr en uforbeholden klarhet som gjør det enkelt for markedsførere å identifisere og belønne de mest umiddelbare og tilsynelatende effektive kanalene for kundekonvertering. Dette kan være spesielt verdifullt i kampanjer hvor kortsiktig ROI er avgjørende, og hvor rask beslutningstaking er nødvendig for å allokere budsjett til de mest produktive markedsføringsaktivitetene.

Hvordan Implementere Siste Klikks Attribusjon: For å implementere siste klikks attribusjon, kan bedrifter bruke verktøy som Google Analytics, hvor de enkelt kan sette opp og spore konverteringer basert på siste interaksjonsmodell. Dette innebærer å konfigurere målsporing og konverteringsstier slik at det siste klikket før en konvertering automatisk får full kreditt for handlingen.

Eksempler og Begrensninger: For eksempel, hvis en potensiell kunde klikker på en PPC-annonse og deretter gjennomfører et kjøp, vil hele verdien av det salget tilskrives PPC-kanalen under siste klikks attribusjonsmodellen. Selv om dette gir verdifull innsikt, har modellen sine begrensninger. Den største ulempen er at den overser effekten av alle tidligere berøringspunkter som kan ha bidratt til å forme kundens beslutning om å kjøpe. Dette kan føre til en undervurdering av kanaler som spiller en viktig rolle i den tidlige fasen av kundereisen, som merkevarebygging gjennom innholdsmarkedsføring eller sosiale medier.

Til tross for disse begrensningene, er siste klikks attribusjon en nyttig modell for bedrifter som ønsker enkelhet og direkte sammenhenger i sine markedsføringsanalyser. For en mer balansert forståelse av kundeadferd, anbefales det imidlertid å kombinere denne modellen med andre mer sofistikerte attribusjonsmodeller som gir innsikt i hele kundens kjøpsreise.

Siste ikke-direkte attribusjon (Google Analytics Standard)

Siste ikke-direkte attribusjon er en modell som brukes i Google Analytics for å gi kreditt til den siste trafikkilden som førte til en konvertering, med unntak av direkte trafikk. Dette betyr at hvis en bruker kommer til nettstedet ditt gjennom flere kanaler før de konverterer, ignorerer denne modellen alle direkte besøk som oppstår rett før konverteringen og tilskriver i stedet den siste ikke-direkte kilden.

Hvorfor er Siste ikke-direkte Attribusjon Viktig? Denne attribusjonsmodellen er spesielt nyttig for å forstå effektiviteten av bestemte markedsføringskanaler som organisk søk, betalt annonsering, sosiale medier eller henvisninger, uten at de blir overskygget av direkte trafikk. Direkte trafikk skjer når en besøkende skriver inn nettadressen direkte i nettleseren eller bruker et bokmerke, og kan ofte inkludere gjentatte besøk fra eksisterende kunder. Ved å fokusere på den siste ikke-direkte kilden, gir modellen markedsførere et klarere bilde av hvilke kanaler som effektivt initierer brukerengasjement som fører til konverteringer.

Implementering av Siste ikke-direkte Attribusjon i Google Analytics: For å dra nytte av siste ikke-direkte attribusjonsmodell i Google Analytics, trenger du ikke å foreta noen spesielle innstillinger. Google Analytics bruker denne modellen som standard for mange av sine rapporter, med mindre annet er spesifisert. Når du ser på ulike rapporter, som kanalrapporter eller kampanjerapporter, reflekterer attribusjonsinformasjonen denne modellen med mindre du eksplisitt velger en annen attribusjonsmodell gjennom modellvergelserverktøyet.

Eksempler på Bruk og Innsikt: Anta at en bruker først besøker nettstedet ditt fra en Facebook-annonse, deretter kommer tilbake gjennom et Google-søk, og til slutt gjør et direkte besøk før de fullfører et kjøp. I dette tilfellet vil siste ikke-direkte attribusjon tilskrive konverteringen til Google-søket, ikke det direkte besøket.

Begrensninger og Overveielser: Selv om siste ikke-direkte attribusjon tilbyr en nyttig tilnærming for å evaluere visse markedsføringskanaler, kan den undervurdere betydningen av direkte trafikk og de kumulative effektene av multikanalinteraksjoner over tid. Det er viktig for markedsførere å kombinere denne innsikten med andre data og attribusjonsmodeller for å få en helhetlig forståelse av kundeadferd og kanaleffektivitet.

Førsteklikksattribusjon

Førsteklikksattribusjon er en modell hvor all kreditt for en konvertering gis til det første berøringspunktet eller interaksjonen som en potensiell kunde har med en merkevare. Denne modellen er spesielt verdifull for å forstå hvilke kanaler som effektivt trekker nye kunder inn i kjøpsreisen og er ofte brukt for å måle effektiviteten av bevissthetsbyggende aktiviteter.

Hvorfor Førsteklikksattribusjon er Viktig Førsteklikksattribusjon gir innsikt i starten av kundereisen og hjelper markedsførere med å identifisere hvilke kanaler som er mest effektive for å tiltrekke seg nye prospekter. Denne informasjonen er kritisk for bedrifter som investerer i toppen av trakten-markedsføring, hvor målet er å øke merkekjennskap og engasjere nytt publikum. Ved å forstå hvilke kanaler som initierer kundekontakt, kan bedrifter bedre allokere ressurser til de mest effektive markedsføringsstrategiene for å tiltrekke seg nye kunder.

Eksempler og Nytteverdi Anta at en markedsfører kjører flere kampanjer over søkemotorannonsering, sosiale medier og e-postmarkedsføring. Ved å anvende førsteklikksattribusjon, kan de oppdage at mange brukere først engasjerer seg med merket gjennom sosiale medier. Dette kan indikere at sosiale medier er en effektiv kanal for å vekke interesse og bygge bevissthet, selv om den endelige konverteringen kanskje skjer gjennom en annen kanal.

Begrensninger av Førsteklikksattribusjon Selv om førsteklikksattribusjon gir verdifulle innsikter, har den sine begrensninger. Ved å gi all kreditt til det første berøringspunktet, kan modellen overse viktigheten av påfølgende interaksjoner som faktisk kan være mer innflytelsesrike i å drive konvertering. For eksempel, hvis en kunde først blir tiltrukket av en kampanje, men det er oppfølgende e-poster som til slutt overbeviser dem om å kjøpe, kan førsteklikksattribusjon føre til en underbevurdering av e-postens rolle i kjøpsprosessen.

Det er derfor viktig for markedsførere å bruke førsteklikksattribusjon sammen med andre modeller for å få en mer balansert og omfattende forståelse av hvordan ulike markedsføringskanaler bidrar gjennom hele kundereisen. Dette vil sikre en mer nøyaktig og effektiv ressursallokering på tvers av markedsføringsaktivitetene.

Time decay attribusjon

Time Decay Attribusjon er en modell innen digital markedsføring som tildeler mest verdi til de berøringspunktene som skjer nærmest tidspunktet for konvertering. Modellen opererer på premisset om at de siste interaksjonene før et kjøp eller en annen viktig handling har større innflytelse på brukerens beslutning enn de som skjer tidlig i kundereisen.

Hvorfor Time Decay Attribusjon er Viktig Time Decay-modellen gir en mer realistisk vurdering av hvordan ulike markedsføringskanaler og kampanjer påvirker en kundes beslutning om å konvertere. Ved å vektlegge de siste interaksjonene før konvertering, kan markedsførere få bedre innsikt i hvilke tiltak som faktisk driver salg eller oppnår mål. Dette er spesielt nyttig for å forstå og optimalisere kampanjer i traktenes nedre del, hvor kunder er nærmere kjøpsbeslutningen.

Eksempler på Bruk av Time Decay Attribusjon Et typisk eksempel kan være en e-handelsvirksomhet som kjører flere parallelle markedsføringskampanjer, inkludert PPC (Pay Per Click), e-postmarkedsføring og sosiale medier. Ved å anvende Time Decay Attribusjon, kan virksomheten observere at selv om mange kunder først blir oppmerksomme på produktene gjennom PPC-annonser, er det e-postoppfølgingen nærmere kjøpstidspunktet som har størst innvirkning på konverteringene. Dette kan føre til en omallokering av ressurser for å styrke e-postmarkedsføringsstrategiene. Eller at markedsføringstiltakene for siste del av trakten fungerer såpass bra, at man kan drive eksperimentering og testing med den tidligere delen av trakten for å se om det vil kunne øke eller forbedre konverteringsvolum og konverteringsrate.

Begrensninger av Time Decay Attribusjon Selv om Time Decay Attribusjon gir verdifulle innsikter, kan den undervurdere betydningen av tidlige berøringspunkter som bygger merkevarebevissthet og førstegangs interesse. For virksomheter med lengre salgssykluser eller der merkevarebygging spiller en kritisk rolle, kan det være nødvendig å balansere denne modellen med andre attribusjonsmodeller for å få en fullstendig forståelse av hver kanals bidrag gjennom hele kundereisen.

Time Decay Attribusjon er derfor best brukt som en del av en større suite av verktøy for å måle og forstå markedsføringsinnsats, og bør justeres og kalibreres regelmessig for å holde tritt med endringer i kundeadferd og markedsforhold.

Lineær attribusjon

Lineær attribusjon er en attribusjonsmodell som tildeler lik kreditt til alle berøringspunkter en kunde har med en merkevare gjennom hele kjøpsreisen. Denne modellen baserer seg på prinsippet om at hver interaksjon spiller en like viktig rolle i å føre til en konvertering, uavhengig av når i kundereisen interaksjonen fant sted.

Hvorfor Lineær Attribusjon er Viktig Lineær attribusjon gir en holistisk vurdering av en markedsføringskampanjes samlede effekt ved å anerkjenne bidraget fra hver enkelt berøringspunkt. Dette kan være spesielt nyttig for bedrifter som ønsker å forstå den samlede effekten av sin integrerte markedsføringsstrategi, hvor mange forskjellige kanaler og taktikker jobber sammen for å påvirke kundeadferd. Modellen er ideell for å evaluere og balansere innsatsen på tvers av alle kanaler, og sikrer at ingen viktig del av kundereisen blir undervurdert.

Eksempler på Bruk av Lineær Attribusjon La oss si at en potensiell kunde først blir eksponert for et merke gjennom en sosial media-kampanje, deretter klikker på en betalt annonse, følger en e-postlenke, og til slutt utfører en konvertering via et organiske søk. Med lineær attribusjon vil hver av disse fire interaksjonene motta lik kreditt for å ha bidratt til salget. Dette gir verdifull innsikt for markedsførere som ønsker å forstå hvordan ulike kanaler samarbeider og bidrar til kundens endelige beslutning.

Begrensninger av Lineær Attribusjon Selv om lineær attribusjon gir et balansert syn på alle berøringspunkter, kan den også være misvisende i situasjoner hvor visse interaksjoner faktisk har større innvirkning enn andre. For eksempel, i tilfeller hvor en kundes beslutning primært blir drevet av en spesifikk kampanje eller tilbud, kan lineær attribusjon feilvurdere denne interaksjonens relative betydning sammenlignet med andre mer perifere berøringspunkter.

Lineær attribusjon er best brukt i sammenheng med en bredere markedsføringsstrategi og bør vurderes sammen med andre modeller for å få et mer komplett bilde av hva som driver konverteringer i en multikanalmarkedsføringsstrategi.

Posisjonsbasert attribusjon

Posisjonsbasert attribusjon, også kjent som U-formet attribusjon, er en modell som kombinerer prinsippene bak både første- og siste-klikks attribusjon ved å tildele mest verdi til det første og det siste berøringspunktet i en kundes kjøpsreise, mens resten av berøringspunktene får mindre verdi. Denne modellen anerkjenner både initieringen av kundereisen og den avsluttende handlingen som de mest kritiske punktene for påvirkning, mens den også gir kreditt til mellomliggende berøringspunkter.

Hvorfor Posisjonsbasert Attribusjon er Viktig Posisjonsbasert attribusjon gir en mer balansert vurdering av en markedsføringskampanjes effektivitet ved å anerkjenne både de berøringspunktene som introduserer kunder til merket og de som til slutt overbeviser dem om å gjøre et kjøp. Denne modellen er særlig nyttig for markedsførere som ønsker å forstå både kundens oppdagelsesreise og konverteringsbeslutninger, og hvordan ulike kanaler bidrar til begge deler av salgsprosessen.

Eksempler på Bruk av Posisjonsbasert Attribusjon Anta at en kunde har en interaksjonsrekkefølge som starter med å klikke på et blogginnlegg (første berøringspunkt), deretter følger en rekke e-postmarkedsføringer, før de til slutt klikker på en retargeting-annonse og gjennomfører et kjøp. Med posisjonsbasert attribusjon ville blogginnlegget og retargeting-annonsen motta mesteparten av kreditten for salget, mens e-postene ville dele den resterende kreditten. Dette gir innsikt i både hvilke kanaler som effektivt genererer interesse og hvilke som effektivt driver konverteringer.

Begrensninger av Posisjonsbasert Attribusjon Selv om posisjonsbasert attribusjon gir en balansert tilnærming, kan den likevel ikke fullt ut fange opp kompleksiteten i svært integrerte eller langvarige kundereiser der flere viktige interaksjoner kan skje. Den antar også at det første og siste berøringspunktet alltid er de viktigste, noe som ikke alltid kan være tilfellet.

Posisjonsbasert attribusjon er ideell for markedsførere som ønsker å måle og forbedre effekten av deres markedsføringsstrategier på en måte som balanserer både kundens oppdagelse av merket og den endelige beslutningsprosessen. Denne modellen hjelper bedrifter med å justere sine strategier for å optimalisere både kundetiltrekning og konvertering.

Avanserte modeller

Custom attribusjonsmodell

Custom attribusjon der du tilpasser vektingen basert på din spesifikke forretningsmodell og innsikt om kundereisen. Dette krever ofte at avansert analyse og evnen til å tilpasse attribusjonsvinduer og vektlegging basert på detaljerte data. Enkelte bedrifter har starter med lineær modell og benyttet vekting av forskjellige kanaler, basert på forskjellige måter å kalkulere deres viktighet på, til å bygge en custom attribusjonsmodell.

Markov-kjedemodellering innen attribusjon

Markov-kjedemodellering er en mer avansert form for attribusjon der man benytter algoritmer og sannsynlighetsberegninger for å estimere sannsynligheten for at en bestemt markedsføringskanal fører til konvertering. Markov-kjeder betrakter hvert berøringspunkt som en del av en kjede av hendelser som leder til konvertering. For å illustrere dette har jeg generert et fiktivt datasett på 1000 kontaktpunkter fra forskjellige kanaler. Ettersom dataene ikke er spesifiserte kundereiser over flere berøringspunkter, så har jeg simulert dette ved å anta at berøringspunktene er en del av en kundereise.

Starter med å definere overgangsmatrisen og deretter bygge en grunnleggende Markov-kjede. Deretter utføres fjerningseffektanalyse for å se på kredittfordelingen.

1. Overgangssannsynligheter: Dette viser sannsynlighetene for å gå fra en kanal til en annen basert på datasettet. For eksempel er sannsynligheten for å gå fra “Organisk” til seg selv omtrent 42%.
2. Fjerningseffekter og Kredittfordeling: Basert på fjerningseffekten (effekten av å fjerne en kanal fra modellen), kan vi se at hver kanal har forskjellig innflytelse. Her er den prosentvise kredittfordelingen basert på fjerningseffekten:
   • Organisk: 36.9%
   • Direkte: 24.9%
   • Betalt søk: 19.8%
   • E-post: 10.6%
   • Sosiale medier: 7.7%

Spillteoribasert attribusjon

Spillteori–basert attribusjon anvender spillteori for å evaluere bidraget fra hver markedsføringskanal ved å vurdere hvordan konverteringsrater endres når en kanal blir lagt til eller fjernet fra en kombinasjon. Den er særlig nyttig for å vurdere kanalens synergier og interaksjoner.

Tenk deg at du har en nettbutikk og du bruker tre markedsføringskanaler for å promotere produktene dine:

• Organisk Trafikk
• Betalt Søk
• Sosiale medier

Du ønsker å vite hvilken kanal som er mest effektiv og hvilken som gir mest utbytte for pengene anvendt. For å bruke spillteori for å anvende dette kan du for eksempel starte med organisk trafikk. Du gjør ingen betalte annonseringer eller kampanjer enda. 100% av din trafikk kommer da fra organisk trafikk / ikke-betalt trafikk.

Deretter legger du til sosiale medier. Da følger man på hvordan konverteringsvolum og konverteringsrate påvirkes. Til slutt så legger man da til betalt søk og ser igjen etter endringer i konverteringsvolum og konverteringsrate.

Ved å sammenligne med og uten hver kanal, kan du få en god ide om hvilken kanal som har størst innvirkning på konverteringer. Du kan dermed også se hvordan kanalene påvirker og eventuelt samhandler med hverandre.

Fordeler med spillteoribasert attribusjon

• Tar hensyn til kanalens synergier og interaksjoner
• Mer nøyaktig enn siste klikk og første klikk.
• Kan benyttes til å markedsmix-utnyttelser og bedre markedskampanjer.

Ulemper med spillteori–basert attribusjon:

• Den kan være kompleks og tidkrevende å implementere.
• Den krever mye data.
• Den kan være vanskelig å tolke resultatene.

Spillteoribasert attribusjon er kanskje bedre for netthandelsnettsteder som har mulighet til å benytte enkeltstående kanaler over tid, for å isolere effekt og påvirkning.

Eksempel på forløp:

• Organisk trafikk (A)
• Betalt Søk (B)
• Sosiale Medier (C)

Forløp1 = A -> AB -> ABC

Forløp2 = A -> AB -> AC -> BC -> ABC

Forløp3 = A -> B -> C -> AB -> AC -> BC

Temporær attribusjon

Temporær attribusjon er en tidsfølsom modell som gir brukeranskaffelsesledere fleksibilitet i hvordan de presenterer sine data. Denne modellen er også nyttig for implementering av tester og håndtering av kampanjer.

For å forstå hvordan dette avviker fra tradisjonelle attribusjonsmodeller, la oss se på et eksempel:

Du har en spillapp og ønsker å kjøre en kampanje med et tidsbegrenset tilbud. Du vil også se hvordan et nytt nettverk, Kilde B, kan drive hendelser i appen innen en uke etter reattribusjon. Når uken er over, ønsker du imidlertid å stoppe å kreditere Kilde B for fremtidige hendelser i appen.

Hvis du bruker en temporær attribusjonsmodell, vil enhver attribusjon til Kilde B flyttes tilbake til den forrige kilden til attribusjon etter at uken er over. Nettverket vil fortsatt få betalt for disse reattribusjonene, men dataene for brukernes påfølgende økter og hendelser vil reflekteres under den forrige kilden, enten det er organisk eller fra et annet nettverkskilde.

Av denne grunn kan temporær attribusjon være nyttig for å måle suksessen av engasjements- og retargetingkampanjer.

Multitouch attribusjonsmodellering (MTA)

Multi-Touch Attribution (MTA) er en avansert markedsføringsmetodikk som tilskriver verdi til hver interaksjon eller “touchpoint” en kunde har med et merke gjennom hele kjøpsreisen. Dette gjør det mulig for markedsførere å få en dypere forståelse av hvilke kanaler og berøringspunkter som faktisk påvirker en kundes beslutning om å kjøpe. MTA er kritisk fordi den gir et mer nyansert bilde enn tradisjonelle enkeltklikksmodeller, som ofte tilskriver all kreditt til det siste klikket før konvertering. Ved å bruke MTA kan bedrifter se nøyaktig hvor effektive deres ulike markedsføringsinnsatser er på tvers av hele spekteret av kundekontakt, noe som fører til mer målrettede og kostnadseffektive kampanjer.

For å implementere MTA effektivt, må en organisasjon først sikre at de har de riktige verktøyene og systemene på plass for å samle inn detaljert data om brukerinteraksjoner over flere kanaler og enheter. Dette inkluderer integrering av plattformer som web analytics, CRM og Ad Tech for en helhetlig datainnsamling. Etter å ha etablert en robust datainnsamlingsstrategi, kan spesialiserte analytiske verktøy eller plattformer brukes for å utføre MTA-analyse, hvor algoritmer og modeller vurderer bidraget fra hver touchpoint mot den endelige konverteringen.

Et eksempel på vellykket implementering av MTA kan sees i en stor e-handelsplattform som justerte sitt markedsføringsbudsjett basert på innsikt fra MTA-analyse. Ved å identifisere at sosiale medier og e-postmarkedsføring hadde en sterkere innflytelse på kjøpsbeslutninger tidlig i kundereisen, kunne de allokere mer ressurser til disse kanalene, noe som resulterte i en økning på 20% i konverteringsrater og en mer kostnadseffektiv bruk av markedsføringsbudsjettet.

Cross Device Tracking

Cross-Device Tracking er en teknologi som sporer brukernes interaksjoner med et merke på tvers av forskjellige enheter – fra smarttelefoner og nettbrett til datamaskiner og tilkoblede TVer. Denne sporingen er avgjørende fordi den tillater markedsførere å få en helhetlig forståelse av kundens atferd og preferanser, uavhengig av hvilken enhet de bruker. Dette er spesielt viktig i en tid hvor folk stadig veksler mellom enheter i løpet av kjøpsprosessen. Ved å bruke Cross-Device Tracking kan markedsførere levere mer konsistente og personlige markedsføringsbudskap som øker sjansene for konvertering.

For å implementere Cross-Device Tracking effektivt, kreves avanserte teknologier som Device Graphs, som kan koble sammen data fra ulike enheter og identifisere dem som tilhørende samme bruker. Dette oppnås ofte gjennom kombinasjoner av deterministiske metoder (som bruker påloggingsinformasjon) og probabilistiske metoder (som bruker algoritmer for å anslå sannsynlige enhetstilkoblinger basert på atferdsmønstre).

Et eksempel på vellykket Cross-Device Tracking kan observeres i en nettbasert detaljhandel der en kunde begynte å handle på en mobiltelefon, byttet til en laptop for å lese omtaler og fullførte kjøpet på en nettbrett. Ved å spore denne reisen over enheter, kunne selskapet tilby målrettede annonser og påminnelser på tvers av disse enhetene, noe som resulterte i en fullført transaksjon. I tillegg hjelper slik tracking med å gi dypere innsikt i kundens preferanser og atferd, noe som fører til mer effektiv målretting og personalisering av markedsføringsinnsatsen.

Offline Attribution

Offline attribution er en prosess hvor markedsførere knytter offline kundeadferd, som butikkbesøk og kjøp, til digitale markedsføringsinnsatser. Dette er avgjørende i en integrert markedsføringsstrategi fordi mange kunder interagerer med et merke både online og offline før de tar en kjøpsbeslutning. Å kunne måle effekten av online annonsering på offline atferd gir bedre innsikt i kundereisen og hjelper bedrifter med å optimalisere markedsføringsbudsjettene sine mer effektivt.

For å implementere offline attribution, bruker bedrifter ulike teknikker som:

• Kupongkoder og kampanjer: Spesielle tilbud som er unike for digitale kampanjer, men kan innløses i fysiske butikker.
• CRM-integrasjon: Koble kundedata fra CRM-systemer med online interaksjoner for å se hvordan digitale kampanjer påvirker kundeadferd offline.
• Geolokasjonsdata: Bruk av geolokasjonsdata for å spore når kunder som har blitt eksponert for digitale annonser besøker en fysisk butikk.
• Telefonsporing: Tilordne unike telefonnumre til forskjellige digitale kampanjer for å spore hvilke annonser som fører til telefonhenvendelser.

Et eksempel på vellykket offline attribution kan ses i en kampanje utført av en bilforhandler. Forhandleren brukte målrettede online annonser for å lokke potensielle kunder til gratis prøvekjøringer. Hver annonse hadde en unik kode som kundene kunne presentere for å motta tilbudet. Ved å analysere hvilke koder som ble innløst, kunne forhandleren nøyaktig spore hvilke online annonser som genererte faktiske butikkbesøk og økte salg. Dette ga verdifull innsikt som hjalp til med å forme fremtidige markedsføringsstrategier og optimalisere budsjettallokering mellom online og offline kanaler.

Hvordan gjennomføre attribusjonsanalyse

I en attribusjonsanalyse er det ikke alltid nødvendig eller praktisk å bruke alle tilgjengelige modeller. Valget av attribusjonsmodell kan variere avhengig av bedriftens spesifikke behov, datakvalitet og hva slags innsikt man ønsker å oppnå. Det foreligger noen viktige faktorer for hvordan

Forstå Bedriftens Mål

• Kundereisens Lengde og Kompleksitet: For enkelte reiser som er korte og direkte, kan en siste-klikk-modell være tilstrekkelig. For lengre og mer komplekse kundereiser med mange berøringspunkter, kan en mer avansert modell som en Markov-kjede eller en posisjonsbasert modell gi mer nøyaktig innsikt.
• Markedsføringsstrategi: Hvis målet er å vurdere effekten av bevisstgjøring, kan en første-klikk-modell være nyttig. Hvis målet er å optimalisere konverteringspunktene, kan siste-klikk eller time decay være mer passende. Det betyr at innen samme nettsted og samme besøksgrunnlag til et nettsted, så foreligger det flere påvirkninger fra forskjellige kampanjer til forskjellige tidspunkt, som gjør at attribusjonsspørsmålet fort kan bli svært komplekst og gjøre det vanskelig å identifisere hvilke kampanjer og kanaler som faktisk er bedre påvirkere enn andre.

Dataanalyse

• Datakvalitet og Tilgjengelighet: Sørg for at dataene er av høy kvalitet og at det er nok data til å støtte en kompleks modell. Enkelte modeller, som Markov-kjeder, krever mer detaljert og omfattende data.
• Historisk Analyse: Se på tidligere kampanjedata for å identifisere mønstre eller trender som kan gi innsikt i hvilken modell som kan være mest effektiv.

Eksperimentere med Modeller

• Teste Flere Modeller: Utfør pilotstudier eller A/B-testing med forskjellige modeller for å se hvilken som gir resultater som best stemmer overens med dine forventninger og mål.
• Sammenlign Resultater: Analyser resultatene fra forskjellige modeller for å se hvilken som gir mest logiske og brukbare innsikter.

Kontinuerlig Evaluering og Justering

• Tilpasning Over Tid: Attribusjonsmodeller bør ikke være skrevet i stein. Med endringer i markedet, kundeadferd, og markedsføringsteknologi, kan det hende at modellen må reevalueres og justeres.
• Integrer Innsikt i Strategi: Bruk innsikter fra den valgte attribusjonsmodellen til å guide markedsføringsstrategier og budsjettallokering.

Praktisk Anvendelse

• Ressurser og Kompetanse: Vurder bedriftens kapasitet til å implementere og vedlikeholde modellen. Avanserte modeller som Markov-kjeder kan kreve spesialkompetanse og mer ressurser

Implementering i praksis

For å implementere dette, start med å spore alle de berøringspunkter langs kundereisen ved hjelp av verktøy som Google Analytics og gjerne også mer avanserte CRM systemer som kan håndtere flere touchpunkter. Analyser dataen for å se hvordan de ulike kampanjene og kanalene påvirker de forskjellige stadiene.

Attribusjonsmønstre endrer seg

Hvis du utfører en attribusjonsanalyse i januar, vil den mest sannsynlig ikke være representativ i juli. Det er fordi vi som regel ser et signifikant skifte av enhetsbruk, der brukere i januar kan være for det meste desktop, mens det i juli vil være mobilbrukere, på grunn av ferieavvikling. Det vil si at attribusjonsmodelleringsanalyse

Sammendrag

Som nevnt i denne artikkelen så er det mange elementer å tenke på når man skal gjennomføre attribusjonsmodellering. Det er ikke eksakt fasit og mønstre endrer seg over tid. Det er derfor viktig å gjennomføre flere tester og eksperimenter over tid, i flere typer tidsperioder, trender og sesonger.

Hvilken attribusjonsmodell bruker du?