[Google Analytics] 8種歸屬模式(Attribution Models)比較&應有的分析思維

封面照片

轉換(Conversion)就跟羅馬一樣:它們都不是一天造成的。在現今繁複的數位世界,消費者與品牌的接觸點通常有很多個,而且這些接觸點會是隨機的、複雜的、很難預測的。在完成轉換之前,這些使用者都以哪種管道進入我的網站?我的多媒體廣告跟搜尋廣告在提升轉換上的成效如何?要回答這些問題,我們必須對於歸屬模式(Attribution Models)與多管道程序(Multi-Channel Funnels)熟能生巧。

目標讀者:
有在追蹤轉換,並想利用歸屬模式和多管道程序更深入了解消費者的轉換路徑的行銷人員與業者。

段落:
ㄧ、什麼是歸屬模式(Attribution Models)?它為何重要?
二、GA中的不同歸屬模式
三、分析思維與注意事項

 


 

ㄧ、什麼是歸屬模式(Attribution Models)?它為何重要?

簡單來說,歸屬模式是一種將轉換的功勞分配給不同進站管道的方法。轉換是我們希望使用者在網站上完成的動作,例如購買、表單送出,或點擊某按鈕等;而進站管道則是使用者進站的方法,例如自然搜尋、社群、多媒體廣告等。通常使用者在完成轉換之前,都會用不同管道造訪網站許多次;歸屬模式在做的是,把轉換歸因給這些進站管道,而不同的模式即是不同的歸因方法。如果你的GA還沒設定追蹤轉換(在GA中叫作「目標」),請點這裡查看相關說明。

打個比喻(你可能會常常聽到這個比喻XD),阿挑在聯誼活動中認識了一位女生,後來約會了數個月,阿挑向她求婚,最後他們在教堂中完成了浪漫婚禮。

這時,阿挑可能會宣稱:「嘿,為了求婚,我花了很多心血準備,如果不是我開口,我們根本不可能共結連理。」

聯誼活動的主辦單位當然會有意見:「是嗎?如果不是我們舉辦那次聯誼,你們兩個根本不會認識!」

婚禮上宣告誓詞的牧師也有話要說:「是嗎?如果不是我宣告誓詞,說『You may now kiss the bride』,你們也結不了婚呀!」

最後,我們也清楚,中間約會的過程也至關重要,因為它讓這小倆口的感情升溫,讓他們知道對方是自己可以互許終身的那個人。

我們可以把「結婚成功」視為一個轉換,而聯誼、約會、求婚、牧師就是不同的進站管道,爭論著誰是這段佳話的最大功臣。歸屬模式會把這個「結婚成功」的功勞,拆分給阿挑感情路上的聯誼、約會、求婚、牧師等不同環節。

如果我們拉回真實世界之中,可以發現消費者的轉換路徑往往更為複雜。再次拿阿挑當例子:

  • 假設今天阿挑搜尋了「婚戒」這個產品,點擊關鍵字廣告進站,並訂閱了電子報
  • 過了幾天,他收到電子報,點擊了電子報中的連結進站
  • 某天,他點擊了 Facebook 粉絲專頁貼文進站
  • 一個禮拜後,他看到了多媒體廣告正顯示著促銷訊息,再次點擊進站
  • 最後,他又點擊了FB粉專貼文進站,把網址記了下來,隔天才輸入網址直接進站,並訂購婚戒,完成轉換

我們可以將上面這個消費者的轉換路徑表示如下:

阿挑的轉換路徑
阿挑的轉換路徑

跟結婚的比喻相比,阿挑的轉換路徑中涉及了更多管道,而且同樣的管道還使用了兩次(Social)。在現今人手一機,網路普及率又高的狀況下,許多品牌的行銷都在數位化,這導致消費者隨時隨地都有可能以各種管道接觸到品牌,而且這些接觸點會是隨機的、複雜的、很難預測的。品牌行銷人員在各管道投入預算,但卻沒辦法設計消費者接觸各管道的流程,我們只能知道,這些不同管道經過一番交互作用後,才促成最後的轉換。

GA中的歸屬模式和多管道程序可以幫助我們對轉換過程有深入的洞察,包括每個管道的功勞和價值、最常出現的轉換過程是哪些、轉換過程的接觸點數量與天數等等。有了這些輪廓,我們就能更有根據地做出以下策略決定:

  • 我們能測量各個管道的效益,進而調整當前的預算分配,把預算從表現較差的管道移到表現較好的管道
  • 我們能以不同模式去檢視各個管道的效益,找出一些被低估或高估的管道,獲得更客觀的見解
  • 我們能知道某個特定管道較常出現在轉換過程的前、中,還是後段,進而調整該管道的行銷溝通口吻
  • 我們能知道大多數消費者轉換過程的順序,之後在進行媒體規劃時就能以此為參考,讓企劃更符合消費者情境

 

GA預設的管道分類(共9種)
GA預設的管道分類(共9種)

 

(歸屬模式和多管道程序都是GA裡面跟轉換路徑相關的重要功能,但本篇以下內容將會以歸屬模式為主,關於多管道程序的更多資訊請看這裡。)

 

二、GA中的不同歸屬模式

在第二個章節裡,我們將介紹GA中預設的7種歸屬模式,外加一個屬於進階功能的 Data-Driven Model首先,我們會用剛剛阿挑買婚戒的那個例子作為圖示,然後會解釋模式的定義,它的優缺點,還有它的應用方法。

在這7種模式裡,有4種把功勞歸給單一管道(Last InteractionLast Non-Direct ClickLast AdWords ClickFirst Interaction),我們在此將這些模式稱為集中式歸屬模式(Single-touch);另外3種則把功勞分配給每一個管道(LinearTime DecayPosition Based),我們將這些模式稱為分散式歸屬模式(Multi-touch)

 

1. 最終互動 (Last Interaction)

Last Interaction

定義
Last Interaction(有時又稱 Last Click、最終點擊)把全部的功勞歸給轉換路徑上的最後一個管道。如果把 Last Interaction 套入阿挑的例子,Direct 會獲得100%的功勞。

優缺點
Last Interaction 是常令人詬病的一個模式,因為它只看使用者完成轉換的那一次是從哪個管道進站,就會把所有功勞都歸給該管道。在這個模式中,Direct 會獲得很多轉換功勞,因為 Direct 包含了輸入網誌進站、點擊瀏覽器書籤進站、點擊任何線下的連結進站等等;當使用者做完資料蒐集、競品比較,準備要最後行動的時候,很可能採用以上所說的方式進站。然而,這樣的結果是偏頗的,因為轉換路徑中的其他管道也有一定的貢獻,卻都被這個模式給忽略不計。

應用
Last Interaction 模式是許多分析軟體(不包括GA)的預設模式;或許過去技術還未成熟,沒辦法追蹤到完整轉換路徑時,它是唯一選擇,但現在有了其他更客觀的模式,Last Interaction 只適合讓我們當作參考,不宜再當作分析轉換路徑時的唯一指標。

 

2. 最終非直接點擊 (Last Non-Direct Click)

Last Non-Direct Click

定義
Last Non-Direct Click 顧名思義就是把全部的功勞歸給轉換路徑上最後一個”非Direct”的管道。這是GA的預設模式。如果把 Last Non-Direct Click 套入阿挑的例子,因為最後一個管道是 Direct,所以倒數第二個管道 Social 會獲得100%的功勞。

優缺點
如前一段所述,當使用者已經準備好要行動時,很常利用 Direct 的方式進站,再加上 Direct 其實還包含了一些無法被分類的流量,所以如果我們想要去除 Direct 的影響,想知道 Direct 的上一次進站使用者用了哪一個管道,我們就可以使用這個模式。然而,使用這個模式就跟其他集中式歸屬模式ㄧ樣,單一管道獲得全部的功勞,有不夠客觀之嫌。

應用
Last Non-Direct Click 其實算 Last Interaction 的一種變體,所以只適合當作有特定分析目的時使用。在GA中使用這個模式時,我們可能會發現一點很奇怪的現象:為什麼 Direct 還會獲得功勞?不是應該是0嗎?那是因為如果轉換路徑上只有 Direct,沒出現其他管道,那麼GA還是會把功勞都歸給 Direct(此結論非官方說法,是本人測試並歸納數據後得出)。

 

3. 最終AdWords廣告點擊 (Last AdWords Click)

Last AdWords Click

定義
Last AdWords Click 會把全部的功勞歸給轉換路徑上最後一個”AdWords廣告”,也就是 Paid Search 或 Display。如果把 Last Non-Direct Click 套入阿挑的例子,倒數第三個管道 Display 會獲得100%的功勞。

優缺點
這個模式其實滿鬧的,因為它只認 AdWords,其他都不看。如果有人認為 AdWords 廣告對於轉換的幫助非常之大,大到只要它出現轉換路徑上就可以獨攬所有功勞的話,那這個模式的確很有幫助。另外,如果有人覺得用其他模式時,AdWords 的數字不夠漂亮,可以用這個模式來安慰自己或欺騙老闆:「你看,我們投入的廣告預算都獲得了很不錯的成效呢!」

應用
跟 Last Non-Direct Click 一樣,若轉換路徑上沒有 AdWords,GA就會把該次轉換功勞都歸給最後一個管道(此結論非官方說法,是本人測試並歸納數據後得出)。

 

4. 最初互動 (First Interaction)

First Interaction

定義
First Interaction 會將全部的功勞歸給轉換路徑上第一個管道。如果把 First Interaction 套入阿挑的例子,Paid Search 會獲得100%的功勞。

優缺點
我們可以用這個模式來看完成轉換的使用者最初都是以哪些管道進站;這些管道會為我們帶來真正會轉換、具高經濟價值的新客戶。知道這個資訊後,我們就能在這些管道上用針對新客戶的口吻做消費者溝通,並釋出一些專門給新客戶的行銷活動和優惠促銷等等。但是,這個模式畢竟是一個集中式歸屬模式,會過度強調單一管道的重要性,忽略了轉換路徑上的其他管道。

應用
此模式適合有特定分析目的時使用。需注意,這個模式得出來的結果受回溯期設定的影響較大;若我們使用預設的回溯期30天,但某位使用者的轉換路徑長達35天的話,First Interaction 並不會將功勞歸給該使用者在35天前「真正」第一次進站的管道。GA的回溯期可以設定1-90天。

 

5. 線性 (Linear)

Linear

定義
Linear 會把功勞平均分配給轉換路徑上每一個管道。如果把 Linear 套入阿挑的例子,每個管道都會拿到1/6的功勞。

優缺點
這個模式改善了集中式歸屬模式的缺點,避免把所有功勞歸給單一管道的狀況。然而,作為一個分散式歸屬模式,它似乎有點兒「偷懶」;因為我們都知道,事實上每個管道的重要性是有高低之分的,不應視為同等。舉例來說,若使用者第一次用 Organic Search 進站,後續用 Direct 進站9次並完成轉換,在 Linear 裡,Direct 會獲得高達90%的功勞,Organic Search 雖然將使用者帶進站,但只會獲得10%的功勞。

應用
雖然 Linear 避免了過度強調單一管道的狀況,但平均分配所有功勞常常無法反映現實狀況。Linear 最好的使用方法是用來搭配其他分散式歸屬模式一起服用;它可以作為一個比較依據,讓我們看出在其他模式中,特定管道獲得的功勞會比平均分配時多還是少。

 

6. 時間衰減 (Time Decay)

Time Decay

定義
Time Decay 會把最多的功勞分配給離轉換時間點最近的管道;離轉換時間點越遠的管道,獲得的功勞就越少。要注意,Time Decay 看的是「時間點」,而不是轉換路徑上的順序。假設阿挑每次進站的間隔天數如上圖所示,那麼把 Time Decay 套入阿挑的例子,最遠的 Paid Search 只會拿到5%的功勞,而最後一個管道 Direct 則可以拿到26%的功勞。值得注意的是,由於第三個管道 Social 和第四個管道 Display 中間間隔7天,所以它們兩個拿到的功勞差距就會很大(11% v.s. 23%)。(以上分配結果純屬虛構;實際上,Time Decay 的分配是由 Google 不為人知的演算法計算得出。)

優缺點
Time Decay 的邏輯:時間上離轉換越近的管道就越有價值。畢竟,如果某一次的進站體驗夠好的話,使用者早就在那一次完成轉換了。Time Decay 算是目前為止一個較符合常理的歸屬模式;它是分散式歸屬模式,避免了高估單一管道的風險,也不像 Linear 一樣有點「偷懶」地給每個管道一樣的功勞,而是有自己一套分配功勞的邏輯。雖然 Time Decay 給第一個管道的功勞稍嫌少,但如果你認為它的邏輯合理,且適用於你的使用者狀況,那它會是不錯的選擇。

應用
我們可以把 Time Decay 當作一個全觀的歸屬模式來使用,因為在它的邏輯前提下,可以得出較符合事實狀況的結果。換句話說,如果今天你被迫在無人島上過完餘生,而且只能選一個歸屬模式來陪伴自己的話,你會想要選 Time Decay,而不是 Last Interaction 或 Linear等等。

 

7. 根據排名 (Position based)

Position Based

定義
Position Based 會給第一個和最後一個管道各40%的功勞,其他管道則平均分配剩下20%的功勞。如果把 Position Based 套入阿挑的例子,第一個管道 Paid Search 和最後一個管道 Direct 會各拿到40%的功勞,剩下4個管道各拿到5%的功勞。

優缺點
Position Based 的邏輯:第一跟最後的管道比其他管道都還要有價值。這個邏輯也有它的道理;能把一個從未進站的新客戶吸引進站,和能讓舊客戶最終完成轉換,第一和最後的管道確實該比其他人獲得更多功勞。Position Based 的優缺點分析跟 Time Decay ㄧ樣,它們都各自有一個說故事的方法;如果你覺得這個方法合理,也適合你,那就買帳吧。

應用
如果使用者的轉換路徑都偏長的話,使用 Positon Based 要特別小心,因為它只給中間的管道20%的功勞;如果轉換路徑長,中間的管道得到的功勞就會非常非常少,有些事實上滿重要的接觸點可能會因此被忽視。然而話說回來,Position Based 還是一個你應該會想帶上無人島過完餘生的歸屬模式。

 

8. 以數據為準(Data-Driven Attribution,這中文翻譯也太瞎了吧)

定義
Data-Driven Attribution 是GA 360才有的功能。官方介紹請查閱這裡。由官方介紹中推測,應該是透過機器學習,利用過去的流量資料訓練出來的歸屬模式。以下節自官方介紹:

以數據為準歸屬功能使用合作賽局理論中的「夏普利值 (Shapley Value)」這個解決概念,運用演算法為多管道程序管道分組定義出的各個管道提供歸屬建議。
在最近 28 天內達到最低轉換量門檻。目前的門檻為:
每種轉換類型皆有 400 次轉換,且路徑長度包含 2 次以上互動 且
所選的報表資料檢視中有 10,000 條路徑 (約等於 10,000 位使用者,不過同一名使用者可能會產生多條路徑)

關於更多 Data-Driven Attribution 的演算法還有 Shapley Value 的介紹,請看這裡

優缺點
Data-Driven Attribution 的計算方式有強而有力的數學基礎,不同的轉換路徑分配結果會不同,分配方法更細緻,而且它是利用自身歷史流量數據所訓練出來的模型,可說是量身訂做的歸屬模式。歷史流量數據越充足,訓練出的模型就越有參考價值;所以,要多依賴 Data-Driven Attribution 的計算結果,也要看自身的歷史流量數據是否充足而定。

應用
Data-Driven Attribution 的設計就是一個全觀的歸屬模式。若你想要客製化這個模式,你還可以利用下一個段落要介紹的好用功能—自訂模式。

 

Bonus: 自訂模式

自訂模式絕對是GA模式比較工具中強大的功能之一。自訂模式可以讓我們選定一種基準模式(Last Interaction、First Interaction、Linear、Time Decay、Position Based 或 Data-Driven Attribution),然後加入一些自己的設定,製作出一個新的、屬於自己的歸屬模式。

舉例來說,如果我們覺得 Email 和 Display 有較高的價值,應當獲得更多功勞,我們可以採用Linear當作基準模式,並設定「只要是 Email 或 Display,都要比其他管道多出1倍的功勞」這條規則,製作出一個新的歸屬模式。把這個模式套入阿挑的例子,結果會如下圖:

Custom Model

可以發現,在原本的 Linear 中,每個管道都會平均分配到1/6的功勞,但在自訂模式中有設定特殊規則,所以 Email 和 Display 的功勞會變成的1/4,是剩下其他管道1/8的兩倍。

如果你有一套自己歸屬邏輯,這個功能可以幫助你製作出你心目中的歸屬功能。以全觀的歸屬模式來說,預設的就只有 Time Decay 和 Position Based 稱得上堪用,不想屈就於這兩個預設模式的話,自訂模式是你的最佳選擇。

關於自訂模式的更多介紹,請點這裡

 

三、分析思維與注意事項

8種歸屬模式介紹下來,除了有集中式與分散式之分,我們還可以把這些模式分為全觀分析用和參考用。Time Decay、Position Based 和 Data-Driven Attribution 屬於全觀分析用歸屬模式;它們都是分散式歸屬模式,不會只把功勞全歸給單一管道,另外,它們都有自己的一套邏輯去把功勞分配給轉換路徑上的每一個管道。因為如此,它們的結果適合拿來當作各個管道應當獲得的真實功勞數字。上述所提到「全觀的歸屬模式」、「會想帶上無人島過完餘生的歸屬模式」指的都是這類歸屬模式。我們也可以利用自訂模式創造出一種適合自己的全觀分析用歸屬模式。

Last Interaction、First Interaction、Linear 屬於參考用歸屬模式。這類模式大多是集中式歸屬模式,都只把功勞歸給單一管道,會造成較偏頗的結果;Linear 雖屬於分散式歸屬模式,但它只是「偷懶」地把功勞平均歸給每一個管道,缺乏自己的一套歸屬邏輯(當然,你也可以認為平均分配本身就是一個很好的歸屬邏輯)。正因為以上種種特質,參考用歸屬模式只適合有特定分析目的時,拿來和別的模式互相比較,作為參考依據,不適合用來當作轉換功勞的整體分配結果。舉例來說,在使用 Time Decay 分析時,如果我們想看哪些管道很常出現在第一個位置,而導致它被 Time Decay 所忽略,我們可以拿 First Interaction 與 Time Decay 作比較,進而達到我們想要的效果。

在這全部的歸屬模式裡,並沒有所謂的「最佳歸屬模式」;每個模式都有自己的意義,只要覺得適合,覺得該模式的邏輯合理,那它對你來說就是最好的歸屬模式。需注意,就算是使用全觀分析用歸屬模式,得出來的結果也不適合直接拿來當作實際的行銷管道預算分配。每個管道的預算需求本來就不同,而且目前的功勞分配結果是原本的預算分配所導致的,如果又依照這個功勞分配去改變預算分配,那功勞分配勢必又將改變。所以,千萬別在使用了某個模式後,發現某個管道被低估了大約三倍,就以為自己必須把該管道的預算提高三倍;這不是個聰明的決定。

在本文的最後,以下有四點是使用歸屬模式時需謹記的貼心小提醒:

  • 回溯期對分析結果會有很大的影響。GA預設的回溯期是30天,可以自行設定為1-90天。建議先用多管道程序中的「轉換耗時」功能,並設定不同的回溯期,看看自己的使用者平均完成一個轉換需花多久時間,最後再去決定最終的回溯期設定
  • 瀏覽後轉換(View-Through Conversion)並不涵蓋在GA的報表裡。所謂瀏覽後轉換,是指使用者在看到廣告後,沒有點擊,然後完成的轉換。因為GA追蹤的是使用者進站後的數據,自然追蹤不到這類種換(如果GA有連接 AdWords,並完成一些進階設定的話,是可以看到這種轉換的。詳情請查這裡
  • GA無法追蹤到使用者的跨裝置轉換路徑。記得,歸屬模式中的數據都是 cookie-based,不是 user-based;若一位使用者在手機上進站,後來從桌機上進站並完成轉換,GA會把這兩次進站視為兩個不同的人
  • GA無法追蹤到線下的品牌接觸點

網站分析的世界無窮無盡,雖然歸屬模式是GA中一個較進階的功能,但也只是整個地圖中小小的一角而已。希望這篇文章能幫助你對GA中的歸屬模式更為了解,如果有任何想法或問題,歡迎留言讓我知道,如果有任何問題也請多指教,我會盡快回覆!謝謝你的觀看 🙂

 

參考資料
Multi-Channel Attribution Modeling: The Good, Bad and Ugly Models – Occam’s Razor by Avinash Kaushik
Choosing an attribution model: When, not which
All 11 Marketing Attribution Models, Explained




office hour PD 腸粉專屬 Office Hour

對以上的教學有疑問?
文章都有乖乖讀完,但自己設定的時候卻怎樣都用不好?
挑食消化道現在做口碑,限時提供免費諮詢服務!
contact
contact
(或到粉絲專頁私訊)
趕緊為你公司、客戶、部落格、網站的問題找出解答!