Grundlæggende om attribution: Værditildeling af touchpoints 

Attribution kan i sin enkleste form beskrives som processen, hvor I tildeler kredit eller værdi til de forskellige kanaler og touchpoints på kundens købsrejse. Ved at allokere værdi til specifikke touchpoints, får I et billede af hvilke digitale kanaler, der effektivt bidrager til jeres virksomheds succes.

Et eksempel, hvor fejl er fatale

Lad os tage et eksempel: Forestil jer, at kunderejsen starter med en annonce på Google Ads, men købet afsluttes via et organisk søgeresultat. I dette scenarie ville det være en fejltagelse at nedlægge jeres Ads-kampagne, da det indirekte kunne skade jeres SEO-performance.

I dette tilfælde vil SEO-effekten lide under, at I afskærer en vigtig indgangskanal, som genererer positiv trafik og understøtter SEO-resultaterne. 

Med andre ord, så handler attribution om at se det samlede marketingmiks i sin helhed og bestemme, hvilke kanaler der bidrager med hvilken indflydelse på salget. Dette hjælper jer med at identificere, hvor I skal allokere jeres budgetter for at maksimere effektiviteten af hver enkelt marketingaktivitet.

Vigtigheden af nøjagtig attribution

Når I korrekt kan attribuere indtægter og konverteringer til de relevante kanaler gennem jeres valgte attributionsmodel, bliver det tydeligt, hvilke af jeres digitale kanaler, der leverer resultater, og hvilke der ikke gør. Dette giver jer mulighed for enten at optimere eller afvikle de underpræsterende aktiviteter.

At ignorere denne indsigt kan have store konsekvenser for jeres performance.

Konsekvensen ved unøjagtig attribution

Forestil dig dette scenarie: En mulig kunde ser en bannerannonce på TV2.dk for en af jeres varer. Annoncen vækker nysgerrighed, og personen klikker for at læse mere om varen. Senere søger kunden andre steder for at finde varen billigere, men uden held. Til sidst vender kunden tilbage til jeres webshop via en søgemaskine og gennemfører købet.

Traditionelt ville søgningen få æren for det afsluttende køb, men faktisk var det jeres annonce på TV2.dk, der udløste salgsprocessen. Uden denne annonce ville den endelige konvertering sandsynligvis ikke have fundet sted. Dette understreger vigtigheden af en præcis attribution, så hver digital kanal får tildelt den værdi, den fortjener.

Fra traditionelle attributionsmodeller til datadrevet attribution

Lad os komme ind omkring de mest almindelige attributionsmodeller i en platform, som de fleste er godt bekendte med - nemlig Google Analytics. I 2023 udfasede Google det tidligere Google Universal Analytics (UA) til fordel for Google Analytics 4 (GA4), hvilket medførte betydelige ændringer i måden, man kunne attribuere på i platformen.

Google udfasede nemlig i GA4 nogle af de traditionelle attributionsmodeller, der ikke længere anses for effektive eller relevante. Disse ændringer er en del af en større indsats for at modernisere og forbedre de tilgængelige værktøjer til datadrevet analyse og attribution.

Udfasede modeller i Google Universal Analytics

De modeller, som ikke længere er tilgængelige i GA4, omfatter:

1. First Click: Denne model tildelte al konverteringsværdi til det første touchpount i kunderejsen.
2. Lineær: Denne model fordelte kredit ligeligt over alle touchpoints, der bidrog til konverteringen.
3. Henfaldstid: Denne model tildelte mere kredit til touchpoints, der skete tættere på konverteringstidspunktet.
4. Positionsbaseret: Denne model kombinerede elementer af First og Last Click-modellerne ved at tildele mere vægt til det første og sidste berøringspunkt i kundrejsen.

Selvom disse modeller var værdifulde for at forstå den grundlæggende effekt af forskellige kanaler, manglede de fleksibiliteten til at håndtere komplekse kunderejser og cross channel-interaktioner effektivt.

Nuværende modeller i Google Analytics 4

Den primære model, der anvendes i GA4, er den datadrevne attributionsmodel, som anvender machine learning til at evaluere effektiviteten af hver marketing touchpoint baseret på det bidrag, hver handling har til den samlede konverterings sandsynlighed.

I GA4 kan man desuden manuelt ændre til modellen “last-click”, som vi kommer mere ind på herunder.

Forskellen på “last-click” & “datadrevet” attribution

I GA4 er der en betydelig forskel mellem last-click- og datadrevet attribution, når det kommer til at tildele værdi til konverteringer. Lad os se nærmere på forskellene:

• Last-click attribution er en traditionel attributionsmodel, hvor al værdi for en konvertering tildeles det sidste touchpoint, som brugeren interagerede med, før konverteringen fandt sted. Denne tilgang overser ofte de tidligere touchpoints eller kanaler, der har bidraget til at drive trafik eller skabe synlighed om produktet eller tjenesten. Last-click attribution giver en lineær forståelse af konverteringsstien og undervurderer ofte betydningen af tidligere interaktioner.
• Datadrevet attribution i GA4 er, som beskrevet tidligere, en avanceret tilgang, der bruger machine learning til at analysere data og tildele kredit til forskellige touchpoints baseret på deres relative bidrag til konverteringer. I modsætning til last-click attribution tager datadrevet attribution hensyn til alle touchpoints i kunderejsen og vægter dem efter deres indflydelse på konverteringer. Denne tilgang giver en mere nuanceret og retvisende fordeling af værdien, da den belønner touchpoints, der måske ikke har været det sidste, men stadig spillede en væsentlig rolle i at lede brugerne mod en konvertering.

Topkonverteringsstier

I Google Analytics 4 giver topkonverteringsstier indsigt i de mest effektive ruter, som brugerne tager for at konvertere på ens platform. Disse stier viser de forskellige interaktioner og touchpoints, som brugerne har haft, før de foretager en konvertering.

Ved at analysere topkonverteringsstier kan virksomheder identificere de mest indflydelsesrige marketingkanaler og touchpoints i kunderejsen og optimere deres markedsføringsstrategier derefter. Dette giver en dyb forståelse af, hvordan forskellige marketingindsatser bidrager til konverteringer og hjælper med at forbedre ROI.

Her vil I kunne se alle de stier, der har været, med mere end ét klik i kunderejsen:

Integration af offline data i GA4

For at tracke interaktioner fra offline kanaler som printannoncer, events og TV-spots i GA4, kan I implementere QR-koder og unikke promo-koder, der direkte leder brugeren til en landingsside eller en specifik del af en hjemmeside. Når en bruger scanner en QR-kode eller indtaster en promo-kode, kan denne handling registreres som en event. 

Her kan I tildele værdi til de offline touchpoints baseret på deres rolle i konverteringsprocessen. Dette kan gøres ved at anvende datadrevet attribution, som automatisk tilpasser vægtningen af hver touchpoint baseret på deres indflydelse på konverteringen.

For at opsætte offline konverteringer, skal I:

1. Oprette QR-koder eller promo-koder, der indeholder URL'er med UTM-parametre. Disse parametre bør præcist reflektere kilden (f.eks. "print_ad" eller "tv_spot"), mediet (f.eks. "offline"), og kampagnenavnet for at isolere denne trafik i analyserapporter.
2. Opsætte event tracking i GA4: Når brugeren lander på websitet via en QR-kode, udløses en event, som skal være korrekt opsat i GA4 til at fange disse interaktioner. Det involverer konfiguration af brugerdefinerede events, der registrerer, hvornår en URL med specifikke UTM-parametre bliver besøgt.

Har I ikke mulighed for at tracke online, kan I bruge Data Import-funktionen i GA4 for at uploade offline konverteringsdata.

Fordelene ved datadrevet attribution

Datadrevet attribution i GA4 repræsenterer en betydelig forbedring i, hvordan data analyseres for bedre forståelse af kunderejsen. Fordelene ved denne tilgang finder du herunder.

Avanceret dataanalyse med machine learning

Datadrevet attribution i GA4 anvender machine learning til at analysere store mængder data fra forskellige touchpoints. Dette giver en dybdegående forståelse af, hvordan hver interaktion påvirker kundens beslutning om at konvertere, hvilket er en markant forbedring i forhold til de mere statiske modeller brugt i Universal Analytics.

Integration af data fra flere platforme

GA4 integrerer data på tværs af forskellige enheder og platforme, hvilket er essentielt i en tid, hvor forbrugere ofte skifter mellem enheder og interagerer med brands gennem flere digitale kanaler. Denne cross-platform tilgang sikrer en mere helhedsorienteret analyse af brugeradfærd, hvilket forbedrer nøjagtigheden i attributionsdataene.

Detaljeret indsigt i brugerinteraktioner

Ved at analysere interaktioner på et detaljeret niveau kan GA4 identificere de specifikke handlinger eller kampagner, der bidrager mest til konverteringer. Dette giver mulighed for mere målrettet og effektiv budgetallokering og bedre mulighed for at optimere marketingindsatsen.

Tilpasning af attributionsmodeller

En anden betydelig fordel ved GA4 er fleksibiliteten til at skabe tilpassede attributionsmodeller. Disse modeller kan skræddersyes til at imødekomme specifikke forretningsbehov, som for eksempel at inkludere offline data eller tildele forskellige værdier til touchpoints baseret på deres betydning i den overordnede marketingstrategi.

Disse fordele gør GA4 til et kraftfuldt værktøj for marketingfolk, der ønsker at optimere deres strategier baseret på præcise og omfattende dataanalyser. 

Kritisk evaluering af datadrevet attribution

Mens datadrevet attribution er en rigtig god model at bruge for større virksomheder med meget data, er det vigtigt at have for øje, at modellen kan have indbyggede unøjagtigheder, der kan favorisere visse kanaler over andre. 

For eksempel kan datadrevet attribution have en tendens til at tildele de touchpoints, der optræder sent i kundens købsrejse en for høj værdi, eftersom de optræder lige før en konvertering. Dette kan resultere i en undervurdering af de øvrige aktiviteter, som brand awareness-kampagner, der spiller en kritisk rolle i at forme kundens opfattelse og tilknytning til et brand, selvom disse ikke direkte fører til en konvertering. Det er derfor vigtigt at have et kritisk blik på modellen og eventuelt bygge egne modeller for mere nøjagtig indsigt.

Faktorer I bør overveje, inden I vælger denne tilgang

1. Datakrav: Datadrevet attribution kræver en stor mængde data for at machine learning-algoritmen kan trænes effektivt og identificere meningsfulde mønstre. Mindre virksomheder, som ikke genererer nok interaktioner eller konverteringer, vil ikke have tilstrækkelige data til at understøtte en præcis model. Dette kan føre til, at modellen giver unøjagtige eller misvisende resultater.

2. Overfitting: Med begrænsede data er der en øget risiko for, at en machine learning-model 'overfitter' dataene. Det betyder, at modellen bliver for godt tilpasset til de specifikke data, den har trænet på, men performer dårligt på nye, uprøvede data. Dette skaber en falsk følelse af præcision, der kan virke vildledende.

3. Implementeringskompleksitet: Udviklingen og vedligeholdelsen af datadrevne attributionsmodeller kræver teknisk ekspertise, samt en vis mængde tid og ressourcer til vedligeholdelse.

Tekniske betragtninger og løsninger

For at adressere ovennævnte udfordringer kan I vælge en tilpasset attributionsmodel, der kan vægte betydningen af hver interaktion baseret på dens faktiske indflydelse på kundens rejse mod køb. 

Herunder er det vigtigt at I jævnligt supplerer de automatiserede, datadrevne indsigter med manuel gennemgang og tilpasning baseret på feedback og erfaring. Ved at gennemføre regelmæssige reviews af attributionsdata kan I identificere og justere for unøjagtigheder, der kan være opstået på grund af ændringer i markedet eller forbrugeradfærd.

Eksperimentér med forskellige attributionsmodeller

En kritisk evaluering kan også  indebære, at I eksperimenterer med og sammenligner forskellige attributionsmodeller for at forstå, hvordan hver model påvirker fortolkningen af jeres marketingindsats' effektivitet. 

Ved at anvende både en lineær model og en tidsnedbrydningsmodel kan I få indsigt i, hvordan værdien af en kanal varierer, når forskellige modeller anvendes. Dette kan føre til mere informerede beslutninger om, hvordan budgetter allokeres på tværs af forskellige kanaler og kampagner.

For mindre virksomheder, der ønsker at udnytte fordelene ved avanceret attribution uden de tekniske og ressourcemæssige udfordringer, kan simple attributionsmodeller som 'last-click' eller 'first-click' være mere ideelt end datadrevet attribution. Disse modeller kræver mindre data, og kan stadig tilbyde værdifuld indsigt. 

Ved at integrere disse kritiske overvejelser og tekniske justeringer i jeres attributionsstrategier, kan I sikre en mere pålidelig og nøjagtig måling af jeres marketingindsatsers bidrag til det overordnede salg og kundeengagement. I er også velkomne til at kontakte os for hjælp med enten sparring eller assistance til opsætning.