3. Program
historické okénko - vyhodnocování a SEO
asistované konverze, trasy
atribuce
inkrementalita
limitace SEO vyhodnocování a možná řešení
závěrečné cvičení
17. What does last click attribution actually mean?
30-Day User
Conversion Path
(Clicks)
Generic Paid Search Organic SearchDisplay Network
18. What does last click attribution actually mean?
30-Day User
Conversion Path
(Clicks)
Tracking tools use their own attribution logic for crediting conversions (based on data scope)
Generic Paid Search Organic SearchDisplay Network
Facebook Ads
Criteo
GA360 - Google
Analytics & Attribution Display Network Generic Paid Search Organic Search
Google Ads
Display Network Generic Paid Search
21. Konzervativní růst Růstová orientace
Lídr trhu v kategorii Nový hráč na trhu
Produkt s nízkou
investicí
Produkt s vysokou
investicí (klienta)
Málo konkurentů
(inkumbent)
Silně konkurenční
trh (mnoho hráčů)
Krátká zákaznická
cesta
Dlouhá zákaznická
cesta
Data-Driven
Data-Driven, pokud je dostupný, jinak
vybírejte non-last click, non-first-click
model v závislosti na business model
klienta:
Jak vybrat správný
atribuční model?
23. POWERED BY DATA SCOPE DATA SOURCE SCALABILITY
Data Driven
Dynamic algorithms
assign credits to
touch points based
on fractional
credit
Takes
converting and
non-converting
paths
into account
100% based on
advertiser’s
own data.
Conversions and/or
GA imported goals.
(learns over time)
Auto updated
based on
performance
Rules based
Fixed, static
rules assign
credits to
touchpoints
Takes only
converting paths
into account
Advertiser can
choose model but
no customization
is available
Must be manually
revisited
24. S vysokým počtem konverzí v kombinaci s dlouhou konverzní cestou, můžete vidět
krátkodobý pokles konverzí v den změny
Proč
se tak
děje?
# konverzí
dniDen změny
Od tohoto dne se konverze nepřiřazují pouze poslednímu
kliknutí (což se typicky stane právě v den změny).
Místo toho, frakční konverzní kredit bude redistribuovaný na
předchozí období. Je důležité si uvědomit, že neztrácíme
žádné konverze, jen dochází k redistribuci.
V čase se konverzní kredit v den změny
normalizuje, protože bude dostávat
frakční kredit z budoucích konverzí.
Změna atribučního modelu
Co se typicky stane po změně?
25. ● Začít “high-level”
○ Srovnání last non-direct click s různými modely
● Postupný “drill-down”
○ Rozpad kanálů
○ Atribuční modely v Google Analytics
● Navázání na jiné druhy konverzí (mikrokonverze, přechod mezi stádii)
● Rozmýšlení nad přesunem rozpočtů
● Experiment
● Vyhodnocení
Postup - hledání příležitostí
26. Co u atribuce vždy zajistit
kontrola a správné nastavení sbírání dat (zejména konverze, zdroje)
konzistence používání modelu
30. Time series experiments help assess what
performance would have been without the
intervention (e.g., bid increase)
Choose an Advertising Intervention:
example: Increased or Decreased Ad Spend
Chose a Time Series:
example: Conversions or Clicks
Use a Model to Infer Causality:
Use R package to analyze how a “time series” could have evolved after
the intervention if it hadn’t taken place
Captures impact of multiple channels (Search, Display, Video)
http://google.github.io/CausalImpact
Google offers a free package to enable time-series experiments
32. Causal Impact: a simple example
Response
Control
Experiment starts
here
33. Causal Impact: output
The black line is the observed response
metric. The dashed blue line is the predicted
response metric. The banding is the
confidence interval of the prediction.
Intervention
34. Causal Impact: output
The black line is the observed response
metric. The dashed blue line is the predicted
response metric. The banding is the
confidence interval of the prediction.
This panel simply plots the observed response
minus the model prediction. (the residuals)
Here we plot cumulative residuals—the total
effect of the intervention
Intervention
35. ● zpřesňuje odhad efektu
● funguje jako kontrolní skupina
● nesmí být ovlivněn experimentem
● čím více koreluje s testovanou metrikou, tím lépe
Prediktor
36. ● pro hraní si v R: http://google.github.io/CausalImpact/
● online jednoduchá verze: https://mark.shinyapps.io/ga-effect/
● online doplněná verze: https://kobulsky-merglevsky.shinyapps.io/h1-causal-impact/
Možné nástroje
41. ● používám stejný atribuční model/stejnou konverzi, podle zákaznické (pozice v nákupním
cyklu)/businessové (rozdílná důležitost produktů) logiky, ale očekávám rozdílné výsledky
● složitost nastavení: jednoduchá
● akceschopné v rámci Google Analytics: ano přes rozhraní
Odlišné požadavky na rozdílné typy kws /
vstupních stránek
42. ● umožňují rychleji získat potřebný počet konverzí pro rozhodování / vyhodnocení
● nutné zjednodušení
● potřeba dopočítávat jejich hodnotu
● složitost nastavení: střední
● akceschopné v rámci Google Analytics: ano přes rozhraní
Mikrokonverze
43. ● jde u požadavků na odlišné cíle ještě dále
● agreguje podobné akce pod jeden cíl (např. “discovery score”)
● ukázka fungování:
https://www.slideshare.net/carmenmardiros/measurecamp-using-lifecycle-scores-for-marketing-
optimisation
● složitost nastavení: těžké
● akceschopné v rámci Google Analytics: pouze přes API, mimo rozhraní
Lifecycle scores
45. ● zpřesňuje odhad efektu
● funguje jako kontrolní skupina
● nesmí být ovlivněn experimentem
● čím více koreluje s testovanou metrikou, tím lépe
Opakování - prediktor
54. 1. https://www.youtube.com/watch?v=S9dUkDKT0pg - úplné
základy, spíš pro lidi, kteří vůbec netuší, co atribuce je
2. https://www.youtube.com/watch?v=x7tOehDyb2o - mírně
pokročilé
3. https://www.youtube.com/watch?v=FPjEQpprj_g - už pokročilý
s přesahem do designu testů, inkrementality a příklady ze života
Kam pokračovat - Google Attribution Academy
55. Díky moc
čtěte náš blog na igloonet.cz/blog
sledujte mě na @NEmarketak
napište mi na adam@igloonet.cz