Google Analytics 4: Modele atrybucji

Google Analytics w nowej, czwartej odsłonie już niebawem będzie stanowić jedyne, kompleksowe narzędzie do analizy biznesu e-commerce. I choć wiele osób przyzwyczajonych do GA Universal podchodzi do tej zmiany niechętnie, to jednak warto zwrócić uwagę na szereg usprawnień wdrożonych podczas premiery GA4. Spośród wielu ciekawych, nowych funkcji, na pierwszy plan wychodzi udoskonalony moduł modelowania atrybucji.

Czym są modele atrybucji w Google Analytics 4?

Wraz z premierą Google Analytics 4, użytkownicy zyskują całkiem nową możliwość analizowania swoich raportów na podstawie odmiennych modeli atrybucyjnych. Choć poprzednia odsłona narzędzia, Universal Analytics także oferowało takie możliwości, to jednak zdaniem ekspertów były one nieco ograniczone.

Czym jednak dokładnie jest atrybucja w Google Analytics 4? Choć pojęcie jest relatywnie łatwe do zdefiniowania, to jednak osoby niezaznajomione ze specyfiką analizy danych za pośrednictwem Google Analytics mogą na początku mieć problem ze zrozumieniem tej idei. Wielu klientów naszego sklepu internetowego dokonuje zakupów na podstawie reklam, które są mu wyświetlane. W przeszłości jednak konwersja była przypisywana do tej reklamy, która jako ostatnia pojawiła się klientowi, i która zadecydowała o wykonaniu konkretnego działania, lub finalizacji zakupu. Czy to jednak oznacza, że poprzednie działania marketingowe były nieskuteczne? Niekoniecznie.

Dlatego też w GA4 zyskujemy dostęp do zaawansowanych modeli atrybucji, które pozwalają ustalić pewne reguły i algorytmy, na podstawie których uzyskujemy szczegółowe dane o tym, na jakim etapie cyklu życia aktywności klienta pojawiały się konkretne reklamy i jaki mają one udział w konwersji. Na ten moment w Google Analytics 4 wyróżnić możemy 3 różne modele atrybucji.

Model atrybucji oparty na danych

Na początek model atrybucji oparty na danych, czyli opcja, która w Google Analytics 4 będzie widniała, jako rekomendowana. To moduł aktywnie korzystający z nowoczesnej technologii uczenia maszynowego, który w swojej ocenie udziału reklamy w ogóle konwersji wykorzystuje algorytmy obliczana prawdopodobieństwa.

Jakie czynniki bierze pod uwagę model atrybucji oparty na danych? Między innymi liczba interakcji użytkownika z reklamą, urządzenie wykorzystywane przez użytkownika, czas, kolejność ekspozycji na poszczególne reklamy oraz zasoby kreacji. Model oparty na technologii ML porównuje wiele scenariuszy związanych opartych na przeciwstawnej hipotezie i na tej podstawie dokonuje analizy. By model oparty na danych działał bez zarzutu, wymagane jest stałe dostarczanie odpowiedniej ilości danych. Zgodnie z materiałami źródłowymi, dostęp do analizy modelu opartego na danych jest nadawany, tylko w momencie, gdy w ciągu 30 dni zanotowanych jest przynajmniej 600 konwersji.

Model atrybucji oparty na regułach preferujących interakcję z Google Ads

Model atrybucji preferujący interakcję z Google Ads polega na mechanizmie, zgodnie z którym 100% konwersji przypisywane jest zawsze Google Ads, i ostatniemu kanałowi, który wywołał działanie powodujące konwersję.

Jeśli więc tworzymy analizy, bazując na modelu atrybucji preferującym interakcję z Google Ads, konwersja będzie udziałem tego narzędzia nawet w momencie, gdy klient dokonał odpowiedniego działania po innej akcji zrealizowanej przez nas, jak na przykład otrzymanie e-maila. Co w momencie, gdy działamy w oparciu o ten model, a konwersja odbyła się bez uczestnictwa popularnych Adsów? W takim wypadku domyślnie model przeistacza się w model atrybucji o nazwie „ostatnie kliknięcie w wielu kanałach”.

Model atrybucji oparty na regułach wielokanałowych

Modelowanie atrybucji bazującej na regułach wielokanałowych zapewniają nam bardzo szczegółową analizę konwersji, z precyzyjnym uwzględnieniem wszystkich czynników i reklam, których użytkownik doświadczył podczas interakcji z naszą marką. W ramach wielokanałowego modelu atrybucji możemy wyróżnić kilka podrodzajów tego modelu. Są to między innymi:

1. Pierwsze kliknięcie w wielu kanałach – model ten przypisuje 100% konwersji kanałowi, który zaliczył pierwszą interakcję z klientem.
   
2. Ostatnie kliknięcie wielu kanałach – model ostatniego kliknięcia działa w sposób odwrotny i całość konwersji przypisuje temu kanałowi, który wszedł w interakcję z użytkownikiem jako ostatni przed zrealizowaniem konkretnego działania.
   
3. Rozkład liniowy – w modelu rozkładu liniowego każdy kanał otrzymuje równy udział w procesie konwersji.
   
4. Spadek udziału wraz z upływem czasu – im interakcja na linii kanał – użytkownik była zrealizowana dawniej, tym mniejszy udział w konwersji otrzymuje ten konkretny kanał.
   
5. Uwzględnienie pozycji w wielu kanałach – model atrybucji faworyzujący pierwszy i ostatni kontakt marki z klientem. 40% udziału w konwersji otrzymuje pierwszy i ostatni kanał. Wszystkie pośrednie kanały otrzymają w sumie 20% udziału w konwersji do podziału.