Icon
Ansio konversiosta ostopolun eri vaiheille IABlogi

Ansio konversiosta ostopolun eri vaiheille

25.06.2013 | Ismo Tenkanen

IAB Interact -seminaarissa Barcelonassa toukokuussa 2013 toistuivat tietyt ajankohtaiset teemat useaan kertaan. Yksi näistä oli Attribution modeling, suomeksi usein käännetty vain attribuutiomallinnus, tai hieman valaisevammin ”vaikuttavuuden mallinnus”, joka ei välttämättä monelle suomalaiselle vielä sanonut mitään, mutta web-analytiikka- ja markkinointianalytiikka-ihmisille on tullut toki tutuksi viime aikoina. Mistä siis on kyse?

Vaikuttavuuden mallinnuksella tarkoitetaan konversion arvon jyvittämistä monikanavaisuus-tarkastelussa eri tavoin. Klassinen web-analytiikka, kuten Google Analytics, kun tunnetusti antoi krediittiä syntyneestä ostotapahtumasta tai muusta konversiosta vain sille viimeiselle liikenteen lähteelle ennen konversiota – joka tietenkin oli usein hakukone. Attribuutiomallinnuksessa voidaan valita hyvin erilaisia painotuksia sille, annetaanko esim. 100 euron ostoksesta koko 100 euron ansio ensimmäiselle vai viimeiselle liikenteen lähteelle, vaiko tasaisemmin ostopolun eri vaiheille.

Otetaan yksinkertainen esimerkki. Asiakas, joka ostaa verkkopalvelusta, on ennen ostotapahtumaa vieraillut palvelussa neljä kertaa. Ensin hän vieraili palvelussa klikattuaan banner-mainosta, toisen kerran nähtyään uutiskirjekampanjan, josta hän klikkasi sähköpostista itsensä verkkopalveluun. Kolmannella kerralla hän tuli palveluun hakukoneen kautta, ja neljännen kerran jo suoraan, kun muisti palveluntarjoajan domainin ja kirjoitti tämän verkko-osoitteen suoraan selaimeensa. Osto tapahtui siis tämän neljännen vierailun jälkeen.

Klassinen web-analytiikka kirjaisi kaiken ansion konversiosta viimeiselle liikenteen lähteelle ennen kauppaa, joka oli suora tulo sivustolle. Jos se oli 100 euron osto, kirjattaisiin siis 100 euroa suoran tulon ansioksi, ja muut liikenteen lähteet eivät saisi mitään ansiota, vaikka vaikuttivat ostopolun aiemmissa vaiheissa. Jokainen ymmärtää, että nyt ei mene oikein, vaan ansiota konversiosta tulisi jakaa muillekin liikenteen lähteille, jotka edelsivät viimeistä klikkiä.

Attribuutiomallinnuksessa voidaan valita erilaisten valmiiden tai itse säädettävien mallien perusteella, miten ostopolun varhaisempia vaiheita palkitaan syntyneistä konversioista. Voidaan myös valita malli, jonka mukaan ansio annetaankin 100-prosenttisesti ensimmäiselleliikenteen lähteelle, eli sille, joka alun perin toi asiakkaan verkkopalveluun. Tai voidaan valita esimerkiksi U-muotoinen mallinnus, jossa painotetaan ensimmäistä ja viimeistä lähdettä eniten, esim. 40 % konversiosta molemmille, ja loput 20 % jaettaisiin näiden välisille liikenteen lähteille. Esimerkkimme tapauksessa U-muotoinen mallinnus antaisi 100 euron ostosta 40 euron ansion bannerille ja samoin 40 euroa suoralle tulolle, ja 10 euron arvon uutiskirjeelle ja hakukoneelle, jotka olivat ostopolulla ensimmäisen ja viimeisen klikin välissä.

Mikä on oikea mallinnus?

Tämän jälkeen tietenkin lukija kysyy, mikä näistä olisi oikea malli omalle verkkopalvelulle? Analytiikkatyökalu ei tätä vastausta suoraan anna, koska eri toimialoilla ostoprosessi on hyvin erilainen. Joillakin aloilla ostoprosessi on lyhyt ja hyvin suoraviivainen, jolloin voitaisiin hyvin kreditoida ensimmäistä liikenteen lähdettä jopa 100 % ostoksesta. Joillakin toimialoilla ostoprosessi on puolestaan hyvin pitkäkestoinen, ja asiakkaat saattavat ennen ostopäätöstä tehdä useanlaisia erilaisia hakuja hakukoneilla ja etsiä suosituksia ja arvioita sosiaalisesta mediasta. Silloin tietenkin olisi perustelua jakaa myös ansio ostosta paljon tasaisemmin eri lähteiden kesken.

Yhtä kaikki, jo pelkän mallinnuksen pohtiminen avaa markkinoijan ajatusmaailman monikanavaisuuteen ja sen ymmärtämiseen, että asiakkaan ostoprosessi on usein paljon monisäikeisempi kuin mitä vanha yksioikoinen Web-analytiikka antoi ymmärtää. Paine monikanavaisuuden tarkasteluun ja attribuutio-mallinnuksiin on lähtenyt sosiaalisen median yleistymisen myötä, jolloin on alettu ymmärtää, että suosittelut ja viitesivut – aivan kuten banner-mainontakin – vaikuttavat usein ostoprosessin varhaisissa vaiheissa, kun taas hakukoneet ja suora tulo sivustolle korostuvat juuri ennen kauppaa.

Kuvaavaa on, että attribuutio-mallinnusta ovat ensin lähteneet tarjoamaan kalliit ja pitkälle kehittyneet digitaalisen markkinoinnin raportointiohjelmistot, joihin on mahdollista syöttää vierailuja sosiaalisessa mediassa ja banner-mainonnan esityksiä, joita ei koskaan klikattu. Sen lisäksi attribuutiomallinnus julkaistiin viime viikolla esimerkiksi ilmaiseen Google Analyticsiin, joka analysoi tietenkin vain klikattuja tapahtumia, mutta jolle monikanavaisuuden ja ostopolun varhaisempien vaiheiden eli avustettujen tulosten tarkastelu on jo arkipäivää. Lue lisää: http://www.google.com/analytics/features/attribution.html

01.07.2022

IAB Studio: Ulkomainonnan kirkas tulevaisuus

IAB studio jaksot ovat napostelupituisia podcast jaksoja päivän polttavista aiheista digimarkkinasta ja tällä kertaa meillä on studiossa Pasin vieraana, puhumassa digitaalisen ulkomainonnan tulevaisuudesta Jesse Jussila Clear Channelilta, Jenni Heinonen JCDecauxilta ja Outi Pekkala dentsulta.

lue lisää

23.06.2022

IAB Jäsenesittely: Meltwater ja Noora Suni

Tässä blogisarjassa tutustumme IAB:n uusiin jäseniin hieman paremmin! Nyt on vuorossa Meltwater ja Noora Suni

lue lisää

14.06.2022

Suomessa 36 miljoonaa DOOH-euroa vuonna 2021

IAB Finlandin Digitaalisen ulkomainonnan työryhmän toteuttaman arvion mukaan digiulkomainonnan määrä Suomessa vuonna 2021 oli noin 36 miljoonaa euroa. Arvio digitaalisen ulkomainonnan määrästä tehtiin nyt ensimmäistä kertaa.

lue lisää

07.06.2022

Interact 2022 terveisinä mm. ympäristövastuu ja kuluttajan käyttäytymisen muutokset

IAB Europen lippulaivatapahtumassa julkaistiin Euroopan digimarkkinan luvut sekä käsiteltiin ajankohtaisia aiheita

lue lisää