Uno de los principales quebraderos de cabeza en la optimización de las estrategias digitales es ser capaces de atribuir correctamente el éxito de nuestras acciones tácticas.
Sean estas campañas de pago o no, necesitamos saber quién ha sido el responsable, y en qué grado, de la conversión obtenida.
Saber esto nos permite tomar las decisiones sobre nuestra estrategia, la distribución del presupuesto, creatividades, páginas de aterrizaje, precios,…. ¡todo!
Nota: al final del post podéis ver una breve descripción de los diferentes modelos de atribución
¿Qué problemas tienen los modelos de atribución?
1. Si no hay ‘clics’ de por medio, no sabemos lo que ha ocurrido
Este es uno de los problemas clásicos de la analítica digital. ¿Qué podemos hacer para saber que ha pasado en aquellos momentos importantes sobre los que no tenemos datos? (antes o durante el proceso de decisión de compra).
2. Un único modelo de atribución no es válido para todas las conversiones
Teniendo una buena metodología de medición podremos tener el modelo más válido, pero uno que sea válido para todas las conversiones.
Cada conversión la hace una persona diferente que tiene circunstancias, motivaciones, percepciones, etc. etc. diferentes al resto.
Es verdad que me estoy poniendo puntilloso (de eso va este post), pero es la realidad. Podemos decir que la segunda interacción tiene un 18% del mérito, pero para unos usuarios ha podido significar el 3% y para otros el 34%.
¿Qué podemos hacer para tratar de solucionar este problema de atribución?
Partamos de la base, de que los modelos de atribución son de gran utilidad para la optimización de una estrategia digital. Más que de gran utilidad, son uno de sus pilares. Pero tienen sus defectos.
1. Medir mejor lo que controlamos y tratar de inferir lo que no
Cómo decía en el post ‘Cómo controlar el proceso de decisión de compra’ para controlar este proceso (customer journey) podemos hacer determinadas cosas para mejorar la medición de lo que podemos controlar (los clics) e infiriendo lo que no controlamos.
Adicionalmente a lo que comentaba en el post, podemos hacer algo más.
2. Alejarnos un poco del clic y observar el contexto
Si sólo nos basamos en el dato objetivo puro, además de no contar con toda la información, estamos perdiendo parte de la perspectiva, parte del contexto.
Estamos tratando de medir el comportamiento de personas, y como tales no son 100% previsibles.
Por eso me gustó el enfoque de este punto de un post en Marketing Land (el que me dio la idea para escribir este post), al que le he dado un par de vueltas.
Para mejorar la parte cualitativa, además de lo comentado en el punto anterior, podemos hacer cuatro cosas:
2.1. Definir con el mayor detalle posible el perfil de nuestra audiencia:
Lo que mejor puede ayudarnos a entender ese comportamiento ‘sin clic’ y la importancia de nuestra audiencia le cada a cada una de las interacciones que intervienen en una decisión de compra, es entender las motivaciones de nuestra audiencia.
Para ello necesitamos conocerles mejor.
Nos podemos apoyar en una detallada definición de su perfil de comprador (‘buyer persona’) y enriquecerlo con todos aquellos detalles mejor nos ayuden a entender esos datos que la herramienta no es capaz de recoger.
Estos detalles pueden aportar matices de gran valor a nuestra toma de decisiones basada en datos.
2.2. Asignar un valor a los intangibles de la empresa
Además de las motivaciones de la audiencia, existen factores intangibles de nuestra empresa (marca, experiencia y reputación) que también influyen sobre el usuario y cuya influencia (aunque evidente) no es fácil de cuantificar.
Sabemos que a mayor conocimiento de marca (espontáneo o sugerido), mayores son las probabilidades de que nuestra marca sea la elegida a la hora de comprar (‘top of mind’), pero ¿qué porcentaje de ‘responsabilidad’ tiene en un proceso de compra.
La explicación y discusiones sobre este tema pueden ser infinitas. En unos sectores esta importancia es mayor y en otros menor (dejémoslo en eso).
Sería muy interesante hacer un estudio de su influencia en la conversión. Ante variaciones de esta percepción de marca, como varían las ventas. Seguro que en el mundo offline está más que medido. Pero no conozco ningún estudio del mundo on+off.
2.3. Observar las tendencias
A nivel más macro, tenemos que estar pendientes de los cambios que se están produciendo dentro de nuestros principales perfiles de audiencia y tratar de adelantarnos a esos cambios con nuevas propuestas.
2.4. Trabajo en equipo
En este mundo donde nuestra audiencia se mueve de una canal a otro, entra y sale del proceso de decisión de compra,… donde las empresas tienden a estrategias omnicanal, la colaboración entre los diferentes departamentos de la empresa debe ser total.
Todos deben empujar en una misma dirección y no fijarse tanto en su rendimiento, como en el rendimiento global de la compañía. Pienso que a la larga esta actitud es beneficiosa para todos.
Explicación adicional
Modelos de atribución
Empiezo con una brevísima descripción para aquellos que no tengan del todo claro a que me refiero, pero no me voy a extender demasiado.
El objetivos de los modelos de atribución es distribuir el valor de la conversión obtenida entre las interacciones que nuestra herramienta de medición a recogido.
Imaginemos que estamos analizando una conversión que ha tenido cinco interacciones hasta que se ha producido: display-directo-adwords-orgánico-adwords
¿Quién ha conseguido que nuestro usuario se decida a comprar nuestro producto? ¿qué papel ha jugado cada interacción? (importancia).
Para tratar de medirlo se usan diferentes tipos de modelos de atribución:
- Último clic: en este caso se le atribuye el 100% del mérito en la venta.
- Último clic no directo: atribuimos el éxito a la campaña previa a la conversión por tráfico directo.
En ocasiones cuando tenemos tomada la decisión, tecleamos la URL de la web donde que hemos estado consultando y compramos el producto.
Este modelo le atribuye el 100% a último en impactar al usuario.
- Último clic en adwords: por ser adwords el canal de conversión por excelencia (vamos a Google buscando algo concreto, es más probable que estemos en ‘modo compra’ que en otros canales), se busca el último clic en este canal (bueno y también porque Google es quien propone el modelo y quien ingresa el dinero de adwords!
).
- Primera interacción: le damos el 100% del mérito a la interacción que inició el proceso.
- Lineal: divido el 100% del mérito entre las interacciones recogidas.
- Deterioro en el tiempo (time decay): distribuimos el mérito entre las interacciones recogidas, pero asignamos el mínimo valor a la primera y vamos aumentando el valor según nos acercamos a la última. Es decir, cuánto más cerca de la conversión esté la interacción mayor valor le asignamos.
- Basado en su posición: le asigna un 40% a la primera y última interacción (quienes abren y cierran el proceso) y distribuyen el 20% restante entre las interacciones restantes.
- Personalizado: en función de las mediciones realizadas con los diferentes modelos de atribución podremos determinar, para nuestra empresa, que canal es más importante para cada paso y así establecer un modelo personalizado que se ajuste a nuestro caso particular.
La imagen que acompaña al post (solución de problema) es de ShutterStock
from Blog de Marketing Online de Tristán Elósegui http://ift.tt/1I9O0jk
via
IFTTT
