Iniciamos un nuevo hilo de artículos dedicados a hablar de la atribución detallando cómo trabajar con ellos en Adobe Analytics. En este primer artículo repasaremos algunos conceptos clave.
Los equipos que nos dedicamos a analizar datos de rendimiento de negocio digital a menudo nos encontramos con la necesidad de responder a la siguiente pregunta ¿Qué peso tiene cada canal en la venta o conversión final?¿A qué canal debo asignar mayor presupuesto?
Pero el drama llega cuando nos preguntamos, “Ok, ¿pero según qué tipo de modelo de atribución?”.
Si procesamos datos con Adobe Analytics, hasta hace un par de años esto no era gran drama, o sí, ya que únicamente teníamos para escoger entre dos modelos : “First Touch” y «Last Touch”. Pero entonces llega Adobe y nos comunica que gracias a la inclusión de Attribution IQ, ahora podemos contar con 8 nuevos modelos de atribución.
Algunos pensarán “ ¡Gran avance!”, y otros pensarán ”¡Gran dilema ! «,»¿Qué modelo es el mío?”.
En realidad al hablar de atribución mucho equipos de marketing se sienten como aquellos hippies de los 50′ que hablaban a altas horas de la madrugada sobre el californiano Valle de la Muerte. Especulaban sobre los inexplicables movimientos que grandes piedras realizaban solas dibujando misteriosas lineas en la arena. Miedo, misterio y admiración a la vez.
En cualquier caso, más allá del modelo elegido, entender cómo funciona la atribución ya es un gran paso para poder tomar mejores decisiones a la hora de optimizar nuestros esfuerzos y campañas de marketing. Es esencial entender conceptos como la ventana retrospectiva (Lookback window), el Attribution IQ o las diferencias entre modelos con reglas y modelos basados en datos.
Recordaremos algunos conceptos:
Gracias a este nuevo módulo Adobe nos proporciona 10 modelos basados en reglas que podemos utilizar para cualquier dimensión reportando todas las métricas. Ya no dependemos únicamente de elegir entre «First Touch» y «Last Touch«. Este módulo permite comparar el rendimiento de los canales en distintos modelos.
Estamos hablando de la cantidad de tiempo que puede pasar entre un punto de contacto concreto y la conversión final. Por ejemplo, si un usuario hace clic en un anuncio el lunes y compró el miércoles, si tenemos una configuración de Lookback window de 1 día esta compra no se atribuirá al anuncio, pero si la extendemos a 7 días sí que se le podrá asignar un peso de la conversión a este anuncio.
Cuando elegimos modelos de atribución que dan más peso a los primeros toques podemos ver grandes diferencias en función de si tenemos la configuración de la ventana hecha por visita o por usuario.
Lookback Window por usuario:
En Adobe, por defecto esta configuración abarca un mes, empezando a contar desde el día 1 del mes del periodo que estamos analizando. Es decir tiene en cuenta todas las visitas que ese usuario ha realizado en un mes. Si por ejemplo estamos analizando datos en un informe con un rango de fechas del 5 al 15 de abril, el intervalo de visitas que tendrá en cuenta abarcar del 1 al 30 de abril. Es decir, Adobe busca todas las visitas realizadas por los usuarios desde el día 1 de ese mes. Si las conversiones suelen tardar más de una sola visita, se recomienda una una ventana por usuario o personalizada.
Loopkack Window por visita:
Esta configuración tiene en cuenta únicamente el comportamiento desde el principio de la visita en que se produjo la conversión final. Cuando haces por ejemplo una promoción de un día tiene sentido elegir la ventana por visita o personalizarla a 24h. Esto se usa mucho en casos como el Black Friday, Blue Monday o promociones especiales Last Minute.
Lookback window personalizada:
Permite extender la ventana de tiempo más allá de las fechas del informe en cuestión hasta un máximo de 90 días.
Para aquellos procesos de conversión que suelen ser largos, es decir para productos de compra más reflexiva en las que el potencia cliente necesita un tiempo de prospección, consulta de distintos contenidos, etc. es recomendable usar una configuración por usuario o personalizada. O para promociones en periodos concretos como Navidad o Rebajas, cuando tienes un producto a un precio concreto solo durante un periodo de tiempo concreto.
Primero de todo es importante diferenciar entre los modelos basados en reglas y los modelos basados en datos.
Modelos basados en reglas: Determinan cómo se reparte el valor de las conversiones entre los distintos los puntos o toques de contacto que han participado en la ruta desde la primera visita hasta la conversión final
Estos modelos se basan en un conjunto de reglas que asignan un valor a cada canal del toque según la posición de éste. Pueden asignar el total del éxito a un solo canal, o repartirlo entre todos asignando los mismos pesos a cada uno o de manera gradual en función de lo alejado que esté de la conversión final, etc.
Modelos basados en datos: Conocidos modelos con el término Data Driven Attribution o Dynamic Attribution, están basados en el análisis de datos históricos de todos los tipos de comportamiento de los usuarios de un sitio web, ya hayan acabado en conversión o no. Con algoritmos matemáticos, este modelo es capaz de construir una distribución de pesos a cada toque o canal que sea lo más parecido a la realidad y sea representativo del tipo de audiencia del negocio. Lo bueno es que estos modelos se pueden alimentar también de gentes externas con información sociodemográfica, de mercado, de cliente ( CRM ), etc. Más adelante hablaremos concretamente de ejemplos de Machine Learning aplicados a modelos de atribución publicitaria sobretodo.
En los siguientes artículos profundizaremos en los tipos de modelo y cuál elegir en función del tipo de negocio y cómo visualizarías en Adobe Analytics Workspace.