Cosa sono i modelli di attribuzione 📊, il Data Driven Model e come usarli in Google Analytics 📈

Cosa sono i modelli di attribuzione nel marketing?

Prima o poi vi chiederete qual è il rendimento delle campagne di advertising ed in generale di qualsiasi azione si intraprenda sul mercato che raggiunga l'audience target.

I modelli di attribuzione ci aiutano a capire come ogni mezzo contribuisce all'obiettivo finale che può essere a seconda dei casi la vendita, un lead, un drive to store o una richiesta di preventivo.

La definizione:

Un modello di attribuzione è un framework o una metodologia utilizzata per determinare quali punti di contatto o interazioni in una campagna pubblicitaria/marketing hanno la maggiore influenza sulla decisione di un consumatore di effettuare un acquisto.

Ciò consente di identificare quali canali sono più efficaci e allocare di conseguenza il proprio budget pubblicitario/marketing.

Nell'online il modello ci consente di misurare non solo l'advertising ma anche i canali organici (traffico da motori di ricerca, social, referral e diretto) e come interagiscono tra di loro.

Quindi per esempio ci aiuta a capire se l'investimento nel display advertising stia rendendo meglio o peggio di quello nel content marketing (che genera traffico organico).

In teoria andrebbe a risolvere il grande problema della pubblicità rappresentato dalla citazione di John Wanamaker:

La metà dei soldi che spendo in pubblicità sono persi, il problema è che non so qual è questa metà.

Il percorso che fa un cliente dalla nascita del bisogno fino all'acquisto può prevedere diverse azioni/interazioni.

Pensiamo di dover comprare una mountain bike, essendo un acquisto complesso, ci saranno diverse azioni ed interazioni con il sito X su cui acquisterò il prodotto.

Il modello di attribuzione ci deve servire a valutare il contributo di ogni mezzo alla conversione finale.

Per esempio:

• cerco su google "mountain bike" e clicco sull'annuncio di Google ads e faccio la mia prima visita sul sito X
• dopo una settimana visitando il mio sito di bici preferito clicco sul banner che porta al sito X (magari è un banner di retargeting)
• dopo un'altra settimana cerco su google "migliori MTB" e clicco sul risultato organico del sito X
• dopo 2 giorni vedo annuncio su facebook con una promozione particolare del sito x e ci clicco ed acquisto la mia bici.

In questo esempio abbiamo 3 interazioni a pagamento per l'azienda X ed una organica (la ricerca su google).

Come valutiamo il contributo di ogni interazione?

In funzione del peso che diamo ad ognuna di essa avremo un modello diverso. Vediamo i più importanti.

Attribuzione "last click" (ultima interazione)

Nell'attribuzione ultimo click si riconosce al 100% la conversione all'ultimo canale utilizzato, all'ultima interazione, nel nostro esempio la vendita verrebbe associata all'advertising social su Facebook.

Questo è il metodo più utilizzato di attribuzione e nei report degli analytics è il valore di default.

Questo modello ha il vantaggio della certezza dell'ultimo canale prima della conversione ma dall'altro da un peso maggiore a quei canali più vicini al bisogno del cliente e alla decisione di acquisto.

Il comportamento classico quanto il cliente ha deciso di acquistare è quello di cercare il nome della marca (per esempio nel nostro caso: Bianchi) che poi fa seguire un click ed interazione o sul risultato a pagamento o sul link organico.

In questo scenario al canale Google (paid o organic) verrà riconosciuto il 100% della vendita.

Per brand molto noti il metodo last click funziona bene mentre per brand che richiedono un lavoro sull'awareness (sia a pagamento che organico con una strategia sui contenuti) potrebbe valer la pena dare un occhio anche al modello "prima interazione".

Attribuzione "first click" (prima interazione)

Se il modello precedente attribuiva la conversione all'ultima interazione nel "first click" al contrario si riconosce il merito della vendita/goal al primo canale di contatto.

Nel nostro esempio il primo canale è l'annuncio sul motore di ricerca (Google Ads ex. Google Adwords).

Considerando la lunghezza dei processi di acquisto può essere poco opportuno un sistema di questo tipo ma è molto utile per misurare tutti i canali dedicati all'awareness, in particolare il Display advertising ed il content marketing/content strategy.

Ipotizziamo per esempio che la prima visita al sito che vende mountain bike sia stata fatta per scoprire dei percorsi in bici o delle tecniche di allenamento. Poi il nostro visitatore ha potuto apprezzare la passione e serietà dell'azienda e successivamente ha cliccato su un annuncio sponsorizzato acquistando una bici.

In questo caso l'acquisto è gran parte merito del lavoro fatto con i contenuti che hanno consentito di creare una relazione ed un rapporto di fiducia.

Analogamente per un brand poco noto, i banner possono essere uno strumento per generare consapevolezza del marchio e/o del bisogno soddisfatto dal prodotto o servizio.

Se il modello first click non da evidenze importanti sulle campagne di display advertising allora conviene ripensare la strategia di questo canale in quanto è palese la sua inefficacia nel muovere il potenziale cliente lungo il path di acquisto.

Attribuzione lineare

E' il metodo democristiano di attribuzione 😂 in quanto ad ogni interazione viene dato un peso uguale.

Quindi se abbiamo venduto 100 bici, verranno attribuite 25 bici ad ognuno dei 4 canali.

Nel pesare i vari canali ricordo che viene attribuito agli stessi anche un valore economico per calcolare il ritorno dell'investimento.

Si parte dal definire il CPA target (Cost per acquisition) che il costo massimo che possiamo sostenere per una vendita online, nel caso di una Mountain bike da 500 euro potrebbe essere di 50 euro.

A questo punto se le nostre campagne hanno prodotto 100 vendite ed ipotizziamo lo stesso percorso per tutte le convesioni (peso del 25%), avremo che il costo di advertising per ogni mezzo è calcolato cosi:

(investimento singolo canale/n.conversioni totali) * 0,25

Se questo valore è minore di 12,50 euro allora va bene altrimenti stiamo viaggiando ad un CPA superiore all'obiettivo.

Spesso il calcolo del CPA viene fatto globalmente dividendo l'investimento totale con il numero di conversioni online.

Questa modalità se da un lato semplifica molto il calcolo dall'altro rischia di non far vedere delle inefficienze o dei canali non efficaci.

E' l'effetto media del pollo 🐔, con il rischio che ci sia chi ne mangia 2 e chi muore di fame 😫

Attribuzione basata sulla posizione

E' il metodo che riconosce alla prima e ultima interazione il maggior peso in quanto sono stati i canali che hanno ingaggiato il potenziale cliente e che hanno generato la conversione.

Nel nostro esempio Google Ads e Facebook Ads avranno il peso maggiore pari al 40% della vendita.

Data Driven Model: il modello basato sui dati ed il machine learning

Con il modello basato sui dati si utilizzano degli algoritmi di machine learning per valutare tutti i percorsi degli utenti del nostro sito, sia quelli con conversione che senza.

Il risultato è l'individuazione dei fattori che influiscono sui risultati e del ruolo di ogni punto di contatto sulla probabilità che il cliente acquisti.

Nel modello vengono usate tantissime variabili, tra cui la sequenza di interazione, il tipo di dispositivo, il tempo trascorso tra le visite e l'acquisto, ecc..

Di fatto si ricostruisce un modello probabilistico tale per cui si riesce a stimare come l'interazione con un determinato strumento all'interno del percorso possa aver contribuito alla conversione finale.

Alla luce di queste elaborazioni si attribuiscono i pesi dei contributi stimando l'effetto sulle interazioni future.

Per esempio se dall'analisi dei dati l'algoritmo osserva che la probabilità di conversione aumenta di molto se come prima interazione abbiamo Google Ads allora tale canale riceverà un peso più alto.

Usando una metafora calcistica è come se un allenatore, in base ai dati passati, riuscisse a stabilire il contributo che ogni giocatore potrà dare alla vittoria in una partita futura.

Come generare il modello di attribuzione con Google Analytics 4 (GA4)

I modelli che abbiamo visto finora esistono grazie ai Digital Analytics.

Sarebbe impossibile riuscire a determinare il contributo di ogni interazione lungo il percorso di acquisto di un cliente se non avessimo un sistema tecnico per tracciarlo.

Alla base di tutto abbiamo il cookie di prima parte degli analytics che consente di associare ogni interazione successiva nel tempo allo stesso utente (cookie ID).

Lo strumento più utilizzato e potente è sicuramente Google Analytics 4 per vedere i report dedicati al modello di attribuzione dobbiamo selezionare dal menu laterale di sinistra la sezione Advertising e poi nella sotto sezione Attribution/Attribuzione > "Model Comparison/modelli di comparazione".

GA4 ci mostra sulle righe i vari canali di acquisizione del traffico ed accanto le relative conversioni calcolate con il modello scelto dal menu a tendina confrontato con il Data Driven Model.

Attenzione di base vengono mostrate tutte le categorie di conversion (acquisti, lead, download, ecc..) consiglio di selezionare in alto l'evento specifico (per esempio acquisti) altrimenti c'è il rischio di confrontare pere con mele.

⚠️ATTENZIONE⚠️: il 17 ottobre 2023 Google ha eliminato tutti i modelli lasciando disponbili solo il Last Click ed il Data Driven Model.

Nel modello di attribuzione di GA4 il canale diretto non è considerato, mi piace definirlo un canale "trasparente".

Che significa?

Torniamo al nostro esempio di acquisto della bici ed ipotizziamo che il cliente prima di acquistare interagisca passando dai seguenti 3 canali nel corso di 20 giorni:

Google Ads > Google Organico > Diretto

Secondo il modello last click di GA4 la conversione viene riconosciuta a "Google organico" e non al direct. Quindi quest'ultimo è come se fosse trasparente 😂

Il Diretto vedrà associata la conversione solo se non ci sono altri canali, in pratica solo se è l'unico mezzo con cui arrivano sul sito.

Quindi se il nostro cliente fosse entrato due volte in un periodo di 20 gg e sempre in modo diretto l'acquisto verrebbe riconosciuto a tale canale.

Il Diretto non viene considerato in qualsiasi tipo di modello, la conferma logica viene dal fatto che cambiando il tipo di attribuzione troverete sempre gli stessi valori di conversioni relative al Direct (che sono quelle che non hanno ne canali prima e ne dopo nel journey di acquisto).

Nell'analizzare il percorso del cliente GA4 per l'attribuzione delle conversioni utilizza una finestra temporale di 30 giorni.

In pratica affinchè venga associata una vendita ad un canale deve trascorrere non più di 30 giorni, quindi se sono entrato sul sito da un annuncio su Google e poi rientro ed acquisto dopo 35 giorni Google Ads non potrà ricevere la conversione.

Per vedere meglio come GA4 distribuisce le conversion con il calcolo dei dati suggerisco di cliccare sul menu di sinistra ed aprire il report "Conversion paths/percorsi di conversione".

Come mostrato dall'immagine in alto, il report ci consente di osservare come sono pesate le varie fasi del customer journey utilizzando il modello Data Driven.

Molto interessante è lo schema dei percorsi dove vediamo i tipi di combinazioni di interazioni con le relative conversioni (vedi immagine che segue).

Questo report è molto utile in quanto ci consente di misurare quei mezzi che lavorano sulla parte alta del percorso e valutare gli assist alla vendita.

Per esempio applicando un filtro sul source o medium possiamo capire quante volte le nostre campagne banner sono presenti in un percorso di acquisto.

Se troviamo pochi assist significa che le nostre campagne non funzionano nemmeno nella parte alta.

Conclusioni e la tecnica delle intolleranze digitali 😉

L'attribuzione dei canali di marketing online è un grosso problema per coloro che investono nel digitale, il modello Data Driven è un buon tentativo per cercare di fornire una soluzione alternativa al last click.

Il sistema di Google Analytics 4 ha un vizio di fondo: chi ha creato l'algoritmo è anche il principale fornitore di advertising al mondo.

Il valutato e valutatore coincidono ed utilizza un modello di machine learning proprietario il cui funzionamento per noi è una black box.

Personalmente preferisco partire dal modello last click e poi analizzare per i mezzi TOF (Top Of Funnel) il bounce rate/engagement e gli assist.

Graze agli analytics possono vedere quante conversioni presentano nel loro percorso di acquisto l'interazione da osservare (per esempio quante MTB ho venduto che presentano l'interazione tramite banner in una qualsiasi posizione?).

Quando si analizza il Display Advertising attenzione a considerare solo le conversioni post click e non post-impressions (o anche dette post-view).

Infine per chiarire qualsiasi dubbio esiste la tecnica delle tecniche che io chiamo: il modello delle intolleranze digitali!

Nel mondo dell'alimentazioen quando occorre scoprire un'intolleranza si procede eliminando un alimento alla volta, in pratica manteniamo fisse tutte le variabili tranne una.

Se abbiamo dei dubbi sull'impatto e sul contributo di uno strumento o di una campagna possiamo usare la stessa tecnica, togliamo dal nostro investimento questo mezzo per almeno la durata media di 2 periodi del percorso di acquisto del cliente. e vediamo i risultati di conversione.

In pratica se il buying cycle dalla nascita del bisogno all'acquisto è di 30 giorni dobbiamo bloccare le campagne per 60 giorni e valutare l'effetto sulle vendite dell'ultimo mese.

La differenza tra il prima ed il dopo, se riusciamo a mantenere tutti gli altri fattori fissi, rappresenta il contributo del canale.

Consiglio questa tecnica solo per i canali di advertising e non per i canali organici.