Röviden: a személyre szabás attribúciója úgy működik, hogy rögzíted, melyik élményt (változatot) látta minden látogató és fiók, majd összehasonlítod a személyre szabott változatot látók konverzióját és pipeline-ját egy véletlenszerűen kijelölt, az alapértelmezettet látó kontrollcsoportéval. A csatorna-attribúció megmondja, honnan jött a látogató; az élmény-attribúció azt, hogy az oldalon látottak megváltoztatták-e az eredményt. Mindkettőre szükséged van, és csak a kontrollcsoportos összehasonlítás méri a növekményes hatást.
A legtöbb attribúciós beállítás egy csendes feltevésre épült: mindenki, aki egy URL-re érkezik, ugyanazt az oldalt látja. A personalizáció ezt felborítja. Két látogató ugyanarra a Google-hirdetésre kattint, és ugyanarra a kezdőlapra érkezik. Az egyik nagyvállalati biztonságról szóló főcímet lát, a másik API-sebességről szólót. Az analitikai eszközöd mindkettőt „homepage, google / cpc”-ként naplózza. Ha az egyik konvertál, a másik nem, a rekordban semmi sem mondja meg, hogy a csatorna, az oldalváltozat vagy valami más okozta a különbséget.
A cikk további része azt mutatja be, miért hagyják ezt figyelmen kívül a szokásos modellek, hogyan bontsd ketté a kérdést, hogyan állíts be kontrollcsoportokat, hogyan vidd át az élményadatokat a CRM-be, és hogyan riportolj róla túlzó állítások nélkül.
Miért nem látják a személyre szabást a szokásos attribúciós modellek
Az első érintéses, utolsó érintéses, lineáris, időben csökkenő és pozícióalapú modellek mind a forgalmi források és az oldalon belüli műveletek között osztják el az érdemet. Magát az oldalt állandóként kezelik. Arról a hatásról is lemaradnak, amely soha nem eredményez mérhető érintést; ezt a B2B dark funnelről szóló cikkünkben tárgyaljuk. Ha fel szeretnéd frissíteni, hogyan osztják el a modellek az érdemet, nézd meg ezt a gyakorlati multi-touch attribúciós útmutatót.
Példa (szemléltető): egy fiók háromszor látogat el az oldalra, mielőtt demót kér. Az 1. látogatás organikus keresésből érkezik, és az általános kezdőlapot látja. A 2. látogatás egy LinkedIn-hirdetésből jön; addigra a céget azonosították, így gyártóipari főcímet lát. A 3. látogatás közvetlen, és az oldal egy esettanulmányt mutat arról, hogyan váltották le azt az eszközt, amelyet a fiók jelenleg használ. Egy lineáris modell az organikus, a LinkedIn és a közvetlen forgalom között egyharmad-egyharmad arányban osztja el az érdemeket. Nincs mezője arra, hogy „látta a gyártóipari variánst” vagy „látta a versenytársas esettanulmányt”, így ha ezek az oldalak győzték meg, a riport ezt nem tudja megmutatni.
Ez mérési hiány, nem bizonyíték arra, hogy a személyre szabás működött. Lehet, hogy a fiók amúgy is foglalt volna időpontot. A lényeg, hogy a szokásos riport egyik irányban sem tud választ adni.
Bontsd két kérdésre
| Csatorna-attribúció | Élmény-attribúció | |
|---|---|---|
| Kérdés | Mely csatornák hozzák a megfelelő accountokat? | Amikor megérkeznek, megváltoztatja-e a személyre szabott élmény, amit tesznek? |
| A döntés, amit megalapoz | Ügyfélszerzési költségvetés | Mely személyre szabási szabályokat tartsd meg, módosítsd vagy kapcsold ki |
| Módszer | A meglévő MTA-modelled vagy platformriportjaid | Véletlenszerű kontrollcsoport az alapértelmezett oldallal szemben |
| Fő közönség | Fizetett média és keresletgenerálás | Web, CRO és termékmarketing |
Futtasd őket párhuzamosan, és riportold külön. A csatornaattribúciónak megvannak a maga korlátai, de maradhat, ahogy van. Az élményattribúcióhoz kontrollcsoport kell, mert azt, hogy „aki a személyre szabott oldalt látta, többet konvertált”, akkor is látnád, ha egyszerűen a legjobban illeszkedő fiókjaidnak szabnál személyre. A B2B marketingcsatornákról szóló útmutatónk a csatornaoldalt tárgyalja.
Kontrollcsoportok: a rész, amely a növekményt méri
Vond meg a személyre szabást a megfelelő fiókok egy véletlenszerű részhalmazától, és hagyd, hogy az alapértelmezett oldalt lássák. Minden más ugyanaz marad: ugyanazok a hirdetések, ugyanazok az e-mailek, ugyanaz az értékesítési követés.
A fontos beállítások:
- Account szerint ossz be, ne munkamenet szerint. Ha egy négyfős beszerzési csoport megoszlik a változatok között, mindkét csoport szennyezett. Hasheld a cégazonosítót (vagy a first-party cookie-t, ha a cég ismeretlen), hogy a besorolás a látogatásokon át megmaradjon.
- A kontrollcsoportot a forgalmad alapján méretezd, ne ökölszabály szerint. A nagyobb kontrollcsoport gyorsabban kiértékelhető, de több fiók marad le a személyre szabott oldalról. Egy A/B teszt mintanagyság számítással határozd meg, csoportonként hány fiók kell ahhoz, hogy lásd a számodra fontos javulást, majd döntsd el, ez mekkora arányt jelent.
- Rögzítsd, mi számít „megfelelőnek”. Ha a szegmensszabály a teszt közben változik, a csoportok többé nem összehasonlíthatók.
Ezután hasonlítsd össze a csoportokat minden olyan tölcsérszakaszban, amelyet ténylegesen meg tudsz számolni:
- Űrlap- vagy demókonverziós ráta az oldalon.
- MQL–SQL arány. Ez elkapja azt a változatot, amely növeli az űrlapkitöltéseket, de gyengébb leadeket vonz.
- Fiókonkénti lehetőség-létrehozási arány.
- Nyerési arány és üzletméret, ha már elég üzlet zárult le. A legtöbb B2B vállalkozásnál ez a szakasz egy teljes értékesítési ciklust igényel, mielőtt bármit mondana.
Az eredményeket szegmensenként is értékeld, ne csak összesítve. Az összesített javulás származhat teljes egészében egyetlen szegmensből, miközben egy másik semmit sem lát belőle, vagy kicsit romlik is. Ha a szegmensenkénti csoportok túl kicsik a kiértékeléshez, mondd ki, ahelyett, hogy az összesített eredményt úgy riportolnád, mintha mindenhol érvényes lenne.
Amikor nem tudsz tiszta cégszintű kontrollcsoportot futtatni
Földrajzi felosztás
Egyes régiókban szabj személyre, másik, hasonló régiókban ne. Akkor hasznos, ha az accountvolumen túl kicsi, vagy az azonosítási lefedettség hiányos. A kockázat az, hogy a régiók olyan okokból is különböznek, amelyeknek semmi közük az oldaladhoz (sales lefedettség, helyi események, pénznem), ezért válassz egymáshoz illő régiókat, és futtasd hosszabban.
Be- és kikapcsolt időszakok
Kapcsold be és ki felváltva a személyre szabást rögzített időablakokban, például kéthetente, több cikluson át. Így egyetlen célfiók sem kerül tartósan kontrollcsoportba. A kampányindítások, ünnepek és negyedévzárások elmozdítják a számokat, ezért naplózz minden nagyobb kampánydátumot, és hagyd ki azokat az ablakokat, amelyek átfednek valamelyikkel.
Változat változat ellen
Ha már tudod, hogy egy szegmensnél a személyre szabás legyőzi az alapértelmezettet, teszteld a személyre szabási stratégiákat egymással szemben: iparági címsor vs cégméret szerinti címsor, vagy releváns esettanulmány vs egyedi hero. Ebből megtudod, melyik szabályt érdemes skálázni, ami általában hasznosabb kérdés, mint az, hogy „működik-e a személyre szabás?”
Az élményadatok átvitele a CRM-be
A B2B csapatokat nem az űrlapkitöltések alapján értékelik, ezért a változatok adatainak el kell jutniuk a pipeline-riportokba.
- Minden perszonalizációs döntésnél küldj eseményt. A GA4-ben (vagy az analitikai eszközödben) küldj egyéni eseményt a szabály azonosítójával, a szegmenssel, a variánssal és egy jelzővel, amely mutatja, hogy kontrollcsoportos vagy perszonalizált. A paramétereket regisztráld egyéni dimenzióként, hogy riportolni tudj rájuk.
- Konverziókor írd a mezőket a CRM-be. Űrlapküldéskor add át a szegmenst, az utoljára látott változatot és a holdout jelzőt rejtett mezőkben, amelyek strukturált kontaktmezőkre képeződnek le. Ne megjegyzésmezőbe; szűrnöd kell rájuk.
- Összesítsd fiókszinten. Ha az eszközöd támogatja, szinkronizáld a fiókszintű előzményeket: perszonalizált munkamenetek, látott variánsok, az első és az utolsó megjelenítés dátuma.
- Jelöld meg az üzleti lehetőségeket. Adj hozzá egy üzletilehetőség-mezőt, amely igaz, ha a lehetőség bármely kapcsolattartója személyre szabott munkamenetet látott a lehetőség létrehozása előtti meghatározott időablakban. Az ablakot a ciklusodhoz igazítsd, és írd le; a 30 vagy 60 nap gyakori választás. Munkafolyamattal töltsd ki, ne kézzel.
- Készíts három riportot. A meglévő csatornariportodat változatlanul. Egy heti személyre szabási riportot: konverzió szegmensenként, személyre szabott vs kontrollcsoport. Egy negyedéves pipeline-riportot: befolyásolt pipeline szegmensenként és szakaszonként.
A tiszta UTM-ek előfeltételek. Ha a forrás- és kampányadatok következetlenek, nem tudod szétválasztani a csatornahatásokat az oldalhatásoktól; egy közös UTM-generátor konvenció ennek nagy részét megoldja.
A „befolyásolt” nem azonos az „okozottal”
Az értékesítési lehetőségen lévő jelölőt „személyre szabás által befolyásolt”-nak nevezd, ne „attribuáltnak”. A befolyás csak annyit mond, hogy valaki az üzletben részt vevők közül látott egy személyre szabott oldalt. A személyre szabás általában a legjobban illeszkedő fiókjaidat célozza, amelyek amúgy is jobban konvertálnak, így a befolyásolt pipeline jól fog kinézni, akár csináltak valamit a változatok, akár nem. Az ok-okozati részt a kontrollcsoport adja.
A kettőt kombinálva, kitalált számokkal a számítás szemléltetésére: a befolyásolt lehetőségek egy negyedévben 4,2 millió dollár pipeline-t hoztak, a kontrollcsoport pedig 18%-os inkrementális konverziónövekedést mutat. Az inkrementális rész 0,18 / 1,18, vagyis nagyjából 640 ezer dollárnyi pipeline nem jött volna létre személyre szabás nélkül. A maradék 3,56 millió dollár valószínűleg amúgy is megérkezett volna. A pénzügy a második számot fogja kérni; add meg, mielőtt megkérdeznék. Ugyanez a fegyelem érvényes a fizetett médiára is: egy ROAS kalkulátor a bruttó árréseddel megmutatja, hogy az attribúált bevétel egyáltalán fedezi-e a költést.
Riportolás különböző embereknek
| Közönség | Amire szükségük van | Mit hagyj ki |
|---|---|---|
| CMO / marketingvezető | Szegmensenkénti javulás a kontrollcsoporthoz képest, mely szabályokat érdemes skálázni, hogyan változtatják meg a perszonalizált oldalak a konverziót az egyes fő csatornákon | Nyers befolyásolt pipeline a kontrollcsoport kontextusa nélkül |
| Értékesítési vezetés | Hogy a személyre szabott fiókok több üzleti lehetőséget teremtenek-e és gyorsabban haladnak-e, szegmensenként, egy teljes ciklus lezárulta után | Munkamenet-szintű elköteleződési mutatók |
| Pénzügy | A kontrollcsoportból számolt inkrementális pipeline, a teljes költség (eszköz plusz munkaidő), az ebből adódó megtérülés és a konfidenciaintervallum | Bruttó befolyásolt számok önmagukban |
| Igazgatóság | Egy sor: inkrementális pipeline, költség, negyedéves trend | Módszertani részletek |
Hasznos szokás minden közönségnél: a kontrollcsoport számait a perszonalizált csoportéi mellett riportold, hogy az összehasonlítás látható legyen, ne csak sejtetett.
Meddig menj el, és mikor
- Követés: láthatod, mely fiókok láttak személyre szabott tartalmat. Napok alatt beállítható. Hibakereséshez hasznos, a hatás igazolására nem.
- Kontrollcsoport (holdout): mérni tudod az oldalon elért növekményes javulást. Szegmensenként elég forgalom kell hozzá; a kis forgalmú szegmensekből talán soha nem lesz tiszta eredmény, és ezt nyugodtan be lehet vallani.
- Kapcsolat a pipeline-nal: a változatadatok bekerülnek a CRM-be, és követheted a befolyásolt és a növekményes pipeline-t. Legalább egy teljes értékesítési ciklusnyi adat kell hozzá.
- Új szegmensek előrejelzése: egy szegmens hatásának becslése az indítás előtt. Csak akkor érdemes megpróbálni, ha már több olyan szegmensed van, amelynek lezárt kontrollcsoportos eredményeiből tanulhatsz.
Ne építsd meg a pipeline-réteget, amíg nincs kontrollcsoport. Kontrollcsoport nélkül mindig csak korrelációt fog mutatni, a korrelációt pedig a legjobban illeszkedő fiókok perszonalizálása ingyen is előállítja.
Hol kezdd
Ellenőrizd, hogy a perszonalizációs eszközöd küld-e eseményeket az analitikai eszközödbe, változatazonosítóval és kontrollcsoport-jelzővel. Ha nem, először ezt javítsd; enélkül semmi más nem működik. Ezután állíts be kontrollcsoportot a legnagyobb forgalmú szegmensedre, és hagyd futni addig, amíg el nem éri a kiszámolt mintanagyságot. A Markettailor A/B tesztelése kezeli a cégszintű kontrollcsoportokat, és elküldi a változatadatokat az analitikába, ha nem szeretnéd magad felépíteni a hozzárendelési logikát.
Gyakran ismételt kérdések
Hogyan működik a személyre szabás attribúciója?
Valahányszor egy látogató személyre szabott élményt lát, a személyre szabási eszköz eseményt küld az élmény és a változat azonosítójával. Ezt az esemény a munkamenettel együtt tárolódik, és amint a látogatót azonosítják, a fiókkal együtt a CRM-ben is. Ha összeveted a konverziót és a pipeline-t a változatot látó látogatók és egy véletlenszerű, az alapértelmezett oldalt látó kontrollcsoport között, megkapod a személyre szabás növekményes hatását.
Mi a különbség a csatorna-attribúció és az élmény-attribúció között?
A csatornaattribúció azoknak a forrásoknak tulajdonít érdemet, amelyek a látogatót hozták, például a fizetett keresésnek, a LinkedInnek vagy az e-mailnek. Az élményattribúció azt méri, milyen hatása volt annak, amit a látogató az érkezése után látott. Egy személyre szabott oldal minden csatorna konverzióját megváltoztathatja, így ha csak csatornaattribúciót riportolsz, a weboldalélmény hozzájárulása rejtve marad.
Mekkora legyen egy perszonalizációs kontrollcsoport?
Elég nagy ahhoz, hogy ésszerű időn belül kimutassa a számodra fontos javulást, de ne nagyobb. Végezz A/B teszt mintaméret-számítást a forgalmadra és az alap konverziós rátádra, majd a kontrollcsoportot fiókszinten jelöld ki, hogy ugyanaz a cég a látogatások során következetes élményt kapjon.
Mérhető a perszonalizáció többérintéses attribúciós modellekkel?
Csak közvetve. A többérintéses modellek szétosztják az érdemet az érintési pontok között, de feltételezik, hogy minden érintési pont mindenkinél ugyanaz. Ha az élményazonosítót érintésipont-tulajdonságként adod hozzá, riportolhatod a befolyásolt pipeline-t, de az inkrementális hatásnak továbbra is kontrollcsoportos összehasonlításból kell származnia. A B2B kutatás nagy része ráadásul a dark funnelben zajlik, ahol egyáltalán nem rögzül érintési pont.