Kort svar: Attribusjon for personalisering fungerer ved å registrere hvilken opplevelse (variant) hver besøkende og konto så, og deretter sammenligne konvertering og pipeline for dem som så den personaliserte versjonen, med en tilfeldig tildelt holdout-gruppe som så standardversjonen. Kanalattribusjon forteller deg hvor en besøkende kom fra; opplevelsesattribusjon forteller deg om det de så på nettstedet, endret utfallet. Du trenger begge, og bare sammenligningen med holdout-gruppen måler den inkrementelle effekten.
De fleste attribusjonsoppsett ble bygget på én stille antakelse: alle som lander på en URL, ser den samme siden. Personalisering bryter den. To besøkende klikker på den samme Google-annonsen og lander på den samme forsiden. Den ene ser en overskrift om sikkerhet for store virksomheter, den andre en overskrift om API-hastighet. Analyseverktøyet ditt logger begge som «homepage, google / cpc». Hvis den ene konverterer og den andre ikke gjør det, forteller ingenting i den posten deg om det var kanalen, sideversjonen eller noe annet som utgjorde forskjellen.
Resten av dette innlegget handler om hvorfor standardmodeller går glipp av dette, hvordan du deler spørsmålet i to, hvordan du setter opp kontrollgrupper, hvordan du fører opplevelsesdataene inn i CRM-et, og hvordan du rapporterer det uten å overdrive.
Hvorfor vanlige attribusjonsmodeller går glipp av personalisering
Modellene first touch, last touch, lineær, tidsforfall og posisjonsbasert fordeler alle kreditt på trafikkilder og handlinger på nettstedet. Selve siden behandles som en konstant. De går også glipp av påvirkning som aldri gir et sporbart kontaktpunkt, noe vi tar for oss i innlegget vårt om den mørke trakten i B2B. Trenger du en oppfriskning av hvordan modellene fordeler kreditt, kan du se denne praktiske guiden til multi-touch-attribusjon.
Eksempel (illustrativt): en konto besøker nettstedet tre ganger før den ber om en demo. Besøk 1 kommer fra organisk søk og ser den generiske forsiden. Besøk 2 kommer fra en LinkedIn-annonse; da er selskapet identifisert, så det ser en overskrift for industrien. Besøk 3 er direkte, og nettstedet viser en kundecase om å bytte ut verktøyet kontoen bruker i dag. En lineær modell gir organisk, LinkedIn og direkte en tredjedel av æren hver. Den har ikke noe felt for «så industrivarianten» eller «så konkurrentcasen», så hvis det var de sidene som overbeviste, kan rapporten ikke vise det.
Det er et målehull, ikke et bevis på at personaliseringen virket. Kanskje kontoen ville ha booket uansett. Poenget er at standardrapporten ikke kan svare verken den ene eller den andre veien.
Del det opp i to spørsmål
| Kanalattribusjon | Opplevelsesattribusjon | |
|---|---|---|
| Spørsmål | Hvilke kanaler gir de riktige kontoene? | Når de kommer, endrer den personaliserte opplevelsen hva de gjør? |
| Beslutningen den underbygger | Budsjett for kundeanskaffelse | Hvilke personaliseringsregler som skal beholdes, endres eller slås av |
| Metode | Din eksisterende MTA-modell eller plattformrapporter | Tilfeldig kontrollgruppe mot standardsiden |
| Hovedmålgruppe | Betalte medier og etterspørselsgenerering | Web, CRO og produktmarkedsføring |
Kjør dem side om side og rapporter dem hver for seg. Kanalattribusjon har sine egne begrensninger, men kan forbli som den er. Attribusjon av opplevelser trenger en kontrollgruppe, fordi «folk som så den personaliserte siden konverterte mer» også er det du ville sett om du bare personaliserte for kontoene med best match. Guiden vår til markedsføringskanaler i B2B dekker kanalsiden.
Kontrollgrupper: delen som måler inkrementell effekt
Hold tilbake personalisering fra et tilfeldig utvalg av kvalifiserende kontoer og la dem se standardnettstedet. Alt annet forblir det samme: samme annonser, samme e-poster, samme oppfølging fra salg.
Innstillinger som betyr noe:
- Tildel etter konto, ikke økt. Hvis en innkjøpsgruppe på fire personer fordeles på ulike varianter, blir begge gruppene forurenset. Hash selskaps-ID-en (eller førsteparts informasjonskapsel når selskapet er ukjent), så tildelingen holder seg på tvers av besøk.
- Dimensjoner kontrollgruppen ut fra trafikken din, ikke ut fra en tommelfingerregel. En større kontrollgruppe gir raskere svar, men betyr at flere kontoer går glipp av den personaliserte siden. Regn ut hvor mange kontoer per gruppe du trenger for å se løftet du bryr deg om, med en beregning av utvalgsstørrelse i A/B-tester, og bestem så hvilken andel det utgjør.
- Lås definisjonen av «kvalifiserende». Hvis segmentregelen endres midt i testen, er gruppene ikke lenger sammenlignbare.
Sammenlign deretter gruppene på hvert trinn i trakten som du faktisk kan telle:
- Konverteringsrate for skjema eller demo på nettstedet.
- Rate fra MQL til SQL. Den fanger opp en variant som gir flere skjemainnsendinger, men tiltrekker svakere leads.
- Rate for opprettelse av salgsmuligheter per konto.
- Vinnerrate og avtalestørrelse, når nok avtaler er lukket. I de fleste B2B-virksomheter trenger dette steget en hel salgssyklus før det sier noe.
Les resultatene per segment i tillegg til totalt. En samlet økning kan komme fra ett enkelt segment mens et annet segment ikke ser noe, eller blir litt dårligere. Hvis gruppene per segment er for små til å leses, si det i stedet for å rapportere totalen som om den gjaldt overalt.
Når du ikke kan kjøre en ren kontrollgruppe på kontonivå
Geografisk inndeling
Personaliser i noen regioner og hold igjen i sammenlignbare regioner. Nyttig når kontovolumene er for små eller identifiseringsdekningen er ujevn. Risikoen er at regionene er ulike av grunner som ikke har noe med nettstedet ditt å gjøre (salgsdekning, lokale arrangementer, valuta), så velg sammenlignbare regioner og kjør lenger.
Av/på-perioder
Slå personalisering av og på i faste vinduer, for eksempel to uker hver, over flere sykluser. Det unngår at noen målkonto holdes i en permanent kontrollgruppe. Kampanjelanseringer, ferier og kvartalsslutt vil påvirke tallene, så loggfør alle store kampanjedatoer og forkast vinduer som overlapper med en av dem.
Variant mot variant
Når du vet at personalisering slår standardversjonen for et segment, test personaliseringsstrategier mot hverandre: bransjeoverskrift mot overskrift etter selskapsstørrelse, eller relevant kundecase mot tilpasset hero. Det forteller deg hvilken regel du bør skalere, som som regel er et mer nyttig spørsmål enn «fungerer personalisering?»
Før opplevelsesdata inn i CRM-et
Utfylte skjemaer er ikke resultatet B2B-team får betalt for, så variantdataene må nå frem til pipeline-rapportene.
- Send en hendelse for hver personaliseringsbeslutning. I GA4 (eller analyseverktøyet ditt) sender du en egendefinert hendelse med regel-ID, segment, variant og et flagg for kontrollgruppe kontra personalisert. Registrer parameterne som egendefinerte dimensjoner, slik at du kan rapportere på dem.
- Skriv feltene til CRM ved konvertering. Når skjemaet sendes inn, overfører du segmentet, sist viste variant og holdout-flagget i skjulte felt som er koblet til strukturerte kontaktfelt. Ikke et notatfelt; du må kunne filtrere på det.
- Samle det på kontonivå. Synkroniser historikk på kontonivå hvis verktøyet ditt støtter det: personaliserte økter, varianter som er vist, og dato for første og siste eksponering.
- Marker salgsmuligheter. Legg til et felt på salgsmuligheten som er sant når en kontakt på salgsmuligheten så en personalisert økt innenfor et fastsatt vindu før salgsmuligheten ble opprettet. Velg vinduet slik at det passer syklusen din, og skriv det ned; 30 eller 60 dager er vanlige valg. Fyll det ut med en arbeidsflyt, ikke manuelt.
- Bygg tre rapporter. Den eksisterende kanalrapporten din, uendret. En ukentlig personaliseringsrapport: konvertering per segment, personalisert mot kontrollgruppe. En kvartalsvis pipeline-rapport: påvirket pipeline per segment og fase.
Ryddige UTM-er er en forutsetning. Er kilde- og kampanjedataene inkonsekvente, kan du ikke skille kanaleffekter fra sideeffekter; en felles konvensjon med en UTM-bygger løser det meste av det.
«Påvirket» er ikke «forårsaket»
Kall flagget på salgsmuligheten «påvirket av personalisering», ikke «tilskrevet». Påvirkning sier bare at noen i avtalen så en personalisert side. Personalisering retter seg som regel mot kontoene som passer best, og de konverterer bedre uansett, så påvirket pipeline vil se bra ut enten variantene gjorde noe eller ikke. Holdout-gruppen gir den kausale delen.
Kombinerer du de to, med oppdiktede tall for å vise regnestykket: påvirkede muligheter ga 4,2 millioner USD i pipeline i løpet av et kvartal, og kontrollgruppen viser en inkrementell konverteringsøkning på 18 %. Den inkrementelle andelen er 0,18 / 1,18, så omtrent 640 000 USD av den pipelinen ville ikke ha eksistert uten personalisering. De resterende 3,56 millioner USD ville mest sannsynlig kommet uansett. Økonomi vil spørre om det andre tallet; gi det før de gjør det. Samme disiplin gjelder betalte medier: en ROAS-kalkulator med bruttomarginen din viser om attribuert omsetning i det hele tatt dekker forbruket.
Rapportering til ulike personer
| Målgruppe | Hva de trenger | Hva du bør utelate |
|---|---|---|
| Markedsdirektør / CMO | Økning per segment fra kontrollgruppen, hvilke regler som skal skaleres, hvordan personaliserte sider endrer konverteringen for hver hovedkanal | Rå påvirket pipeline uten konteksten fra kontrollgruppen |
| Salgsledelse | Om personaliserte kontoer skaper flere salgsmuligheter og beveger seg raskere, per segment, når en hel syklus er lukket | Engasjementsmål på øktnivå |
| Økonomi | Inkrementell pipeline fra kontrollgruppen, total kostnad (verktøy pluss arbeidstid), avkastningen dette gir, og konfidensintervallet | Brutto påvirkede tall alene |
| Styret | Én linje: inkrementell pipeline, kostnad, utvikling over kvartaler | Detaljer om metode |
En nyttig vane for alle målgrupper: rapporter tallene for kontrollgruppen ved siden av tallene for den personaliserte gruppen, slik at sammenligningen er synlig og ikke bare underforstått.
Hvor langt du bør gå, og når
- Sporing: du kan se hvilke kontoer som så personalisert innhold. Tar noen dager å sette opp. Nyttig for feilsøking, ikke for å påstå effekt.
- Holdout: du kan måle inkrementelt løft på nettstedet. Krever nok trafikk per segment; segmenter med lite trafikk gir kanskje aldri et tydelig resultat, og det er greit å innrømme.
- Kobling til pipeline: variantdataene når CRM, og du kan følge påvirket og inkrementell pipeline. Krever data fra minst én hel salgssyklus.
- Prognoser for nye segmenter: å anslå effekten av et segment før du lanserer det. Bare verdt å forsøke når du har flere segmenter med fullførte kontrollgrupper å lære av.
Ikke bygg pipeline-laget før kontrollgruppen finnes. Uten kontrollgruppen vil den bare vise korrelasjon, og korrelasjon er nøyaktig det personalisering av kontoene som passer best, gir gratis.
Hvor du bør starte
Sjekk om personaliseringsverktøyet ditt sender hendelser som når analyseverktøyet, med variant-ID og et flagg for kontrollgruppe. Hvis ikke, fiks det først; ingenting annet fungerer uten det. Sett deretter opp en kontrollgruppe på segmentet med mest trafikk, og la den kjøre lenge nok til å nå utvalgsstørrelsen du har beregnet. Markettailors A/B-testing håndterer kontrollgrupper på kontonivå og sender variantdataene til analyse, hvis du helst vil slippe å bygge tildelingslogikken selv.
Ofte stilte spørsmål
Hvordan fungerer attribusjon for personalisering?
Hver gang en besøkende ser en personalisert opplevelse, sender personaliseringsverktøyet en hendelse med opplevelses- og variant-ID. Hendelsen lagres med økten og, når den besøkende er identifisert, med kontoen i CRM-et ditt. Ved å sammenligne konvertering og pipeline mellom besøkende som så varianten og en tilfeldig kontrollgruppe som så standardsiden, får du den inkrementelle effekten av personaliseringen.
Hva er forskjellen på kanalattribusjon og opplevelsesattribusjon?
Kanalattribusjon gir æren til kildene som brakte en besøkende, for eksempel betalt søk, LinkedIn eller e-post. Attribusjon av opplevelser måler effekten av det den besøkende så etter at de kom. En personalisert side kan endre hvordan hver kanal konverterer, så å bare rapportere kanalattribusjon skjuler bidraget fra nettstedsopplevelsen.
Hvor stor bør en kontrollgruppe for personalisering være?
Stor nok til å oppdage økningen du bryr deg om innen rimelig tid, og ikke større. Gjør en beregning av utvalgsstørrelse for A/B-tester for trafikken og den grunnleggende konverteringsraten din, og fordel kontrollgruppen på kontonivå, slik at samme selskap ser en konsekvent opplevelse på tvers av besøk.
Kan multi-touch-attribusjonsmodeller måle personalisering?
Bare indirekte. Multi-touch-modeller fordeler æren mellom kontaktpunkter, men antar at hvert kontaktpunkt er likt for alle. Ved å legge til opplevelses-ID-en som en egenskap på kontaktpunktet kan du rapportere påvirket pipeline, men den inkrementelle effekten må fortsatt komme fra en sammenligning med en kontrollgruppe. Mye av B2B-researchen skjer også i den mørke trakten, der ingen kontaktpunkter registreres i det hele tatt.