Kort svar: attribution av personalisering fungerar genom att registrera vilken upplevelse (variant) varje besökare och konto såg, och sedan jämföra konvertering och pipeline för dem som såg den personaliserade versionen med en slumpmässigt tilldelad holdout som såg standardversionen. Kanalattribution berättar varifrån en besökare kom; upplevelseattribution berättar om det de såg på webbplatsen ändrade utfallet. Du behöver båda, och bara jämförelsen med holdout mäter den inkrementella effekten.
De flesta attributionsupplägg byggdes på ett tyst antagande: alla som landar på en URL ser samma sida. Personalisering bryter det antagandet. Två besökare klickar på samma Google-annons och landar på samma startsida. Den ena ser en rubrik om säkerhet för stora företag, den andra en rubrik om API-hastighet. Ditt analysverktyg loggar båda som ”homepage, google / cpc”. Om den ena konverterar och den andra inte gör det säger ingenting i den posten om det var kanalen, sidversionen eller något annat som gjorde skillnaden.
Resten av det här inlägget handlar om varför standardmodeller missar detta, hur du delar upp frågan i två, hur du sätter upp holdouts, hur du för över upplevelsedatan till CRM och hur du rapporterar den utan att överdriva.
Därför missar vanliga attributionsmodeller personaliseringen
Modellerna för första kontakt, sista kontakt, linjär, tidsavtagande och positionsbaserad fördelar alla poäng mellan trafikkällor och handlingar på webbplatsen. Själva sidan behandlas som en konstant. De missar också påverkan som aldrig ger en spårbar kontakt, vilket vi tar upp i vårt inlägg om den mörka tratten inom B2B. Om du behöver en repetition av hur modellerna fördelar poäng, se den här praktiska guiden till multi-touch-attribution.
Exempel (illustrativt): ett konto besöker webbplatsen tre gånger innan det begär en demo. Besök 1 kommer från organisk sökning och ser den generiska startsidan. Besök 2 kommer från en LinkedIn-annons; då har företaget identifierats, så det ser en rubrik för tillverkningsindustrin. Besök 3 är direkt, och webbplatsen visar ett kundcase om att ersätta verktyget som kontot använder i dag. En linjär modell ger organisk sökning, LinkedIn och direkttrafik en tredjedel av krediten var. Den har inget fält för "såg tillverkningsvarianten" eller "såg konkurrentcaset", så om det var de sidorna som övertygade kan rapporten inte visa det.
Det är ett mätglapp, inte ett bevis på att personaliseringen fungerade. Kanske hade kontot bokat ändå. Poängen är att standardrapporten inte kan svara åt något håll.
Dela upp det i två frågor
| Kanalattribuering | Attribution av upplevelser | |
|---|---|---|
| Fråga | Vilka kanaler ger rätt konton? | När de väl kommer, ändrar den personaliserade upplevelsen vad de gör? |
| Beslut det ligger till grund för | Budget för kundförvärv | Vilka personaliseringsregler du ska behålla, ändra eller stänga av |
| Metod | Din befintliga MTA-modell eller plattformsrapporter | Slumpmässig kontrollgrupp mot standardsidan |
| Huvudmålgrupp | Betald media och demand gen | Webb, CRO och produktmarknadsföring |
Kör dem sida vid sida och rapportera dem separat. Kanalattribution har sina egna begränsningar, men den kan vara kvar som den är. Attribution av upplevelser kräver en kontrollgrupp, eftersom ”de som såg den personaliserade sidan konverterade mer” också är vad du skulle se om du bara personaliserade för de konton som matchar bäst. Vår guide till marknadsföringskanaler inom B2B tar upp kanalsidan.
Kontrollgrupper: delen som mäter den faktiska effekten
Undanhåll personaliseringen från en slumpmässig delmängd av de kvalificerade kontona och låt dem se standardsajten. Allt annat förblir detsamma: samma annonser, samma mejl, samma uppföljning från sälj.
Inställningar som spelar roll:
- Tilldela per konto, inte per session. Om en köpgrupp på fyra personer delas upp mellan varianter blir båda grupperna kontaminerade. Hasha företags-id:t (eller förstapartscookien när företaget är okänt) så att tilldelningen består mellan besöken.
- Dimensionera kontrollgruppen efter din trafik, inte efter en tumregel. En större kontrollgrupp går snabbare att läsa av men innebär att fler konton missar den personaliserade sidan. Räkna ut hur många konton per grupp du behöver för att se den förbättring du bryr dig om med en beräkning av urvalsstorlek för A/B-tester, och avgör sedan vilken andel det motsvarar.
- Lås definitionen av ”kvalificerad”. Om segmentregeln ändras mitt i testet går grupperna inte längre att jämföra.
Jämför sedan grupperna i varje steg i tratten som du faktiskt kan räkna:
- Konverteringsgrad för formulär eller demo på webbplatsen.
- Andel MQL som blir SQL. Det fångar en variant som ökar antalet ifyllda formulär men lockar svagare leads.
- Andel skapade affärsmöjligheter per konto.
- Vinstandel och affärsstorlek, när tillräckligt många affärer har avslutats. I de flesta B2B-företag behöver det här steget en hel säljcykel innan det säger något.
Läs resultaten per segment såväl som totalt. En sammanlagd förbättring kan komma helt från ett segment medan ett annat segment inte ser någon effekt alls, eller blir något sämre. Om grupperna per segment är för små för att läsas av, säg det hellre än att rapportera det sammanlagda resultatet som om det gällde överallt.
När du inte kan ha en ren kontrollgrupp av konton
Geografisk uppdelning
Personalisera i vissa regioner och avstå i jämförbara regioner. Användbart när kontovolymerna är för små eller identifieringstäckningen är ojämn. Risken är att regionerna skiljer sig åt av skäl som inte har med din webbplats att göra (säljtäckning, lokala evenemang, valuta), så välj jämförbara regioner och kör längre.
Perioder av och på
Växla personaliseringen av och på i fasta tidsfönster, till exempel två veckor vardera, över flera cykler. Det undviker att något målkonto hålls i en permanent holdout. Kampanjlanseringar, helgdagar och kvartalsslut påverkar siffrorna, så logga varje större kampanjdatum och stryk fönster som överlappar med ett.
Variant mot variant
När du vet att personalisering slår standardversionen för ett segment, testa personaliseringsstrategier mot varandra: branschrubrik mot rubrik efter företagsstorlek, eller relevant kundcase mot anpassad hero. Det visar vilken regel du ska skala, vilket oftast är en mer användbar fråga än ”fungerar personalisering?”
Så för du över upplevelsedata till CRM
Ifyllda formulär är inte det utfall B2B-team får betalt för, så variantdatan måste nå pipelinerapporterna.
- Skicka en händelse för varje personaliseringsbeslut. I GA4 (eller ditt analysverktyg), skicka en anpassad händelse med regel-ID, segment, variant och en flagga för kontrollgrupp eller personaliserad. Registrera parametrarna som anpassade dimensioner så att du kan rapportera på dem.
- Skriv fälten till CRM vid konvertering. När formuläret skickas, för över segmentet, den senast visade varianten och flaggan för kontrollgrupp till dolda fält som mappas mot strukturerade kontaktfält. Inte ett anteckningsfält; du måste kunna filtrera på dem.
- Summera på kontonivå. Synka historik på kontonivå om ditt verktyg stöder det: personaliserade sessioner, visade varianter samt datum för första och senaste exponering.
- Flagga affärsmöjligheter. Lägg till ett fält på affärsmöjligheten som är sant när någon kontakt på affärsmöjligheten har sett en personaliserad session inom ett bestämt fönster innan affärsmöjligheten skapades. Välj fönstret efter din cykel och skriv ner det; 30 eller 60 dagar är vanliga val. Fyll i det med ett arbetsflöde, inte manuellt.
- Bygg tre rapporter. Din befintliga kanalrapport, oförändrad. En veckorapport för personalisering: konvertering per segment, personaliserat mot kontrollgrupp. En kvartalsrapport för pipeline: påverkad pipeline per segment och fas.
Rena UTM:er är en förutsättning. Om data om källa och kampanj är inkonsekvent kan du inte skilja kanaleffekter från sideffekter; en gemensam konvention med en UTM-byggare löser det mesta av det.
”Påverkad” är inte ”orsakad”
Kalla affärsmöjlighetsflaggan ”påverkad av personalisering”, inte ”tillskriven”. Påverkan säger bara att någon i affären såg en personaliserad sida. Personalisering riktar sig oftast mot dina bäst matchande konton, som konverterar bättre ändå, så påverkad pipeline ser bra ut oavsett om varianterna gjorde något. Holdout-gruppen ger den kausala delen.
Om man kombinerar de två, med påhittade siffror för att visa räkningen: påverkade affärsmöjligheter gav 4,2 miljoner USD i pipeline under ett kvartal, och holdout-gruppen visar en inkrementell konverteringsökning på 18 %. Den inkrementella andelen är 0,18 / 1,18, så ungefär 640 000 USD av den pipelinen hade inte funnits utan personalisering. Resterande 3,56 miljoner USD hade sannolikt kommit ändå. Ekonomiavdelningen kommer att fråga efter den andra siffran; ge den innan de gör det. Samma disciplin gäller betald media: en ROAS-kalkylator med din bruttomarginal visar om de attribuerade intäkterna ens täcker kostnaden.
Rapportera till olika personer
| Målgrupp | Vad de behöver | Vad du ska utelämna |
|---|---|---|
| CMO/marknadschef | Förbättring per segment jämfört med kontrollgruppen, vilka regler som ska skalas upp och hur personaliserade sidor ändrar konverteringen för varje huvudkanal | Rå påverkad pipeline utan sammanhanget från kontrollgruppen |
| Säljledning | Om personaliserade konton skapar fler affärsmöjligheter och rör sig snabbare, per segment, när en hel cykel har stängts | Engagemangsmått på sessionsnivå |
| Ekonomi | Inkrementell pipeline från kontrollgruppen, total kostnad (verktyg plus personaltid), den resulterande avkastningen och konfidensintervallet | Bruttosiffror för påverkan på egen hand |
| Styrelse | En rad: inkrementell pipeline, kostnad, trend över kvartalen | Detaljer om metoden |
En användbar vana för alla målgrupper: rapportera kontrollgruppens siffror bredvid den personaliserade gruppens, så att jämförelsen syns i stället för att antydas.
Hur långt du ska gå, och när
- Spårning: du kan se vilka konton som såg personaliserat innehåll. Tar några dagar att sätta upp. Användbart för felsökning, inte för att påstå effekt.
- Holdout: du kan mäta inkrementellt lyft på webbplatsen. Kräver tillräckligt med trafik per segment; segment med lite trafik kanske aldrig ger tydliga resultat, och det är helt okej att erkänna.
- Koppling till pipeline: variantdatan når CRM och du kan följa påverkad och inkrementell pipeline. Kräver data från minst en hel säljcykel.
- Prognoser för nya segment: att uppskatta effekten av ett segment innan du lanserar det. Bara värt att försöka när du har flera segment med avslutade holdouts att lära av.
Bygg inte pipelinelagret innan kontrollgruppen finns. Utan kontrollgruppen kommer det bara någonsin att visa korrelation, och korrelation är precis vad personalisering av bäst passande konton ger helt gratis.
Var du ska börja
Kontrollera om ditt personaliseringsverktyg skickar händelser som når ditt analysverktyg, med ett variant-ID och en flagga för kontrollgrupp. Om inte, åtgärda det först; inget annat fungerar utan det. Lägg sedan en kontrollgrupp på ditt segment med mest trafik och låt den gå tillräckligt länge för att nå den urvalsstorlek du räknat fram. Markettailors A/B-testning hanterar kontrollgrupper på kontonivå och skickar variantdatan till analysverktyget, om du hellre slipper bygga tilldelningslogiken själv.
Vanliga frågor
Hur fungerar attribution för personalisering?
Varje gång en besökare ser en personaliserad upplevelse skickar personaliseringsverktyget en händelse med upplevelsens och variantens id. Händelsen sparas med sessionen och, när besökaren identifierats, med kontot i ditt CRM. Genom att jämföra konvertering och pipeline mellan besökare som såg varianten och en slumpmässig kontrollgrupp som såg standardsidan får du personaliseringens inkrementella effekt.
Vad är skillnaden mellan kanalattribution och upplevelseattribution?
Kanalattribution fördelar kredit till de källor som förde dit en besökare, som betalsök, LinkedIn eller e-post. Attribution av upplevelser mäter effekten av det besökaren såg när hen väl kom fram. En personaliserad sida kan ändra hur varje kanal konverterar, så om du bara rapporterar kanalattribution döljs webbplatsupplevelsens bidrag.
Hur stor ska kontrollgruppen för personalisering vara?
Tillräckligt stor för att upptäcka den förbättring du bryr dig om inom rimlig tid, och inte större. Gör en beräkning av urvalsstorlek för A/B-tester för din trafik och grundläggande konverteringsgrad, och tilldela sedan kontrollgruppen på kontonivå så att samma företag får en konsekvent upplevelse mellan besöken.
Kan attributionsmodeller med flera kontaktpunkter mäta personalisering?
Bara indirekt. Multi-touch-modeller fördelar krediten mellan kontaktpunkter men antar att varje kontaktpunkt är densamma för alla. Om du lägger till upplevelse-ID:t som en egenskap på kontaktpunkten kan du rapportera påverkad pipeline, men den inkrementella effekten måste fortfarande komma från en jämförelse med en kontrollgrupp. Mycket av B2B-research sker dessutom i den mörka tratten, där ingen kontaktpunkt registreras alls.