Nonostante la flessione causata dalla crisi del coronavirus, il settore della pubblicità digitale è in costante crescita da parecchi anni e, secondo Statista, nel 2019 ha raggiunto un fatturato totale di oltre 335 milioni di dollari. Con un panorama pubblicitario complesso, composto da canali che si reinventano continuamente e a cui si aggiungono nuovi attori, i modelli di attribuzione avanzati diventano fondamentali per misurare il ROAS e la efficacia del sito web.

Le limitazioni dei modelli di attribuzione tradizionali

I modelli di attribuzione sono un insieme di regole mediante le quali le aziende assegnano un valore a ogni interazione dell’utente con il brand nel processo di conversione (gli impatti pubblicitari, ma anche i touchpoint nel sito e nei negozi fisici, in caso di strategie omnichannel). I metodi di attribuzione tradizionali sono i seguenti:

  • Multicanale o multi-channel: include diversi canali e fasi, assegnando una percentuale fissa della conversione tra i diversi impatti. La limitazione principale di questo modello è che si tratta di un modello chiuso: il peso di ogni impatto è prestabilito e non si può modificare, nemmeno se gli utenti hanno cambiato il loro comportamento.
  • Data-driven attribution: questi modelli assegnano in modo variabile la percentuale di attribuzione a ognuna delle interazioni. Il limite di questi modelli è che basandosi solo sul percorso che traccia l’utente nelle diverse campagne pubblicitarie) non tengono in conto i comportamenti all’interno del sito web.

I modelli di attribuzione avanzati non solo valutano i canali che hanno portato un utente sul sito web, ma analizzano il comportamento degli utenti all’interno del sito web e incrociano tutte le informazioni per rappresentare l’intero ciclo di conversione.

Modelli di attribuzione avanzati: i vantaggi del machine learning

Gli algoritmi di apprendimento supervisionato funzionano con dati in entrata e in uscita già classificati, cioè, si indica il risultato desiderato e l’algoritmo, a partire dai dati che riceve, indica le regole da applicare.

Quindi, i modelli di attribuzione che utilizzano il machine learning non sono progettati in anticipo, ma si regolano continuamente e aumentano la propria precisione con il tempo. Per esempio, se si modifica il design del sito web non sarà necessario costruire nuovamente il modello di attribuzione, ma basterà aggiungere le nuove caratteristiche all’algoritmo e quest’ultimo di adatterà da solo.

Nella classificazione iniziale dell’informazione, è fondamentale misurare, con eventi, ogni possibilità che ha l’utente di interagire con la pagina e, inoltre, includere dati aggiuntivi che forniscono un contesto all’attività. Questi dati devono rispondere a domande come: quanto tempo è trascorso tra un evento e l’altro? Quante volte sono stati attivati gli eventi? In che dispositivi? Da dove accede l’utente?… Più ricche saranno le informazioni, migliore sarà l’analisi del modello per distinguere la qualità del traffico.

Álex Masip, Head of Data – Labelium Spagna

Inoltre, basandosi sul comportamento dell’utente, i modelli di attribuzione con machine learning sono capaci di rilevare frodi, poiché se un bot sta portando enormi quantità di traffico, ma poi la sua attività web è pari a zero, il modello di attribuzione con machine learning lo rileverà e non gli assegnerà alcun peso nella conversione.

Los modelos de atribución avanzados aprovechan el potencial del machine learning

Come funziona un modello di attribuzione con machine learning

Si può riassumere il processo in tre fasi:

1. Raccolta dei dati: possono essere esportati tramite Google Analytics 360 o, in alternativa, utilizzando un codice JS che salvi le informazioni necessarie. È possibile aggiungere altre fonti di dati come Adservers, CRM, o modelli che interpretano gli UTM.

2. Creazione di un data lake in cui si raggruppano le informazioni: si possono creare con l’aiuto di piattaforme come BigQuery, Amazon, Azure o Snowflake.

3. Implementazione del modello di attribuzione con machine learning nel data lake in modo che assegni un valore a ogni sessione e a ogni impatto esterno ricevuto dall’utente. In questo modo, è possibile misurare in modo preciso la probabilità di conversione. L’algoritmo realizza il calcolo a livello individuale per ogni visita e, successivamente, raggruppa i dati per calcolare le percentuali globali. Lo scopo è identificare il peso che ogni interazione ha avuto nella realizzazione della conversione o della vendita.

Attribuzione in tempo reale ed evoluzione costante

I modelli di attribuzione con machine learning non solo consentono di analizzare l’effetto delle campagne pubblicitarie già terminate, ma offrono una visione globale su ciò che accade in tempo reale. Potendo rilevare inefficienze e permettendo di applicare correzioni, sarà più facile migliorare le strategie in corso d’opera. Inoltre, i modelli di attribuzione avanzati sono capaci di realizzare previsioni per il futuro per creare diversi scenari possibili e scegliere i più redditizi.

Se ti serve aiuto per implementare un modello di attribuzione avanzata per il tuo sito web o per il tuo e-commerce, non esitare a contattarci. Studieremo il tuo caso e troveremo il modo più efficace di implementarlo.

Contattaci

Suscríbete a nuestra Newsletter

Please wait...

¡Gracias por suscribirte!