KuriharaChie のすべての投稿

【海外コラム】マルチチャネルアトリビューションモデルを使用した検索最適化とデジタルマーケティング

 

Serach Engine Watchにて、先日開催されたClickZ Live San Franciscoにおけるアトリビューションの事例スピーチの内容が紹介されていたので抄訳します。

 

Optimizing Search and Digital Marketing With Multi-Channel Attribution Modeling [#CZLSF]

http://searchenginewatch.com/article/2360633/Optimizing-Search-and-Digital-Marketing-With-Multi-Channel-Attribution-Modeling-CZLSF

 

 

当セッションでは、ビジネスソフトウェアやソリューションを提供するドイツの大手企業SAPが、独自のアトリビューションモデルを作り上げ、ビジネスへ適用してきた経緯が紹介されました。

 

〜運用当初〜

カスタマージャーニーを知るためにアトリビューションを始めたSAPですが、そのモデルを検証すると、それぞれのチャネルで不適切な貢献度配分を行っていることが判明しました。

 

〜モデルの検証〜

そこで、均等配分(線型)モデル、接点ベースモデル、時間減衰モデルの3モデルをまとめて検証することで、その仕組みとメリット・デメリットを見いだしました。

 

attribution-models-540x334

 

また、マクロなレベルだけではなくミクロなレベルでもそれぞれの貢献度を検証することで、重複コンバージョンの影響や、グローバルフリークエンシー、コンバージョンへ貢献する広告や順序などを理解することができるようになりました。

 

〜タグ環境の整備〜

モデルを検証後アトリビューションモデルの運用のフェーズへ移り、SAPが初めに取りかかったことは、しっかりとしたタグマネジメントとプロセスの構築です。ここにおいて重要なことは、マスタータグが全てのタッチポイントを網羅していることと、個々の要素を正確にタグ付けできるシステムを使用することです。

 

〜重複チャネルの修正〜

多数のチャネルが重複していたことで必要以上に広告が配信されていたため、改めてそれぞれのプランのフリークエンシーとコンバージョン率を設定し直しました。これにより、ようやくどのチャネルがどの程度コンバージョンに影響するかが明確に数値として得られるようになりました。(下図)

attribution-chart-540x334

 

〜予算配分の見直し〜

次に、バナーからSEMへ予算の再配分を行いました。上記の結果より、SEMはファーストタッチの媒体としても、バナーより貢献度が高いことが分かったからです。

 

〜ミクロレベルでの検証〜

更に、SAP Test Lab(SAPのデジタルマーケティングチームとKBMグループによるコンテンツテストのためのチーム)による過去2年間のデータを集約し、以下の5点の発見がありました。

  1. 多変量テストを行い的確な視覚的訴求をすることは、コンバージョン数の増加につながる。
  2. 図より写真を使ったバナーの方がコンバージョンにつながる。
  3. シンプルな広告コピーの方が効果が高い
  4. ウェブサイトのCTA(Call to action)を改善し、膨大な数のウェブページへ適用することで、シンプルな方法で多くのコンバージョンを獲得することにつながる
  5. サプライズは必ずあるので、仮説は必ず検証し事実を確認すること

 

 

以上の発見、修正を重ねるうちにコンバージョン数は増加していきました。(下図)

conversion-chart-540x334

 

 

 

以上が、SAPがアトリビューションを実行していくことで成果を上げていった経緯です。

最後に、最適なアトリビューションモデルを適用するにあたって重要な点は以下の通りです。

 

• マクロ・ミクロレベルで区別して検証すること。全体のアトリビューションモデルを正しく作り上げた上で、影響を評価するためにミクロレベルで個々のプランを検討する。

• データを正しく読み、最も適切なアトリビューションモデルを適用すること。多すぎるリソースにまどわされ間違ったマーケティングチャネルを選ばない。

• 的確なタグ構成をすること。フルタイムのタグマネージャーの存在が必要である。

• ミクロレベルの個々のプランを最適化するために多変数モデル、テストを適用すること。

 

 

ウィンクするアトリくん
【アトリくんの視点】非常に詳細な検証・実験を経てSAP社がアトリビューションを実行し、成果を上げていったことが分かる内容でした! 単純な予算のアロケーションをするだけでなく、ミクロレベルの分析を施策に落としていくことが大切ですね。試行錯誤、変遷の流れをより具体的に知ることができる内容だったので、注意点やキーポイントはとても説得力があります!

 

 

コメント

【海外コラム】モバイルアトリビューションの現状と課題

 

マルチデバイスでのアトリビューションにはまだまだ課題が山積しているといわれています。その現状を理解するために、Marketing Landに掲載されていたモバイルアトリビューションの現状と課題を解説した記事を抄訳してご紹介します。

 

Understanding The Complexity Of Mobile Ad Attribution http://marketingland.com/understanding-complexity-mobile-ad-attribution-90881

 

近年、モバイル端末の利用は急激に加速しているものの(下図)、モバイル広告の取り組みについては遅れを取っています。マーケターはタブレットやモバイルの利用が急激に伸びている事実を知っていますが、モバイルキャンペーンにおけるアトリビューションや正確な計測については数多くの課題が残されています。

140227104442-mobile-time-spent-620xa

(図:本文より引用)

 

モバイル決済やクーポンといった顧客獲得のためのクローズドループはモバイルキャンペーンを計測する確実な手法のように思われます。しかし、これらの方法の多くは明確な基準を持たず、まだ初期段階にあります。特に、モバイル端末がより活躍する見込み客へのアプローチ段階の効果を測定するのは困難でしょう。クッキーはデバイスを越えて、またはアプリ間の行動を追跡することができないため、もしユーザーがスマートフォンで広告を見てタブレットやPCでコンバージョンに至った場合、最初のタッチポイントの貢献度は無視されるからです。

 

また、オフライン購買におけるデジタル広告の影響を追跡することも困難です。モバイル端末でセールの広告を見た顧客が実店舗で直接購入に至った場合、そのつながりを測定する追跡メカニズムがないがために正当な貢献度の配分が行われません。

 

モバイルアトリビューションの進化が未だに初期段階にある現在、マーケターがメディアミックスでモバイルの貢献度を測定するにあたり心に留めておくべきことはそれほど多くはありませんが、下記のものが挙げられます。

 

クロスデバイス・アトリビューションモデルの採用

ファーストパーティ(自社)のログインデータを使ってデバイスのマッチングを行うことはまだ欠点も多いですが、クロスデバイスの分析はログインデータなしには不可能であり、現在はこのモデルを使うべきでしょう。

 

ブランドメッセージの効果測定

ブランドメッセージの効果を分析することで、モバイル広告のエンゲージメントの度合いを測ることができます。

 

モバイル決済やクーポン、QRコードによるキャンペーン

モバイル決済やクーポン、QRコードは効果的にトラッキングを行うことが可能です。これらをモバイルマーケティングのプラットフォームに統合することで同じ予算内でより効果を得ることができます。

 

位置情報データの使用

位置情報データを分析することで、オフラインにおけるモバイルマーケティングの影響を測定します。具体的に、広告キャンペーンを表示したモバイル端末と、その後特定の場所で確認された同じデバイスの数を分析し効果を測定します。

 

浴衣のアトリくん
【アトリくんの視点】モバイルの利用率が急激に拡大する中で、クロスチャネルでのアトリビューション分析は過渡期にあるように思います。筆者が述べるように、現段階では正確性にはやや不安が残るものの、実践可能な効果測定を試していくことが重要ですね! GoogleのAdometry買収などもあり、今後もクロスチャネルのアトリビューション分析は進化を続けていくと思われます。要ウォッチですね!

 

 

コメント

【海外コラム】Google Analyticsにおけるアトリビューションモデルの検証

Google Analyticsのアトリビューションモデリングツールについての記事がState of Digitalに掲載されています。

Google Analyticsで利用できる7つのアトリビューションモデルについて、わかりやすい例を用いながら解説されていましたので紹介します。

 

Attribution: What’s available in GA and which should you use?

http://www.stateofdigital.com/attribution-whats-available-ga-use/

 

 

顧客が以下の①〜④の順番で100ポンド相当の商品の購入まで至ったとします。

 

コンバージョンに至るまでの4つのタッチポイントとその順番

①   オーガニック検索をしてクリック。製品、FacebookでのブランドページをLikeする。

②   1週間後Facebookのリンクをクリックし、製品を宣伝しているブログ記事を見る。

③   ブランド名で検索をし、有料の検索連動型広告をクリック。今回は購入する暇がなくお気に入りに登録。

④   サイトにお気に入りから直接アクセスし購入。

 

この場合、Google Analyticsで使える7つのアトリビューションモデルでは、それぞれ以下のように評価されることになります。

 

 

  1. ラストクリックモデル (The Last Click Model)

売上の貢献度の100%を最後の接点へ結びつけているため、今回の場合お気に入りからの直接のアクセスになり、きっかけを作ったチャネルには貢献度がまったく割り振られません。(補足:Google Analyticsでは標準でこのラストクリックモデルを利用していると思われがちですが、標準では2の最後の間接クリックモデルが利用されています)

 

  1. 最後の間接クリックモデル (Last Non Direct Click Model)

顧客がコンバージョンに至る前に最後にクリックしたチャネルに販売の貢献度の 100% が割り振られます。つまり、今回の事例の場合は有料検索広告が100%の貢献度を得ることになります。初回の訪問など誘導したそれ以前のサイトやチャネルには貢献度は割り振られません。

 

  1. AdWords広告の最後のクリックモデル (Last AdWords Click)

この例では有料検索チャネルのラストクリックに収益の100%が割り振られます。AdWords推しになるこのモデルが必要なシチュエーションはなさそうです。

 

  1. 起点モデル (First Interaction)

最初の接点に100%を振り分けるモデルですが、今回の例でオーガニック検索のみが貢献したということは明らかな間違いです。ラストクリックモデルと同様、正しい評価をしているとは言えません。

 

  1. 線型モデル (Linear)

すべての接点に平等に貢献度が振り分けられます。今回の場合、収益換算でオーガニック検索、Facebook、有料検索広告、ブランドサイトのそれぞれが25ポンドずつ振り分けられます。ラストクリックモデルや起点モデルより良いですが、必ずしも正確とは言えません。

 

  1. 時間減衰モデル (Time Decay)

コンバージョンから時間的に最も近いチャネルに価値が高く、最大の収益が割り振られるモデル。起点モデルやラストクリックモデルを使いたくない場合に使えるシンプルなモデルであり1~5のモデルよりも実際の貢献度に即しています。

 

  1. 接点ベースモデル (Position Based)

デフォルトの設定では最初と最後の接点にそれぞれ40%を分配し、残りの20%を中間の接点で均等に配分するモデル。今回の場合初回の自然検索と最後の直接のアクセスに40%が割り振られ、Facebook、有料広告には10%ずつが割り振られます。

貢献度の割り振りに関してはカスタマイズもでき、対象のビジネスに即して「初回の貢献度を下げ、中間の貢献度を高める」といった使い方が可能。

 

 

筆者は以上のように評価した上で、結局完璧なモデルはなく、接点ベースモデルか時間減衰モデルのどちらかを使いつつ、モデルの検証、発展を続けるべきだと述べています。

 

 

喜ぶアトリくん
【アトリくんの視点】Google Analyticsにアトリビューションモデルの比較ツールが実装されてから約1年が経ちますが、まだまだ活用できている事例は多くないと思います。この記事では、分かっているようで曖昧な各モデルを事例を交えて説明してくれているので分かりやすかったです!Analyticsでペイドメディアを活用されている方は、改めてモデル比較をしてみると発見があるかもしれません。

 

 

コメント

【海外ニュース】Sizmekがクロスチャネル分析に向けた新しいアトリビューション機能を発表

 

Adotasにて、広告デジタル広告の管理・配信プラットフォーム会社大手Sizmekがクロスチャネル分析に向けた新しいアトリビューション機能、The Sizmek Attribution Suiteを発表したことが紹介されています。

 

Sizmek Announces New Attribution Suite For Cross-Channel Analytics

http://www.adotas.com/2014/06/sizmek-announces-new-attribution-suite-for-cross-channel-analytics/

 

これにより広告主は顧客がコンバージョンに至るまでの経路をどのメディアが最も効果的だったかを測りながら分析することが可能になります。詳細な機能は以下の通りです。

 

アトリビューション・レポートビルダー

ユーザーは、クロスチャネルパスをカスタマイズ、スケジュール化でき、また膨大で複雑なデータを含んだコンバージョンレポートと引き合わせることができる。

 

モバイル端末、クッキーレスな環境への対応

モバイル端末上やクッキーの少ない環境での顧客のコンバージョンへ至るまでの経路をより正確に把握できるようになる。

 

自然検索・インバウンドトラフィック

Sizmek’s Versatagのタグマネジメントシステムにより、自然検索とインバウンドトラフィックのデータを集計しメディアの貢献度を測るのに使うことが可能になる。

 

有料検索

アトリビューションレポートへのSEMのデータの統合が可能。Sizmek Search Connectにより有料検索データはほとんど食い違いなしにKenshoo SearchやMarin SoftwareといったSEMプラットフォームと統合できる。

 

ソーシャルメディア

コンバージョンやコンバージョンへの経路の記録は、Facebookや他のソーシャルサイトの、包括的なパフォーマンス目標に対する貢献度を理解するのに役立つ。

 

 

ウィンクするアトリくん
【アトリくんの視点】3PASの雄であるSizmek(旧:MediaMind)だからこそ非常に意義深いリリースですね!モバイルや動画、ソーシャルなど、さまざまなチャネルが影響力を増す中で、それぞれの経路や影響度が分析できるのは、横断的に配信を管理できるSizmekならではの強みだと思います!

 

 

 

コメント

【海外コラム】クロスチャネル・マーケティングモデルの簡単な概要

Marketing Landにてクロスチャネル・マーケティングに関する記事が掲載されていました。

 

A Concise Overview Of Cross-Channel Marketing Models
http://marketingland.com/concise-overview-cross-channel-marketing-models-79641

 

近年最も応用されている クロスチャネル・マーケティングのモデリング手法は次の3つ。

  • 計量経済学的なトップダウン・アプローチ(ex. マーケティング・ミックスモデル)
  • アルゴリズム的なボトムアップ・アプローチ(ex. アトリビューションモデル)
  • 機械学習型アプローチ(ex. エージェントベースドモデル)

 

計量経済学的アプローチ

マーケティング・ミックスモデルに使われる方法であり、最も古典的で今日も広く適用されています。

★アプローチの概要

  1. コンバージョン/売上データや、経済・価格変動などの非メディア要因と共に、メディアチャネル間の過去の売上やマーケティング活動の関係を統計的に分析
  2.  売上高やKPI (Key Performance Index)など変動的な効果を評価する統計モデルを構築
  3. 各マーケティングチャネルやキャンペーンの影響度を定量化

★強み:データ駆動型の統計的アプローチにより高い予測性の実現ができる

★弱み:洞察や仮説シナリオの精度はインプットデータの粒度次第である

 

アルゴリズム的アプローチ

アトリビューションへのタッチポイントに基づく方法であり、クロスチャネルトラッキングを経由することによりごく最近可能となった方法です。このアルゴリズム的方法では、cookieレベルのイベントデータを調査し、ユーザーの遷移パターンやコンバージョンから、キャンペーンや流入チャネルを経由する各タッチポイントの効果を計ります。

★アプローチの概要

  1. コンバージョンと共に、それまで経由してきた媒体のタッチポイントのデータをcookieレベルでたどる
  2. 特定のタッチポイント効果を評価するために、類似する遷移パターン同士を比較
  3. 遷移データを集計し、メディアやキャンペーンに対する貢献価値を割り当てる

★強み:タッチポイントレベルの計算により、きめ細やかなアトリビューション分析やメディアへの影響・評価が見込める

★弱み:予測的でない。オフラインメディアや追跡されてないオンラインメディアなどを組み入れることができない

 

機械学習型アプローチ

エージェントベースドモデルは機械学習型アプローチの代表例として挙げられます。これは個々人をエージェントとして扱います。エージェントは、イベントや刺激に接することで特定の行為を示し、それが影響度を測定する計算シミュレーションに役立てられます。社会科学分野などに適用されてきましたが、最近ではマーケティングインパクトモデルに応用されるようになりました。

★アプローチの概要

  1. デモグラフィックなデータを使用し、顧客プロフィールを把握することで、ビジネスにおける模擬的な人口環境を想定する
  2. 過去のマーケティング活動に加え、コンバージョン/売上データや非メディア要因を使い模擬的な人口環境を育成、調整する
  3. 様々なマーケティング活動、変化への反応をシミュレーションする

★強み:個々人の属性をベースにしたモデルであり顧客のデモグラフィックなレベルでの柔軟なシミュレーションを可能にする

★弱み:結果の正確性は、ビジネスおよびデモグラフィックなセグメントがどのような行動を取るかの仮説に依存する

 

マーケティングの影響評価の展望

マーケティングがアカウンタビリティの時代に突入したにつれて、クロスチャネル・マーケティングの影響度評価への需要は高まり続けていくと予想されます。今後10年、クロスチャネル・マーケティングはさらに精度を上げ、またこれらのアプローチが組み合わせられていくでしょう。既にいくつかのベンダーはトップダウン・アプローチとボトムアップ・アプローチを組み合わせています。
しかしビジネスやマーケティング成果に影響を与える様々な変数をすべて予知するのは不可能です。モデルの正確性と複雑性が停滞状態に入ったとき、予見できない、もしくは不明の要因が、実践の場でのモデルの正確性や有用性を左右するでしょう。結果、リアルタイムなシミュレーションと予測する能力こそが鍵を握るのです。

 

 

74-atori_wink.jpg
【アトリ君の視点】 今後もクロスチャネル・マーケティングのニーズが高まる可能性は非常に高そうですね。変数が増えるだけでも、どの変数が意味を持ちそうかを判断するために様々なシミュレーションをリアルタイムに試行することは今も行われ始めてますね。BIツールが最近活用されているのもそういった背景があると思います。今後も加速するように思います。そして重要なのは経験、ノウハウ、スキル、センス、実行力などさまざまな資質をもった人がいるかどうかという点になるかと思います。

 

 

コメント