Google Analytics自定義歸因模型詳解,個性化你的功勞簿

Photo of author
Written By CMO

進球和助攻
進球和助攻

Google Analytics在近兩年來最大的亮點便是其強大的歸因模型工具,這也是為什麼GA一直成為“業界標杆”的理由之一。HubSpot One在過去有關數字分析的討論中曾經介紹過歸因模型的概念。我們還舉了SEM中的媒體分析的例子來說明歸因模型在多個關鍵字的客戶旅程分析中所起的作用。 GA為我們提供了7種默認的歸因模型。你可以在“轉化”>“歸因”>“模型對比工具”中嘗試比較不同模型對數據視圖的影響。注意,你可以點擊“轉化細分”來只研究一部分轉化

GA提供的7種默認的歸因模型
GA提供的7種默認的歸因模型

“野花哪有家花香”!每一個Business都是獨特的,每個網站都有著不同的轉化定義和流量來源。HubSpot One將會通過這篇來介紹自定義歸因模型的方法。

基本概念

歸因模型是為一系列以時間為節點的互動而製定的進行功勞(Credit)分配(Attribution)的規則。它是基於轉化價值的分配規則。也就是說如果你還未給你的網站定義目標(Goal)和電子商務跟踪,或者是設置了目標卻沒有給每一個目標賦一個價值,那麼我們現在談歸因模型是毫無意義的。你可以在“管理”>“數據視圖”>“目標”中新建目標並賦值。

你需要理解的第二個基本概念是回溯期(Lookback Window),這裡定義了納入討論範疇的互動將追溯到轉化發生前多少天。 GA默認的回溯期為30天,你可以最長延長到90天。 (值得一提的是GA的Cookie的生存期長達兩年。)如果某一次互動發生在轉化前的31天,那麼默認情況下該互動將不參與到功勞分配中。

第三點你必須要牢記的是你要避免“無互動可分配”的狀況。比如你想要將非電郵互動全部設為0,那麼當無互動可分的情況下GA將會使用默認的基準模型來分配。換句話說,如果只是一個Paid Search的互動就轉化的情況下,即便你將Paid Search的係數設為0,Paid Search依舊可以獲得全部功勞。

雖然上述我們看到七種不同的歸因模型,但實際上前三種我們可以看作一種。更何況利用自定義的歸因模型,我們完全可以定義“最終非直接點擊”和“最終AdWords點擊”。

線性歸因模型(Linear)

線性歸因模型是按照“平均主義”將功勞分配在每一次互動上。當我們應用線性歸因模型作為基準模型時,我們可以自定義的除了回溯期以外還有“根據用戶互動度調整功勞”和“應用自定義的功勞分配規則”兩個選項。

基於線性模型的自定義模型
基於線性模型的自定義模型

當我們應用“根據用戶互動度調整功勞”時,我們可以選擇“瀏覽頁數”或者“網站停留時間”,這樣做的效果是瀏覽了兩頁的訪問會比單頁面訪問多一倍功勞。同樣,耗時三分鐘的訪問獲得的功勞比耗時一分半的訪問的功勞多一倍。

“應用自定義的功勞分配規則”是進一步對基準模型微調的重點。首先我們要選擇對哪些互動進行微調。在上面的例子裡,我們選擇的是轉化路徑中處在輔助位置的互動。這裡我們有5個選項:

  1. 不限:任意位置的互動
  2. 第一個:回溯期內的首次互動
  3. 最後一個:轉化時那次互動
  4. 輔助:除了轉化時那次互動的其他互動
  5. 中間:不是第一和最後一個互動

我們接著可以疊加其他的邏輯,然後為它分配係數。在谷歌的官方說明中把這個係數說明白了,這個係數也可以疊加的。

假定PPC的功勞係數為2的情況比較
假定PPC的功勞係數為2的情況比較

它的計算方法是先將25%乘以2,然後將25%,25%,50%,25%等比調整為總和100%,即20%,20%,40%,20%。需要注意的是這個係數可以是0,那麼如果我們之前選擇“輔助”,這裡選擇“0”時,這個自定義的歸因模型就等同於標準的最終互動模型。疊加係數的方法是乘法,如果第一個係數是2,第二個係數是0.1,那麼同時滿足兩個條件時會應用兩個係數,即2 x 0.1 = 0.2。

補充一下,如果你啟用了GA 360,那麼你將能夠對View-Through Conversion中的廣告展示進行功勞分配。

調整展示次數的功勞分配
調整展示次數的功勞分配

首次互動模型(First Interaction)與最終互動模型(Last Interaction)

理解了線性,那麼首次互動與最終互動就迎刃而解了。需要注意的是這裡需要設置一個後備模型,這個後備模型就是為了我們一開始說的第三點“無互動可分配”的情況。當這個後備模型依然無法適用時,默認模型將會被應用。

根據位置模型(Position Based)

這個基準模型也成為U型模型。該基準模型的自定義大致與線性模型相同,不同的是你可以重新定義兩頭與中間的功勞分配。

U型模型的三者百分比總和必須為100%
U型模型的三者百分比總和必須為100%

時間衰減模型(Time Decay)

時間衰減模型為基礎的模型與線性模型類似。所不同的是提供了半衰期設置。這裡給物理化學由體育老師教的同學解釋一下。假設半衰期是T那麼

m=M(1/2)^(t/T)

其中M為轉化時那次互動的功勞,很多時候是最後一次互動。 m為回溯期內某一天互動的功勞。 t為某一天距離轉化日的天數。 T為半衰期。由此可見半衰期越小,輔助互動對最終轉化的影響和分配到的功勞越小。

半衰期決定了越接近轉化的互動影響是否越明顯
半衰期決定了越接近轉化的互動影響是否越明顯

寫在最後

至此我們詳細介紹了自定義歸因模型的方法。通過自定義歸因模型,我們可以把Google Analytics這個Web Analytics工具用作Media Analytics工具。在分析媒體時我們要記得只研究有媒體參與的轉化,入口就在“轉化細分”的篩選條件中。希望你通過HubSpot One的介紹,又對歸因模型有了進一步的了解。

感謝閱讀,感謝關注HubSpot One。