去TMD的“有轉化的關鍵字”

Photo of author
Written By CMO

筆者在和許多初級搜索行銷同學日常交流時經常聽到他們說這個詞——“有轉化的關鍵字”。所謂“有轉化的關鍵字”是指能夠帶來轉化的關鍵字,當訪客搜索檢索詞時,該有轉化的關鍵字會帶來展現,訪客點擊在搜索引擎結果頁面上的廣告後來到著陸頁並在該訪問中或者之後的非付費搜索流量中完成轉化。當在面試這些小同學時問到“你們怎麼優化關鍵字?”時,他們會告訴你,查看搜索詞報告,添加新的關鍵字;查看轉化詞報告,添加否定詞並暫停或刪除那些產生一定點擊卻沒產生轉化的詞。這乍聽是完全正確的,但是這樣的回答只能應對業外人士或者同為初級搜索行銷/數字行銷的同行。這樣的回答在15年前是幾近完美的,但在當世,只能讓你丟掉飯碗。因為這完全建立在了萬惡的“Last Click”歸因模型上。

五種常見的歸因模型
五種常見的歸因模型

我們在《數字行銷術語詞彙表101-數字分析篇》中曾經介紹過什麼是Attribution Modeling(歸因模型)。它是現代數字分析的基礎,如果你連基礎都無法掌握,那的確是要下崗了。

The only use for last click attribution now is to get you fired. Avoid it. – Avinash Kaushik

Attribution Model – 歸因模型

有果就有因,當我們賣出一件商品時,它不單單是一個銷售機制的成果,還依賴著許多行銷行為的支持。歸因模型解決的是用某一特定規則來將成果的“功勞”(credit)分配到一系列“因素”中去。這一系列因素在數字行銷中體現在消費者與品牌產品互動過程中的每一個接觸點(Touch Points)。這個過程我們稱為客戶旅程(Customer Journey)。我們假設在小明購買了一個ABC充電寶的結果之前有這樣一個客戶旅程:

  1. 小明在某影片網站上看到該充電寶的15秒廣告。
  2. 小明在某貼吧上看到該充電寶的原生廣告。因為外觀時尚,他產生了一些興趣並點擊廣告來到了ABC充電寶網站。
  3. 小明的手機最近經常需要一天兩充,下月就要出差。他在搜索引擎中輸入“充電寶哪個牌子好?”並點擊廣告來到ABC充電寶的網站。查看產品訊息後離開。
  4. 次日小明在微博中看到關注的其他用戶轉發的ABC充電寶的促銷活動,點擊後再次訪問了ABC充電寶網站後離開。
  5. 小明圈定了三個牌子的充電寶。再次分別搜索“某某牌子的充電寶怎麼樣?”,其中搜到ABC品牌時再次來到ABC充電寶的網站。
  6. 在某個論壇上,小明看到一個帖子推薦了ABC充電寶,小明點擊了帖子裡的鏈接來到了ABC充電寶網站。
  7. 小明在考慮過程中看到有關充電寶上不了飛機的新聞。並蒐索“什麼規格的充電寶允許上飛機?”,再次來到了ABC充電寶的網站。他收藏了該頁面後離開。
  8. 小明在多次訪問ABC充電寶網站後已經對此品牌很熟悉,他還研究了某些電商網站上的價錢和訊息。最後決定在官網購買。他通過收藏夾中的鏈接打開了ABC充電寶網站並支付購買了價值200塊的充電寶。

我們在上面看到了一個漫長而又典型的客戶旅程。從1~8我們可以用下面這個序列表示: Display>Display>Paid Search>Social>Organic Search>Referral>Paid Search>Direct 我們把這個序列按照Web Analytics和Media Analytics重新組織一下:

  • Web Analytics: Display >Display>Paid Search>Social>Organic Search>Referral>Paid Search> Direct
  • Media Analytics:Display>Display>Paid Search> Social > Organic Search > Referral > Paid Search > Direct

我們可以看到在WA中按照Last Click模型,這200塊的收入會是Direct的功勞。換言之,你的影片廣告,貼吧廣告,微博明星代言,搜索廣告全都是白花錢。就連SEO的花銷也是徒勞。同樣,在MA中,這200塊收入都歸功於“充電寶飛機”這個關鍵字。你的影片廣告,貼吧廣告,微博明星代言都是白花錢。 “ABC 充電寶”這個關鍵字也沒能轉化小明。也就是說Last Click的歸因模型是一種糟糕的、粗暴的、愚蠢的、偷懶的歸因模型。它考慮到了直接因素卻忽略了所有的間接因素。一個糟糕、粗暴、愚蠢、偷懶的數字行銷者下崗是完全可以預料的。

各種歸因模型的比較

在上述這個例子中,Web Analytics相較於Media Analytics唯一的弱點是無法捕捉到影片廣告這個View-Through Conversion的概念,因為這次互動是被動的,發生在網站之外,不存在點擊。我們可以姑且認為WA的模型是比較全面的模型。那麼我們如何修正這個糟糕、粗暴、愚蠢、偷懶的模型呢?我們有其他的模型來參考。如果你對Google Analytics有一定基礎知識,那麼為了方便理解歸因模型,請先去谷歌接入一個Demo賬戶。地址是https://support.google.com/analytics/answer/6367342

Google Analytics中的Attribution Model比較
Google Analytics中的Attribution Model比較

我們在Conversions>Attribution>Model Comparison中可以找到各個歸因模型的比較。我們默認選擇30天為“追溯時間窗口”,轉化30天之前再早的行為就不考慮了。我們可以看到除了Last Interaction(Last Click)模型之外我們還有另外六種常用模型。它們是

  1. Last Non-Direct Click 。如果Direct是最後一個點擊,那麼忽略它,再往前找到最靠後的一個非Direct的點擊並把所有“功勞”賦予它。
  2. Last AdWords Click 。把全部功勞賦予最後一個AdWords帶來的點擊。這用於只研究AdWords推廣內部關係時。
  3. First Interaction 。把所有“功勞”賦予訪客在過去30天內第一次接觸的互動。這是一種強調“初戀”的模型。
  4. Linear 。平均分配功勞到所有參與其中的互動。這是一種“一碗水端平”的模型。
  5. Time Decay 。以“近大遠小”的方式分配“功勞”給各個互動。此處可以設置半衰期。這是一種“喜新厭舊”的模型。
  6. Position Based 。按兩頭多中間少的方式來分配,最初和最終的交互比中間的更重要。這是一種“大開大合”的模型

如果我們應用除了Last AdWords Click的另外五個模型到我們上面這個例子,結果會有許多不同。

模型/渠道 Dis. PPC Soc. Org. Ref. PPC Dir.
LC 0 0 0 0 0 0 200
LNDC 0 0 0 0 0 200 0
FC 200 0 0 0 0 0 0
Li. 28.6 28.6 28.6 28.6 28.6 28.6 28.6
TD 5 10 15 20 30 50 70
PB 80 8 8 8 8 8 80

由上表我們可以看出對於各個渠道而言PPC的貢獻在這200塊的例子中分別是0,200,0,58.2,60和16塊。如果我們僅僅看Media的表現。那麼我們會在Display和PPC中研究歸因,此時Last Non-Direct Click與Last Click一致。

模型/渠道 Dis. Dis. PPC PPC
LC 0 0 0 200
FC 200 0 0 0
Li. 50 50 50 50
TD 30 40 50 80
PB 80 20 20 80

由上表中我們可以看到Display和PPC的貢獻分別是0:200,200:0,100:100,70:130,100:100。原來我們認為一無是處的展示廣告總算洗白了。我們可以進一步在Paid Search中進行研究。

模型/渠道 KW1 KW2
LC 0 200
FC 200 0
Li. 100 100
TD 80 120
PB 100 100

“ABC 充電寶”和“充電寶飛機”這兩個關鍵字對這200塊收入的貢獻分別是0:200,200:0,100:100,80:120,100:100。 “ABC充電寶”這個關鍵字也總算被公正地對待了。解決了這個問題就好比人類在從前一直是認為自己是媽生的,卻不知道爹也有功勞。一直認為生男生女是母親決定,卻不知道父親也參與了性別選擇。

最優的歸因模型

你可能又要問,那麼哪一種歸因模型才是最佳歸因模型呢?答案是沒有任何一種歸因模型是最佳的。我們研究歸因模型並不是要尋找最佳的歸因模型,而是更加充分全面地理解轉化前各個因素對轉化所起的作用,為的是重視那些被忽略的因素,不過度看中某一因素。回到關鍵字優化這個問題,當你應用了其他的歸因模型你會發現原本你準備刪去或者停投的關鍵字實質上在客戶旅途的開始階段起到重要作用。雖然這些關鍵字的轉化在LC模型中會是0,但是這些關鍵字決不能被忽略。在比如當你使用Linear這樣的線性模型時,你可以真正發現那些沒有參與任何轉化的關鍵字,而這些關鍵字才是你必須剔除的關鍵字。你可以在GA中輕鬆地研究AdWords中關鍵字的作用。那麼Google呢?如果你曾經對你的Google推廣打上UTM標籤的話,那再容易不過了。

Google推廣在GA中的歸因模型應用
Google推廣在GA中的歸因模型應用

首先在Secondary dimension中選擇Source / Medium ,然後在advanced過濾中指定Source / Mediumbaidu / cpc

寫在最後

HubSpot One一直以來都想專門介紹一下歸因模型的應用,這次我們藉關鍵字優化粗淺地討論了一下。作為數字行銷者,我們必須掌握分析行銷數據的方法,而歸因模型便是其中的nitty gritty。再下一次你抱怨某一個行銷渠道效果不佳,感到絕望時,不妨再看看是否真的如你看到的那樣。當然如果你不在推廣開始前部署好數據採集的策略,那麼你就只好絕望了。我們常說用數據說話data driven,重要的不是數據,而是處理呈現數據和說明問題的能力;這種能力的缺失導致了數據收集的不完整,因為你不知道需要什麼樣的數據。感謝閱讀,感謝關注HubSpot One。