OWOX 服务器端跟踪如何帮助找到超过 30% 的在线销售的真正转化来源

高比例的直接/无流量对任何营销人员来说都是一个令人头疼的问题。 如果您不知道转化的真正来源，就无法了解应该投资哪些渠道，也无法报告广告支出。

OWOX 服务器端跟踪可以解决这个问题。 与客户的联合实验表明，使用 OWOX BI，归因于直接/无的交易比例下降了21%以上。 还可以为超过30%的收入确定正确的来源/媒介，这些收入的来源以前是未知的。 此外，通过将交易正确分配给渠道，可以重新计算 CPO，并发现某些渠道的 CPO 低于之前计算的 CPO。

在这篇文章中，我们详细描述了这个实验的结果。

您可能会发现很大一部分会话和转化来自直接/无。 因此，无法了解这些会话和转化的真正来源。 最常见的原因是 cookie 的生命周期有限，这会导致特定访问者的每个后续会话都被定义为一个新会话，并且与第一个会话的连接丢失。 但是，第一个会话包含用户的真实来源。

Safari 浏览器中的第一方 cookie 的有效期为 7 天。 底线是clientId标识符用于识别 Google Analytics 中的特定用户。 因此，它被分析工具用作了解用户长期行为的关键：用户最初来自哪里，他们访问了哪些页面，等等。

当用户访问您的网站时，clientId标识符将写入ga_cookie并存储在用户的设备上。 这被认为是第一方 cookie，但由于它是用 JavaScript 编写的，因此受 ITP 限制。 所以它的寿命不超过七天。

这意味着，如果用户今天通过 Facebook 广告访问您的网站并在八天后下订单，您的分析工具会将购买者视为新用户，并且订单不会以任何方式归因于您的 Facebook 广告。 营销人员对这部分流量视而不见，并且不了解订单的真正来源，可能会禁用 Facebook 上据称无效的广告。 这可能会导致订单和企业利润下降。 因此，分析中新用户比例的增加可能会导致收入损失。

借助 OWOX BI，您可以提高广告活动估算的准确性，并确定产生收入的真正来源/媒体/活动。 OWOX BI 服务器端跟踪监控您网站上的任何用户活动，延长 cookie 寿命，并且不受广告拦截器的影响，让您看到整个转化路径。

开箱即用的无 Cookie 服务器端跟踪

使用 OWOX BI，您可以设置第一方数据收集来解决 ITP 问题。 为此，在集成阶段，我们在您的网站上创建一个单独的子域，将在该子域上进行数据收集。

对于每次点击/事件，OWOX BI 都会创建一个 cookie ouid，并在 364 天内与用户进行每次交互时更新它。 此 cookie 将拥有自己的用户 ID： owox.user_id。 以此为基础，我们可以在没有大量虚假新用户的情况下构建分析报告，并构建更长周期的用户路径。 这使得正确评估广告活动的有效性并跟踪整个用户旅程成为可能。

直接/无流量的问题与我们进行实验的客户特别相关，因为他们几乎一半的流量 (44%) 来自 Safari 浏览器。

在实验中，我们比较了公司的主要指标（交易、收入、CPO）在根据使用不同用户标识符收集的数据进行计算时的差异：Google Analyticsclient_id和owox.user_id。

我们想要回答的关键问题是流量来源会改变多少交易。 为什么这很重要？ 因为广告渠道的有效性是根据来源/媒介的交易数量来评估的，并且根据这种有效性，做出重新分配预算的决定，并为管理形成报告。

实验表明，使用owox.user_id将用户错误识别为新用户的百分比降低了 12%。 这意味着如果不使用 OWOX 服务器端流，分析系统会将这些用户识别为新用户，但由于 OWOX BI，这些用户被识别为返回用户，从而降低了新用户的百分比。 对于实验，我们分析了一个月的数据。 在较长一段时间内，错误识别用户的减少量应该会更大。

下一个屏幕截图显示了被识别为返回的用户的百分比（上图，通过client_id ；下图，通过owox.user_id ）。

这些图表显示了被识别为“返回”的用户的百分比。 我们可以看到，在前 7 天（当 Safari cookie 仍处于活动状态时），两种方法的返回用户百分比大致相同。 然而，7 天后，差异变得显着。 感谢owox.user_id ，可以在第八天识别出两倍的回访用户，在第三十天识别出六倍的回访用户。 😎

下一个屏幕截图显示了由于使用owox.user_id而导致流量来源发生变化的交易百分比（为清楚起见，评估是使用最流行的“首次点击”和“最后一次非直接点击”归因模型进行的）。

例如，如果我们查看 3 月 27 日的数据，我们可以看到 12% 的交易（根据 First Click）和 6.8% 的交易（根据 LNDC）的流量来源发生了变化。 这意味着从一开始就错误地识别了这些交易的来源。 因此，这些交易实际来自的渠道被低估了。 这导致营销人员得出错误的结论并低效地分配预算。 服务器端跟踪可以解决这个问题。

现在让我们进入实验的主体部分，看看新/回用户比例和交易来源的变化如何影响转化率、收入和 CPO。

在下表中，我们可以看到使用 OWOX BI 服务器端跟踪如何减少具有直接/无流量来源的交易数量。 这是通过将这些交易重新分配给它们真正的来源/媒介来完成的。

例如，我们以4月6日的数据为例，我们可以看到当天（直接）/无的交易数量下降了33.33%。 这些交易在其他来源/媒介组合中重新分配：google/cpc 收到 +12.5% 的交易，twitter.com/social +50% 的交易，等等。

下表向我们展示了交易收入是如何重新分配的，之前交易的来源/媒介为直接/无。

例如，我们看到在 4 月 6 日，来源/媒介为直接/无的交易收入下降了 32.78%。 但是，此收入分配给其他渠道和来源。 这感觉很可疑，因为带来收入的真正渠道被低估了。 现在，我们不仅可以直观地感受它，还可以用数字来证明它😎。

我们还注意到，对于某些源/媒体，CPO 可预测地下降。 为什么？ 因为来自直接/无的交易份额流入其他来源/媒介类别。 特定渠道的费用需要分摊到的交易数量（以分母表示）增加，导致 CPO 减少。 用营销术语来说，Google Analytics 未考虑的交易被包含在这些来源/媒介类别中，表明它们的实际有效性更高。

例如，3 月 31 日，google/cpc 的 CPO 下降了 8.77%：

bing/cpc 的 CPO 下降了 12.5%：

Facebook/付费社交的 CPO 下降了 13.33%：

由于与使用第三方 cookie 相关的限制，新用户和直接/非流量的份额正在增加。 这使营销人员对广告渠道的评估变得非常复杂。

OWOX 服务器端跟踪有助于解决这个问题：它将直接/无流量的份额减少21% 或更多，并将30% 或更多的交易和收入正确地重新分配到其他来源和渠道。得益于此，营销团队可以更好地满足他们的 KPI 并更快地保护他们的预算。