2023 年谷歌廣告歸因模型指南——數據驅動的歸因是未來嗎？
已發表: 2023-04-01為什麼 Google Ads 歸因模型很重要
研究表明，消費者在購買前至少與產品互動 8 次，並且在潛在客戶轉化之前需要與您的企業互動 7-13 次以上。 因此，使用正確的歸因模型對於企業了解渠道和活動在所有這些接觸點方面的表現至關重要。
選擇正確的歸因模型很重要的兩個主要原因如下：
1. 理解：歸因模型幫助企業理解績效。 雖然可能不存在完美的歸因模型（儘管有人聲稱數據驅動的歸因模型最接近），但選擇正確的歸因模型可以更準確地理解績效。 反過來，這會導致在營銷策略和廣告支出方面做出更好的決策。2.優化：使用正確的歸因模型對於優化廣告活動也很重要。 從出價策略的角度來看都是如此——因為谷歌將使用轉化數據來優化採用自動出價策略的活動——以及廣告商根據他們的轉化數據進行手動活動優化。 不同的歸因模型可能會揭示哪些關鍵字和廣告在推動轉化方面最有效。
Google Ads 歸因模型指南
資料來源：Louisaustin.co
讓我們來看看六種可用的 Google Ads 歸因模型並找出適合您的模型，探索每種歸因模型的優缺點。
- 最後點擊歸因
- 首次點擊歸因
- 基於位置的歸因
- 線性歸因
- 時間衰減歸因
- 數據驅動歸因
1. 最後點擊歸因模型
怎麼運行的
顧名思義，最後點擊歸因將所有功勞歸於轉化前的最後一個接觸點。 最後一次點擊歸因簡單明了且常用，但近年來發生了轉變，需要關注的不僅僅是最後一次點擊，還要考慮整個客戶旅程中的多個接觸點。
例如，轉化路徑可能包含多個接觸點，從通用關鍵字開始，然後是展示廣告和視頻廣告互動，最後以品牌關鍵字發生的轉化結束。 在此示例中，品牌關鍵字將獲得所有功勞。 但是，您可能會爭辯說，將客戶介紹給企業的通用關鍵字在轉化中發揮了作用，或者與轉化歸因於的品牌關鍵字同等重要。 視頻和顯示交互也是如此。
非常適合在轉化發生之前與用戶接觸點很少的企業，例如銷售週期較短的電子商務企業。
- 優點：簡單且易於實施。 該模型提供了對渠道如何在基本層面上執行的洞察力
- 缺點：忽略除最後一個以外的所有接觸點。 因此，它可能無法全面概述客戶旅程以及其他渠道和活動如何促進轉化的價值。
2. 首次點擊歸因模型
怎麼運行的
首次點擊歸因將所有功勞都歸功於客戶在轉化前與之互動的第一個接觸點。 它類似於最後點擊歸因，只是反過來。 在上面的示例中，首先將用戶介紹給企業的通用關鍵字將獲得所有功勞，而忽略中間和底部漏斗交互。
非常適合專注於品牌知名度和發現並希望將功勞歸功於將用戶介紹給他們企業的渠道和活動的企業。
- 優點：深入了解客戶與品牌的初始接觸點。 這對於專注於品牌知名度的企業和最擅長將用戶介紹給企業的活動非常有用。
- 缺點：忽略除第一個接觸點之外的所有接觸點，因此與最後點擊歸因一樣，它可能無法提供客戶旅程的全面視圖。
3. 基於位置的歸因模型
怎麼運行的
基於位置的歸因為用戶在轉換之前與之交互的第一個和最後一個接觸點提供了更多的信用。 例如，一般的搜索活動可能會引起一些最初的興趣，隨後，用戶會在點擊顯示重定向廣告後發生轉化。 基於位置的歸因將歸因於搜索和展示廣告系列在轉化中的作用。
非常適合混合了品牌推廣和直接反應活動並希望在第一個和最後一個接觸點之間共享屬性的企業。
- 優點：獎勵客戶旅程開始和結束時的接觸點，這反映了這些接觸點是最有影響力的想法。
- 缺點：此模型未考慮客戶旅程中間的接觸點。 如果用戶在購買前的一段時間內點擊了您的 10 個關鍵字，則不會將任何內容歸因於中間的 8 個關鍵字。
4.線性歸因模型
怎麼運行的
線性歸因在客戶旅程中的所有接觸點平均分配信用。 如果有 3 次點擊，則這些接觸點中的每一個都將歸因於三分之一的轉化。
非常適合想要考慮所有接觸點的企業，以及那些在客戶轉化之前具有較長銷售週期和多次互動的企業。
- 優點：在客戶旅程中的所有接觸點平均分配信用，提供更全面的績效視圖。
- 缺點：雖然此模型比前 3 個模型更具有洞察力，並且在分配信用方面更公平，但線性歸因可能無法準確反映每個接觸點的影響。 例如，與高意圖的中間和最後一個接觸點相比，第一個接觸點的意圖可能較低，這意味著在嘗試準確確定廣告活動的有效性時，中間和最後一個接觸點可能值得更多的信任。
5. 時間衰減歸因模型
怎麼運行的
時間衰減歸因會將更多功勞分配給在時間上更接近轉化事件的接觸點。 最多的功勞將給予轉化前的最終接觸點，然後是之前的接觸點，依此類推。
考慮這種情況：用戶首先單擊通用關鍵字並訪問產品頁面。 然後，他們會在一周內收到視頻重定向廣告，最後搜索產品，點擊購物廣告併購買。 在此示例中，時間衰減歸因會將較大部分的功勞分配給購物廣告，其次是視頻廣告系列，最後是通用關鍵字的功勞最少。
非常適合銷售週期較短但在客戶旅程中仍有多個接觸點的企業。 這對於具有時間敏感接觸點的企業也可能有好處。
- 優點：將更多的功勞獎勵給更接近轉化的接觸點，這反映了最近的接觸點最具影響力的想法。 這種歸因模型可以提供比最終點擊歸因更多的洞察力，並且可以更準確地理解性能，因為功勞歸於之前的接觸點。
- 缺點：該模型可能會忽略早期接觸點，或者無法準確地歸功於早期接觸點的影響，從而無法真實反映性能。
6. 數據驅動歸因模型
怎麼運行的
數據驅動歸因，也稱為 DDA，是最新的歸因模型，也是 Google 建議採用的一種模型，前提是您的帳戶滿足特定條件。 但您可能想知道 Google Ads 數據驅動的歸因模型如何歸因於轉化。
數據驅動歸因使用高級機器學習來分析數據並確定每個接觸點在客戶旅程中的重要性。 根據每個接觸點對客戶轉換的影響和影響，將轉換分解並歸因於每個接觸點。
資料來源： windsor.ai
在 Google Ads 中分析搜索廣告（包括購物）、YouTube、展示廣告和發現廣告的點擊次數和視頻參與度，以確定促成轉化的模式。 使用自動出價時，這些模式不僅支持 DDA 分配轉化，而且它們還將幫助出價策略利用導致轉化的數據和模式來尋找行為方式相似的客戶。 這就是使數據驅動的歸因成為最先進的歸因模型的原因。
非常適合具有復雜轉換路徑的企業和具有多個接觸點的企業，以及任何擁有大量數據並希望從機器學習中受益的符合條件的企業。 由於它使用高級算法來破譯數據和歸因於轉化，DDA 可以更清楚地了解廣告系列、廣告組、關鍵字和廣告效果，使其成為大多數帳戶的理想選擇。
優點：使用機器學習根據接觸點對轉化的影響將功勞分配給接觸點。 這意味著它提供了更準確的客戶旅程視圖。
缺點：需要大量數據才能運行，而轉化跟踪的準確性是其基礎。 這可能會阻止轉化數據很少的企業和存在跟踪問題的帳戶採用此歸因模型。
數據驅動歸因用例示例
以下是 DDA 在實踐中如何工作的示例：
一家電子商務美容品牌的主要目標是使用 Google Ads 在線銷售口紅。 數據驅動的歸因模型發現，在購買之前平均有多次點擊。 DDA 還發現，首先搜索口紅色調（例如“珊瑚紅唇膏”），然後點擊品牌關鍵字的用戶最有可能購買。 而首先搜索“折扣”和“便宜”相關關鍵字並隨後點擊品牌關鍵字的用戶最不可能發生轉化。 這導致 DDA 將更多功勞分配給顏色相關的關鍵字、廣告組和營銷活動，這也反映在報告中。 |
DDA 使用機器學習並更清楚地說明哪些點擊最具影響力，無論點擊在用戶旅程中何時發生。 除了更好地了解性能外，最近一項涉及數百名使用 DDA 的廣告商的研究表明，與最終點擊歸因相比，性能有所提高。
以下是使用數據驅動歸因的真實企業的 3 個案例研究：
1. 德國最大的郵購藥店 Medpex 使用數據驅動歸因和智能出價。 這導致轉化次數增加了 29%，每次獲取成本降低了 -28%。2. Select Home Warranty是一家美國維修項目的家庭保修提供商。 使用數據驅動的歸因，他們發現潛在客戶增加了 36%，CPA 減少了 -20%。
3. HIS 是一家全球旅行社，在全球一百多個城市開展業務。 使用 DDA、智能出價和動態搜索廣告，HIS 能夠以相同的 CPA 將轉化次數增加 62%。
數據驅動的歸因數據要求
大多數轉化操作，例如購買、註冊和應用安裝，都可以用於數據驅動的歸因。 事實上，DDA 現在是您創建的所有新轉化操作的默認歸因模型，儘管您可以手動切換到不同的歸因模型。
資料來源：谷歌廣告幫助
對於許多轉化操作，運行 DDA 沒有最低交易量要求。 但是，對於某些人，您需要在 30 天內至少獲得 300 次轉化和 3,000 次廣告互動才有資格。 這些轉換可能包括：
- 高價值操作：與網頁瀏覽或視頻觀看等低價值操作相比，對您的業務具有更高價值的轉化操作（例如購買、銷售線索或註冊）可能會產生更少的轉化或廣告互動。
- 利基產品或服務：與利基產品或服務相關的轉化操作可能擁有較少的受眾，從而導致較少的轉化或廣告互動。
數據驅動歸因還可以使用應用內轉化事件，例如應用內購買，並將它們歸因於特定的關鍵字和廣告。 您還可以導入線下轉化事件，例如致電、實體店光顧和親自購買，這些操作可以使用標識符與 Google Ads 互動進行匹配。
對於現有的轉化事件，如果您的帳戶符合條件，Google 將通過電子郵件通知您，屆時您可以採用數據驅動歸因或選擇退出。 您還可以在 Google Ads 帳戶的“歸因”部分檢查您是否符合條件。 繼續閱讀以了解如何在 Google Ads 中切換到 DDA。
如何在 Google Ads 中選擇歸因模型？
在您的 Google Ads 帳戶中，導航至“工具和設置”，然後在“衡量”下點擊“歸因”。 從這裡，您可以探索各種轉化路徑和轉化路徑指標，並查看輔助轉化。
使用左側菜單中的模型比較功能比較帳戶中的轉化數據如何歸因於各種歸因模型。 這個工具很棒，因為您可以看到在不更改模型的情況下如何分配轉化。
上面的屏幕截圖是最終點擊歸因和數據驅動歸因之間的比較，使用默認回顧窗口和帳戶跟踪的 4 個轉化事件。 它顯示了兩個重要的轉化指標——轉化次數和轉化成本——的執行情況。
使用此功能在進行更改之前查看您有興趣採用的歸因模型，以確保轉化數據符合您的業務目標。
如果您準備好更改歸因模型，這是在轉化級別完成的，因此請前往工具和設置，然後前往轉化。 點擊您想要更改歸因模型的轉化事件，然後點擊編輯設置。
在歸因模型下，單擊下拉菜單並更改為所需的歸因模型。
如何切換到數據驅動的歸因
您可以使用與上述相同的方法切換到以數據為依據的歸因。 但是，在您 Google Ads 帳戶的“歸因”部分，導航至左側菜單中的“切換到 DDA”。
從那裡，您將能夠看到帳戶中的所有轉化操作、他們當前使用的歸因模型，以及他們是否有資格切換到 DDA。
如上面的屏幕截圖所示，如果符合條件，您可以選擇自己進行切換，或者如果應用了自動切換，您可以等待切換自動發生，或者如果您不想使用 DDA，則選擇退出.
如何改進您的數據驅動歸因模型
切換到以數據為依據的歸因後，您可以按照其他一些步驟充分利用 DDA：
- 通過分析 DDA 開始歸因於您的廣告系列的轉化數據，根據基於 DDA 的轉化調整出價。
- 由於 DDA 將在整個轉化路徑中更準確地衡量廣告互動和點擊次數，因此請返回並查看關鍵字效果，以了解路徑中較早階段的關鍵字如何影響轉化。
- 使用數據驅動的歸因時，推薦的方法是採用智能出價策略，例如目標 CPA 或目標 ROAS。 在此處閱讀Google Ads 出價策略實用指南。
- 給 DDA 幾週的時間來收集和分析用戶交互和轉化數據。 這段學習時間很重要，對於轉化路徑較長的企業來說更是如此。
結論
選擇正確的 Google Ads 歸因模型，方法是首先權衡 6 種歸因模型的優缺點，然後使用方便的 Google Ads 比較工具了解每種模型如何影響您的業務。
通過選擇最適合您的業務和目標的歸因模型，您將更準確地了解效果，能夠改進優化工作並提高廣告系列的整體效率。
