OWOX 服務器端跟踪如何幫助找到超過 30% 的在線銷售的真正轉化來源

高比例的直接/無流量對任何營銷人員來說都是一個令人頭疼的問題。 如果您不知道轉化的真正來源，就無法了解應該投資哪些渠道，也無法報告廣告支出。

OWOX 服務器端跟踪可以解決這個問題。 與客戶的聯合實驗表明，使用 OWOX BI，歸因於直接/無的交易比例下降了21%以上。 還可以為超過30%的收入確定正確的來源/媒介，這些收入的來源以前是未知的。 此外，通過將交易正確分配給渠道，可以重新計算 CPO，並發現某些渠道的 CPO 低於之前計算的 CPO。

在這篇文章中，我們詳細描述了這個實驗的結果。

您可能會發現很大一部分會話和轉化來自直接/無。 因此，無法了解這些會話和轉化的真正來源。 最常見的原因是 cookie 的生命週期有限，這會導致特定訪問者的每個後續會話都被定義為一個新會話，並且與第一個會話的連接丟失。 但是，第一個會話包含用戶的真實來源。

Safari 瀏覽器中的第一方 cookie 的有效期為 7 天。 底線是clientId標識符用於識別 Google Analytics 中的特定用戶。 因此，它被分析工具用作了解用戶長期行為的關鍵：用戶最初來自哪裡，他們訪問了哪些頁面，等等。

當用戶訪問您的網站時，clientId標識符將寫入ga_cookie並存儲在用戶的設備上。 這被認為是第一方 cookie，但由於它是用 JavaScript 編寫的，因此受 ITP 限制。 所以它的壽命不超過七天。

這意味著，如果用戶今天通過 Facebook 廣告訪問您的網站並在八天后下訂單，您的分析工具會將購買者視為新用戶，並且訂單不會以任何方式歸因於您的 Facebook 廣告。 營銷人員對這部分流量視而不見，並且不了解訂單的真正來源，可能會禁用 Facebook 上據稱無效的廣告。 這可能會導致訂單和企業利潤下降。 因此，分析中新用戶比例的增加可能會導致收入損失。

使用 OWOX BI，您可以提高廣告活動估算的準確性，並確定產生收入的真正來源/媒體/活動。 OWOX BI 服務器端跟踪監控您網站上的任何用戶活動，延長 cookie 壽命，並且不受廣告攔截器的影響，讓您看到整個轉化路徑。

開箱即用的無 Cookie 服務器端跟踪

使用 OWOX BI，您可以設置第一方數據收集來解決 ITP 問題。 為此，在集成階段，我們在您的網站上創建一個單獨的子域，將在該子域上進行數據收集。

對於每次點擊/事件，OWOX BI 都會創建一個 cookie ouid，並在 364 天內與用戶進行每次交互時更新它。 此 cookie 將擁有自己的用戶 ID： owox.user_id。 以此為基礎，我們可以在沒有大量虛假新用戶的情況下構建分析報告，並構建更長周期的用戶路徑。 這使得正確評估廣告活動的有效性並跟踪整個用戶旅程成為可能。

直接/無流量的問題與我們進行實驗的客戶特別相關，因為他們幾乎一半的流量 (44%) 來自 Safari 瀏覽器。

在實驗中，我們比較了公司的主要指標（交易、收入、CPO）在根據使用不同用戶標識符收集的數據進行計算時的差異：Google Analyticsclient_id和owox.user_id。

我們想要回答的關鍵問題是流量來源會改變多少交易。 為什麼這很重要？ 因為廣告渠道的有效性是根據來源/媒介的交易數量來評估的，並且根據這種有效性，做出重新分配預算的決定，並為管理形成報告。

實驗表明，使用owox.user_id將用戶錯誤識別為新用戶的百分比降低了 12%。 這意味著如果不使用 OWOX 服務器端流，分析系統會將這些用戶識別為新用戶，但由於 OWOX BI，這些用戶被識別為返回用戶，從而降低了新用戶的百分比。 對於實驗，我們分析了一個月的數據。 在較長一段時間內，錯誤識別用戶的減少量應該會更大。

下一個屏幕截圖顯示了被識別為返回的用戶的百分比（上圖，通過client_id ；下圖，通過owox.user_id ）。

這些圖表顯示了被識別為“返回”的用戶的百分比。 我們可以看到，在前 7 天（當 Safari cookie 仍處於活動狀態時），兩種方法的返回用戶百分比大致相同。 然而，7 天后，差異變得顯著。 感謝owox.user_id ，可以在第八天識別出兩倍的回訪用戶，在第三十天識別出六倍的回訪用戶。 😎

下一個屏幕截圖顯示了由於使用owox.user_id而導致流量來源發生變化的交易百分比（為清楚起見，評估是使用最流行的“首次點擊”和“最後一次非直接點擊”歸因模型進行的）。

例如，如果我們查看 3 月 27 日的數據，我們可以看到 12% 的交易（根據 First Click）和 6.8% 的交易（根據 LNDC）的流量來源發生了變化。 這意味著從一開始就錯誤地識別了這些交易的來源。 因此，這些交易實際來自的渠道被低估了。 這導致營銷人員得出錯誤的結論並低效地分配預算。 服務器端跟踪可以解決這個問題。

現在讓我們進入實驗的主體部分，看看新/回用戶比例和交易來源的變化如何影響轉化率、收入和 CPO。

在下表中，我們可以看到使用 OWOX BI 服務器端跟踪如何減少具有直接/無流量來源的交易數量。 這是通過將這些交易重新分配給它們真正的來源/媒介來完成的。

例如，我們以4月6日的數據為例，我們可以看到當天（direct）/none的交易數量下降了33.33%。 這些交易在其他來源/媒介組合中重新分配：google/cpc 收到 +12.5% 的交易，twitter.com/social +50% 的交易，等等。

下表向我們展示了交易收入是如何重新分配的，之前交易的來源/媒介為直接/無。

例如，我們看到在 4 月 6 日，來源/媒介為直接/無的交易收入下降了 32.78%。 但是，此收入分配給其他渠道和來源。 這感覺很可疑，因為帶來收入的真正渠道被低估了。 現在，我們不僅可以直觀地感受它，還可以用數字來證明它😎。

我們還注意到，對於某些源/媒體，CPO 可預測地下降。 為什麼？ 因為來自直接/無的交易份額流入其他來源/媒介類別。 特定渠道的費用需要分攤到的交易數量（以分母表示）增加，導致 CPO 減少。 用營銷術語來說，Google Analytics 未考慮的交易被包含在這些來源/媒介類別中，表明它們的實際有效性更高。

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/付費社交的 CPO 下降了 13.33%：

由於與使用第三方 cookie 相關的限制，新用戶和直接/非流量的份額正在增加。 這使營銷人員對廣告渠道的評估變得非常複雜。

OWOX 服務器端跟踪有助於解決這個問題：它將直接/無流量的份額減少21% 或更多，並將30% 或更多的交易和收入正確地重新分配給其他來源和渠道。得益於此，營銷團隊可以更好地滿足他們的 KPI 並更快地保護他們的預算。