Questo è l’ultimo articolo della nostra serie dedicata al tema “Perché il vostro obiettivo principale NON dovrebbe essere quello di creare un percorso cliente unificato”. Nel corso di questa serie, vi abbiamo accompagnato in un percorso cliente che spazia dalla creazione di un moderno data warehouse dedicato ai clienti e al marketing fino all’alimentazione degli algoritmi delle piattaforme pubblicitarie. In questa parte conclusiva, andremo al cuore del marketing, affrontando gli aspetti necessari per il tema dell’attribuzione.

In generale, l’attribuzione consiste nel comprendere quale valore generi una determinata attività di marketing. Attualmente sono disponibili tre diversi tipi di metodi, ciascuno con i propri vantaggi e svantaggi. Vediamoli brevemente.

Attribuzione basata sul percorso

La maggior parte dei software di analisi web, come Google Analytics, misura ogni visita a un sito web o a un’app. Insieme a ogni visita viene misurata anche la fonte, e le visite multiple consecutive provenienti dallo stesso identificatore univoco vengono definite “percorsi di interazione”.

Ciò avviene tramite l’uso dei cookie: il software di analisi web memorizza infatti un cookie, insieme a un identificatore univoco, nel browser dell’utente. Se hai accettato i cookie al momento di accedere a questo post del blog, Google Analytics ha memorizzato nel tuo browser un cookie contenente un cosiddetto “ID cliente” come identificatore univoco. A seconda della pagina da cui provieni per accedere a questo post del blog, verrà memorizzata anche tale informazione.

Nel caso di Google Analytics, l’ID cliente è univoco per ogni browser, il che significa che si otterrà un nuovo ID cliente se si visita questo post da un dispositivo o browser diverso. Questa limitazione è un esempio di svantaggio che esamineremo più avanti, ma è possibile ovviare a tale problema tramite un tracciamento aggiuntivo (implementazione dell’ID utente).

Nella sua forma più semplice, l’attribuzione basata sul percorso consiste nell’analizzare tutte le interazioni dell’utente o del browser avvenute prima di una transazione o di una conversione e nel cercare poi di stabilire a quale interazione attribuire il merito di aver determinato tale risultato.

In generale, esistono due diversi tipi di metodi: quelli basati su regole e quelli algoritmici. Un esempio di modello basato su regole è il modello “Last Non-Direct Click” (LND), comunemente utilizzato in Google Analytics. In sostanza, il modello LND attribuisce il 100% del valore all’ultima interazione nota prima dell’evento. Al contrario, un approccio algoritmico, spesso definito “data-driven”, utilizza la matematica e la statistica per determinare a quale interazione attribuire quale credito.

Tutti i modelli di attribuzione basati sui percorsi partono dal presupposto che le interazioni analizzate abbiano effettivamente un effetto, cosa che potrebbe non essere sempre vera. Pertanto, i modelli di attribuzione basati sui percorsi non possono mai rispondere alla domanda su quale percentuale delle transazioni o delle conversioni si sarebbe verificata comunque. Questo limite ci porta alla seconda categoria di attribuzione.

Attribuzione incrementale

Lo scopo dell’attribuzione incrementale è quello di determinare quale effetto aggiuntivo (incrementale) si sia ottenuto dall’attuazione di una specifica attività di marketing. È concepita per rispondere a una domanda a cui l’attribuzione basata sul percorso non è in grado di rispondere e, inoltre, può rivelarsi uno strumento molto potente. Il metodo consiste nell’esporre un gruppo all’annuncio e un altro no. Successivamente, si misura l’effetto e lo si confronta tra questi due gruppi. Il processo tecnico per eseguire l’attribuzione incrementale si basa sui dati di prima parte dell’inserzionista o sui dati di terze parti forniti dalle piattaforme pubblicitarie.

Uno dei vantaggi del metodo basato sui dati di prima parte è che consente di controllare l'intera metodologia, dalla progettazione dell'esperimento all'analisi. Uno svantaggio è che tale metodo è limitato agli utenti che hanno già interagito con il proprio sito web o la propria app. Inoltre, diventa molto complesso, se non impossibile, analizzare gli effetti cross-channel attraverso l'applicazione della metodologia dell'incrementalità.

Modellizzazione del marketing mix

L’ultima categoria di attribuzione è spesso denominata Marketing Mix Modeling (MMM). Il metodo consiste in un’analisi di regressione quantitativa che mira a spiegare gli effetti sul valore in base a diversi fattori. In generale, viene effettuata modellando una variabile target dipendente (ad esempio, il fatturato) rispetto a un insieme di variabili indipendenti (ad esempio, la spesa pubblicitaria). La varianza delle variabili indipendenti dovrebbe spiegare la varianza della variabile dipendente; se applicato correttamente, questo metodo può rivelarsi molto efficace. Rispetto all’attribuzione basata sui percorsi e a quella incrementale, è in grado di fornire risposte alle domande relative ai rendimenti decrescenti e, di conseguenza, all’ottimizzazione del budget – il tutto senza l’uso dei cookie.

Che cosa c’entra l’attribuzione nel marketing con il tema generale “Perché il tuo obiettivo principale NON dovrebbe essere quello di creare un percorso cliente unificato?”. Finora, lo scopo della creazione di un percorso cliente unificato non è stato solo quello di migliorare l’esperienza dell’utente, ma anche, in egual misura, quello di ottimizzare gli investimenti di marketing. Quando si parla di ottimizzazione dell’acquisto di spazi pubblicitari, l’attribuzione è fondamentale ed è quindi legata ai cambiamenti nella disponibilità dei dati.

Di questi tre metodi, quello più comunemente utilizzato è l’attribuzione basata sul percorso. È ampiamente adottata in tutto il settore dell’acquisto di spazi pubblicitari digitali come metodo principale di attribuzione. Come per qualsiasi modello, la qualità dei risultati dipende dai dati sottostanti, e l’attribuzione basata sul percorso si basa proprio sui dati. Ciò significa che l’utilizzo di questo metodo è diventato meno efficace. Sarà in grado di identificare un numero minore di canali nelle loro interazioni, e i percorsi di interazione risulteranno interrotti. In passato questo rappresentava un problema a causa della questione relativa agli user-ID/client-ID menzionata in precedenza, ma con i cambiamenti in materia di privacy è diventato ancora più rilevante. Se non affrontato, porterà a una relativa subottimizzazione di tutti gli investimenti di marketing, il che è ben lungi dall’essere l’ideale.

Attribuzione di nuova generazione

Se vi siete ritrovati vincolati a un modello di attribuzione basato su regole perché la modellizzazione dell’attribuzione basata sui dati vi sembrava troppo complicata, purtroppo le cose non diventeranno più semplici. Con i cambiamenti nella qualità dei dati e la crescente richiesta di miglioramenti nell’attribuzione di marketing, la prossima generazione di modelli di attribuzione richiederà una complessità ancora maggiore. I modelli di attribuzione basati sui percorsi si fonderanno su una quantità minore di dati. I percorsi saranno frammentati e i canali identificati diminuiranno. L’attribuzione di nuova generazione dovrà risolvere questo problema combinando i diversi metodi illustrati brevemente all’inizio di questo post.

L'analisi di regressione non utilizza i dati dei cookie come input, quindi rappresenta un buon punto di partenza. Tuttavia, è necessaria una forte innovazione per quanto riguarda il concetto di MMM. La formulazione tradizionale dell'MMM mira a spiegare le relazioni tra spesa e rendimento dei singoli canali, ma è stata sviluppata in un'epoca in cui i canali erano principalmente:

• Canali "push": come TV, radio, stampa, cataloghi. Rispetto ai canali di marketing digitale, offrivano possibilità limitate di raggiungere un pubblico mirato.
• Per lo più non tracciate: alcune azioni non è stato possibile associare a un canale come fonte.
• Costi fissi / pochi parametri interni al canale: il costo della pubblicità non era, nella maggior parte dei casi, determinato dalle azioni dei consumatori, e la pubblicità su un canale poteva essere considerata come l’acquisto, in misura maggiore o minore, di un unico prodotto.
• Questa situazione si presta alla modellizzazione di regressione per tre motivi: in primo luogo, non ci sono dati su ciò che accade tra l’investimento in un determinato canale e il valore totale misurato, quindi l’unico modo per dedurre l’impatto causale è (in sostanza) la correlazione tra la spesa e il rendimento totale.
• In secondo luogo, i costi fissi e la natura “push” dei canali implicano che questi si comportino in modo simile, in particolare per quanto riguarda l’interazione della spesa con altre variabili, quali la stagionalità o le variazioni della domanda.
• In terzo luogo, l’assenza di parametri di controllo all’interno del canale implica che la spesa e il rendimento abbiano un rapporto biunivoco. Ci limitiamo semplicemente ad acquistare una quantità maggiore o minore dello stesso prodotto.

Si può affermare con certezza che i canali sono cambiati. È fondamentale tenere in considerazione questi tre aspetti, poiché i cambiamenti che li riguardano modificano sia i dati disponibili per l’MMM sia la relazione prevista tra spesa e rendimento. Un chiaro esempio dell’importanza di questo aspetto è rappresentato dal confronto tra la relazione spesa-rendimento della TV lineare e quella di Google Ads (Ricerca):

TV lineare: il rapporto spesa-rendimento subirà variazioni lungo l’asse del rendimento a causa delle fluttuazioni della domanda, il che significa che il ROAS sarà inferiore nei periodi di bassa domanda e viceversa. Il costo non può essere ottimizzato al momento dell’acquisto. I parametri da controllare all’interno del canale sono relativamente pochi, il che rende la spesa più o meno proporzionale alla copertura/esposizione.

Google Ads (Ricerca): sia l'asse della spesa che quello del ritorno saranno influenzati dalle variazioni della domanda. La spesa non dipende solo dall'offerta, ma è influenzata anche dal numero di ricerche. Il monitoraggio ci consente di comprendere meglio i nessi causali tra la spesa (input) e i ricavi (output).

In altre parole, modellare Google Ads (Ricerca) allo stesso modo della TV lineare è inadeguato: nel migliore dei casi, il modello risulterà debole a causa dell’esclusione di informazioni rilevanti (tracciate); nel peggiore dei casi, fornirà una risposta errata a causa dei diversi comportamenti in presenza di variazioni della domanda o dell’ottimalità all’interno del canale.

L'attribuzione di nuova generazione dovrebbe essere una combinazione tra l'attribuzione basata sul percorso e l'MMM, fondata su un approccio MMM più moderno, che utilizzi i dati migliorati a disposizione e tenga conto delle differenze note nelle caratteristiche dei canali. Grazie a tale approccio, l'attribuzione sarà nuovamente in grado di rispondere a domande quali:

• Cosa otteniamo se investiamo X nel canale Y?
• Quanto ancora possiamo spendere nel canale Y?
• Qual è l'effetto del canale Y se investiamo X nel canale Z?

Eccoci giunti alla conclusione della nostra serie in cinque parti

In conclusione, le aziende che creano la migliore infrastruttura di dati e il miglior sistema di valutazione possibili acquisiranno un vantaggio competitivo. L’attribuzione sarà probabilmente alla base di tutte le vostre ottimizzazioni relative ai media e agli utenti e, di conseguenza, influirà sui profitti. Qualsiasi miglioramento incrementale del modello, o dei dati sottostanti, sbloccherà un elevato potenziale di miglioramento della redditività, di crescita o di massimizzazione dei profitti. Avere un’attribuzione non ottimale avrà lo stesso effetto negativo che fissare un obiettivo sbagliato.

Per quanto possa sembrare complesso, la soluzione sta nella combinazione tra modelli di attribuzione basati sul percorso e MMM, dove l’MMM interviene per individuare i dati mancanti e l’attribuzione incrementale rappresenta la ciliegina sulla torta per migliorare il risultato finale.

Se ti sei perso qualche altro articolo della nostra serie, puoi recuperarlo qui sotto:

Parte 1: Perché non dovresti creare un percorso cliente unificato
Parte 2: Creare un data warehouse moderno
Parte 3: Definire una strategia di privacy all’avanguardia
Parte 4: Acquisire, archiviare e attivare i dati giusti