Tilskrivning er det at give kanaler æren for konverteringer. Sidste klik giver æren til den sidste kanal før konverteringen. Første klik giver den til den første kanal. Men virkeligheden er mere kompliceret: flere kanaler bidrog til beslutningen. Tilskrivningsmodeller på tværs af kanaler prøver at fordele æren fair mellem alle kanaler, der var med. Dette kapitel handler om de forskellige modeller, og hvornår du skal bruge hver af dem.
Tilskrivningsmodellerne forklaret
Sidste klik
Kanalen med sidste kontakt før konverteringen får 100 % af æren. Eksempel: organisk søgning → e-mail → betalte annoncer → konvertering = betalte annoncer får 100 %.
Fordel: enkel, nem at indføre og favoriserer kanaler nederst i tragten. Ulempe: ser bort fra hjælperollerne og undervurderer kanaler, der skaber opmærksomhed.
Første klik
Kanalen med første kontakt får 100 % af æren. Eksempel: organisk søgning → e-mail → betalte annoncer → konvertering = organisk søgning får 100 %.
Fordel: favoriserer kanaler, der skaber opmærksomhed, og er nem at indføre. Ulempe: ser bort fra rollerne med at pleje og afslutte og giver de tidlige kontaktpunkter for meget ære.
Lineær tilskrivning
Æren deles lige mellem alle kontaktpunkter. Eksempel: organisk søgning → e-mail → betalte annoncer → konvertering = hver får 33 %.
Fordel: fair over for alle kanaler og tager højde for flere kontaktpunkter. Ulempe: tager ikke højde for, hvilke kontaktpunkter der betyder mest.
Tilskrivning med aftagende værdi
Nyere kontaktpunkter får mere ære end ældre. Eksempel: organisk søgning (for 30 dage siden) får 20 %, e-mail (for 10 dage siden) får 30 %, og betalte annoncer (for 1 dag siden) får 50 %. Samlet 100 %.
Fordel: realistisk (nyere kontakt har oftest mest betydning) og balancerer opmærksomhed og konvertering. Ulempe: mere kompliceret at indføre.
Tilpasset eller algoritmisk tilskrivning
Æren fordeles ud fra analyse af historiske data. Maskinlæring finder ud af, hvilke kontaktpunkter der bedst forudsiger en konvertering. Eksempel: data viser, at konverteringsraten er 15 % højere, når e-mail er med i forløbet. E-mail får ekstra ære.
Fordel: mest præcis og tager højde for, hvordan kanalerne påvirker hinanden. Ulempe: kræver data og teknisk indsigt.
Sådan vælger du en tilskrivningsmodel
I starten: brug sidste klik. Enkel og kan bruges med det samme. Den undervurderer opmærksomhed, men er et godt udgangspunkt.
Voksende virksomhed: brug aftagende værdi. Mere præcis end sidste klik, tager højde for flere kontaktpunkter og er forholdsvis enkel.
Moden virksomhed: brug tilpasset eller algoritmisk tilskrivning. Du har nok data og nok erfaring i teamet til at bruge avancerede modeller.
Bedste praksis: følg flere modeller på samme tid. Vis sidste klik til ledelsen (enkelt), aftagende værdi til strategien (balance) og første klik til tal om opmærksomhed. Så får du det fulde billede.
Sådan indfører du tilskrivningsmodeller
Trin 1: Vælg din model. Start med aftagende værdi, medmindre du har en grund til at bruge noget andet.
Trin 2: Bestem dit tilskrivningsvindue. Hvor mange dage før konverteringen følger du kontaktpunkter? 7, 14, 30, 90? Brug 30 som standard.
Trin 3: Sæt det op i din analyseplatform. De fleste platforme understøtter flere tilskrivningsmodeller. Google Analytics og de fleste produktanalyseplatforme har det indbygget.
Trin 4: Sammenlign modellerne. Kør alle modeller på dine data. Sammenlign resultaterne. Hvor er de forskellige? Ændrer det din strategi? Hvis modellerne peger på forskellige kanaler som vigtigst, så grav dybere for at finde ud af hvorfor.
Udfordringer ved tilskrivning på tværs af kanaler
Kanaler, der æder af hinanden: hvis du kører både organisk og betalt søgning på det samme søgeord, hvilken kanal får så æren? Begge kan gøre krav på konverteringen. Løsning: lav klare regler (første klik = organisk, sidste klik = betalt), og brug dem hver gang.
Manglende data: kontakt uden for nettet (telefonopkald, personlige møder) bliver ikke registreret i analytics. Løsning: importér data om konverteringer uden for nettet i analytics, når du kan. Accepter, at nogle konverteringer mangler data om tilskrivning.
Begrænsninger i privatliv og sporing: ændringer i privatlivet på iOS, annonceblokkere og værktøjer til beskyttelse af privatlivet gør det sværere at spore. Nogle kunderejser er delvist usynlige. Løsning: brug førsteparts data, så meget du kan. Skriv i dine rapporter, hvad sporingen ikke kan se.
Hvilken tilskrivningsmodel skal jeg bruge i min virksomhed?
Aftagende værdi er det bedste valg for de fleste virksomheder. Er din salgsproces kort (1-2 dage), så brug sidste klik. Er den lang (30 dage eller mere), så brug første klik eller lineær. Afprøv dine 3 øverste modeller i 1 måned, og se, om anbefalingerne ændrer sig. Gør de ikke det, så hold dig til den enkleste (sidste klik). Gør de det, så brug den, der passer bedst til din virksomhed.
Hvordan forklarer jeg tilskrivningsmodeller for folk uden teknisk baggrund?
Brug et eksempel: 'Tre personer hjalp med at lande en aftale på $10k: person A præsenterede os (opmærksomhed), person B svarede på spørgsmål (overvejelse), og person C underskrev kontrakten (beslutning). Sidste klik giver alle $10k til person C (urimeligt). Første klik giver alt til person A (ignorerer B og C). Aftagende værdi giver 20 % til A, 30 % til B og 50 % til C (realistisk).' Brug det til at forklare, hvorfor aftagende værdi er mere fair.
Skal jeg bruge forskellige tilskrivningsmodeller til forskellige kanaler?
Nej, hold dig til én model for alle kanaler, så de kan sammenlignes. Forskellige modeller for forskellige kanaler giver rod. Brug én model hele vejen, og analysér inden for den: organisk søgnings rolle i forhold til e-mails rolle og så videre. Har du brug for forskellige modeller til forskellige formål, så kør dem hver for sig (rapportering og strategi), ikke blandet.
Hvordan ændrer jeg min tilskrivningsmodel, hvis min salgsproces ændrer sig?
Analysér dine data igen: hvor lang er den gennemsnitlige salgsproces? Er den ændret fra 15 dage til 45 dage, kan dit tilskrivningsvindue på 30 dage skære vigtige kontaktpunkter af. Skift til 45-60 dage. Kør analysen igen, og se, om kanalernes rangorden ændrer sig. Opdatér din model, og skriv ændringen ned.
Kan jeg bruge tilskrivningsdata til at forudsige, hvilke kampagner der bliver en succes?
Delvist. Historisk tilskrivning viser, hvilke kombinationer af kanaler der virker. Kom de gode kunder gennem organisk → e-mail → betalt, vil nye kampagner med samme mønster sandsynligvis lykkes. Brug det som en hypotese: sats på de rækkefølger. Men hver kampagne er forskellig, så afprøv og mål i stedet for kun at stole på gamle mønstre.
Hvordan håndterer jeg konverteringer uden for nettet i min tilskrivningsmodel?
Importér data fra uden for nettet i analytics: telefonopkald, personlige møder og underskrevne kontrakter. Match dem med besøg på nettet via kunde-id (e-mail, telefon eller navn). Kontakt på nettet vises i tilskrivningen, og konverteringen uden for nettet er resultatet. Så får du et mere komplet billede. Bemærk: tilskrivning uden for nettet er sværere, så start med de største aftaler.