Atrybucja, testy inkrementalności i MMM: jak połączyć trzy sposoby pomiaru w jeden

Wielu marketerów zna tę sytuację. Raport atrybucji pokazuje świetny zwrot z kampanii, test na grupie kontrolnej sugeruje, że połowa tych konwersji i tak by się wydarzyła, a model marketing mix przypisuje kanałowi zupełnie inną wartość. Która liczba jest prawdziwa? Odpowiedź brzmi: każda odpowiada na inne pytanie. Ten temat wziął na warsztat Google w jednym z odcinków podcastu Ads Decoded. Poniżej porządkujemy go po swojemu, w formie praktycznego poradnika.

Trzy narzędzia, trzy pytania

Zanim zaczniesz porównywać wyniki, warto zrozumieć, do czego służy każda metoda.

• Atrybucja odpowiada na pytanie: które punkty styku poprzedziły konwersję? Działa niemal w czasie rzeczywistym i na poziomie pojedynczych kampanii, reklam czy słów kluczowych. Jest niezbędna do bieżącej optymalizacji, ale pokazuje korelację, a nie przyczynę.
• Testy inkrementalności odpowiadają na pytanie: ile konwersji nie wydarzyłoby się bez tej kampanii? Porównujesz grupę, która widziała reklamy, z grupą kontrolną, która ich nie widziała, na przykład w podziale na regiony. To najbliższe pomiarowi przyczynowemu, ale wymaga czasu i budżetu, więc robi się je okresowo.
• Marketing mix modeling (MMM) odpowiada na pytanie: jak podzielić budżet między kanały? Model statystyczny analizuje zagregowane dane z dłuższego okresu, na przykład tygodniowe wydatki i sprzedaż, uwzględniając sezonowość, ceny czy promocje. Daje szeroki obraz, ale nie zejdzie do poziomu pojedynczej reklamy.

Dlaczego wyniki się nie zgadzają

Rozbieżności są naturalne, bo każda metoda patrzy na inne dane i w innej skali czasu. Atrybucja widzi tylko to, co da się zmierzyć: kliknięcia i wyświetlenia u użytkowników, którzy zgodzili się na pliki cookie. Nie widzi wpływu reklamy na osobę, która kupiła tydzień później w sklepie stacjonarnym. Ma też skłonność do przypisywania zasług kanałom zamykającym ścieżkę, takim jak kampanie na markę czy remarketing.

Testy inkrementalności mierzą efekt przyczynowy, ale tylko w warunkach konkretnego eksperymentu. MMM widzi całość, łącznie z kanałami offline, za to reaguje z opóźnieniem i zależy od jakości oraz zmienności danych wejściowych. Jeśli przez rok wydawałeś na dany kanał stale tyle samo, model ma niewiele informacji, żeby ocenić jego wpływ.

Weźmy przykład kampanii remarketingowej. Atrybucja może przypisać jej mnóstwo sprzedaży, bo trafia do osób, które już były blisko zakupu. Test z grupą kontrolną może pokazać, że wiele z nich i tak by kupiło. Oba wyniki są poprawne, tylko mierzą co innego: pierwszy to udział w ścieżce, drugi to realny przyrost. Do decyzji o budżecie liczy się przede wszystkim ten drugi.

Jak zbudować spójny system pomiaru

1. Zadbaj o fundament danych. Poprawnie wdrożone tagi, właściwie zdefiniowane konwersje i działający Google Consent Mode v2. Jeśli baner zgody nie przekazuje sygnałów do narzędzi, cała reszta systemu pracuje na niepełnych danych.
2. Używaj atrybucji do decyzji taktycznych. Wybór reklam, stawek czy grup odbiorców w obrębie kanału. Nie porównuj na jej podstawie kanałów, które z natury działają na różnych etapach ścieżki.
3. Zaplanuj testy inkrementalności. Zacznij od kanałów, w które inwestujesz najwięcej, albo tych, co do których masz największe wątpliwości. Ustal hipotezę, czas trwania i grupę kontrolną przed startem, a nie po.
4. Wprowadź MMM, gdy masz dość historii. Model potrzebuje danych z dłuższego okresu i zróżnicowanych wydatków. Narzędzia open source, takie jak Meridian od Google, obniżyły próg wejścia, ale wciąż potrzebujesz kogoś, kto rozumie statystykę.
5. Kalibruj. Wyniki testów inkrementalności wykorzystuj do weryfikowania modelu MMM i do korygowania tego, jak interpretujesz dane z atrybucji.
6. Planuj testy celowo. Świadomie zmieniaj poziom wydatków w wybranych kanałach i okresach. To daje modelom wiedzę, której nie da się uzyskać z płaskiego budżetu.

Nie goń krótkoterminowego ROAS

Jedną z pułapek jest ocenianie wszystkiego przez wskaźnik zwrotu z wydatków reklamowych liczony w krótkim oknie. Kampanie budujące świadomość marki czy docierające do nowych klientów rzadko wyglądają dobrze w raporcie ostatniego kliknięcia, choć mogą napędzać sprzedaż w kolejnych miesiącach. W odcinku podcastu porównano wydatki na media do sadzenia nasion: efekt przychodzi później. Jeśli Twoje produkty mają długi cykl zakupowy, ustal miary pośrednie i dłuższe okna oceny, zamiast wyłączać kampanie po kilku dniach.

Prywatność i zgody a jakość pomiaru

Coraz mniej danych da się zebrać na poziomie pojedynczego użytkownika, bo część osób odmawia zgody na pliki cookie analityczne i reklamowe. To prawidłowe i wymagane przez RODO oraz Prawo komunikacji elektronicznej. Dla pomiaru oznacza to, że atrybucja zawsze będzie niepełna. Dlatego rośnie znaczenie metod, które pracują na danych zagregowanych, takich jak MMM i testy geograficzne, bo nie potrzebują śledzenia konkretnych osób.

Nie rozwiązuj problemu niższego odsetka zgód, uruchamiając tagi przed decyzją użytkownika. Zadbaj raczej o czytelny baner, poprawne przekazywanie sygnałów Consent Mode i pomiar oparty na kilku metodach. Jeśli chcesz sprawdzić, czy Twoja strona przekazuje zgody zgodnie z wyborem odwiedzających, zajrzyj do Skanera zgody.

Źródło: Google Ads Commerce

atrybucjainkrementalnośćMMMpomiar kampaniiConsent Mode v2