Una de las necesidades en cualquier negocio es poder controlar la rentabilidad en publicidad de forma efectiva.
En los medios digitales tenemos una gran cantidad de información sobre el alcance de los mismos, el coste y qué acciones que han generado. Pero cuando hablamos de medir la rentabilidad el panorama se complica, especialmente cuando realizamos campañas en distintos medios y plataformas.
Aquí es donde entran en juego los modelos de atribución, que básicamente es una forma de repartir ese crédito o mérito de la conversión entre los distintos participantes en la misma.
En el momento en que un usuario use más de un medio para llevar a cabo una compra tendremos las dudas de la atribución.
Por ejemplo, un usuario ve un banner en un sitio web, pulsa sobre él y visita nuestro sitio, se interesa sobre nuestro producto pero no compra porque quiere evaluar más opciones. Tras haber decidido que nuestra alternativa es la mejor usa el buscador, introduce el nombre de nuestra empresa y hace clic sobre un anuncio, y realiza la compra de forma directa.
En este caso han intervenido dos medios publicitarios, hay que decidir cómo repartir la conversión entre ambos.
En el clásico sistema de atribución que ha dominado el escenario hasta hace poco, el modelo de último clic, todo el mérito se lo llevaría la campaña en buscadores. Lo que evidentemente no es justo, y podría llevarme a tomar decisiones poco acertadas como eliminar la publicidad en el primer medio, y que después podría provocar que “sorprendentemente” el resto de medios funcionase peor sin motivo aparente.
Parece claro que el modelo de último clic no siempre será la mejor alternativa. Pero ¿qué otras alternativas tenemos?
Contenidos
Agrupaciones de los diferentes modelos de atribución
Dentro de las muchas formas de agrupar los modelos de atribución que podemos hacer, a mí me gusta dividirlo según diversos criterios. Así tendremos:
1- Sistemas de atribución multidispositivo
Están centrados en la secuencia de dispositivos que se han usado hasta la conversión (móvil, TV, web, etc.)
2- Basados en el entorno, on-line off-line
Dependiendo si se realiza de forma on-line u off-line.
3- Sistemas basados en los canales
Que a su vez podríamos subdividir, por ejemplo en modelos:
- Basados en posición o estáticos
- Dinámicos o basados en datos
- Basados en comportamiento
4- Sistemas de atribución avanzados
Que usan todo lo anterior y sistemas de inteligencia artificial y machine learning para otorgar el crédito.
En este caso vamos a centrarnos en los sistemas más comunes, los basados en canales, y en una de las plataformas más implantadas: Google Analytics.
Vemos brevemente cada uno de ellos:
Modelos de atribución estáticos
Estos modelos de atribución se basan en el uso de una fórmula matemática para otorgar el crédito de la conversión, y están basados en la posición que ocupa cada una de las interacciones del usuario.
Podemos hacer una subdivisión extra según otorguen el crédito a un solo punto o a varios.
Sistemas Estáticos de un solo punto
Dentro de los sistemas estáticos de un solo punto encontramos:
Último Clic
Otorga todo el crédito al último punto de contacto, es el modelo que hasta ahora más se ha utilizado y premia a los canales cerradores.
Primer Clic
Todo el mérito se otorga al primer punto de contacto, dando importancia al canal descubridor.
Dentro de Google analytics encontramos dos modelos más de este tipo.
Útimo clic indirecto
Otorga todo el crédito al último clic siempre que no sea de tráfico directo, es el modelo por defecto en Google Analytics.
Último clic de Google Ads
Otorga todo el crédito al último clic de google ads si ha formado parte de la secuencia. Es el modelo más adecuado para comparar con los resultados que veríamos en la plataforma de google ads usando su propio pixel de conversión.
Sistemas Estáticos de varios puntos
Si el crédito se reparte entre más de un punto de contacto encontramos entre otros modelos.
Lineal
Divide el crédito de forma equitativa entre todos los puntos de contacto.
Basado en posición
El primer punto de contacto recibe un 40% el último otro 40% y se reparte el 20% restante de forma equitativa entre el resto de canales. Aquí damos especial importancia a la toma de contacto del cliente con nuestro negocio al canal cerrador, otorgando un menor crédito a todo el proceso de consideración.
Decaimiento en el tiempo
Este modelo otorga más crédito a los puntos de contacto más cercanos a la conversión final.
Personalizado
En Google Analytics podemos definir nuestra propia forma de repartir el crédito con una serie de reglas y tomando uno de los sistemas anteriores como modelo de partida. Siempre es recomendable usar los otros modelos y compararlos entre ellos y con los resultados reales de los efectos observados al cambiar nuestro mix publicitario para después crearnos un modelo más cercano a nuestra realidad.
Modelos de atribución Dinámicos
Los modelos anteriores utilizan distintos criterios para la atribución del crédito y alguno de ellos podrá ajustarse de manera razonable a nuestra realidad pero su carácter estático es su principal limitación.
Si cogemos un conjunto de datos suficientemente grande y lo analizamos con detalle es muy probable que encontremos una serie de secuencias que demuestran ser muy efectivas y con una probabilidad de que finalmente se alcance el objetivo mucho mayor que otras.
Es un clásico utilizar como ejemplo algún deporte para explicar el funcionamiento de los modelos de atribución. Así se comparaba el modelo de último clic con el delantero centro que se lleva todo el mérito de una jugada que termina rematando él, y como otros modelos repartirían este crédito entre todos los que han participado en la misma.
En un deporte sabemos que hay ciertos jugadores que se entienden mejor entre ellos y que cuando participan juntos en una jugada hay más posibilidades de crear peligro o gol. De hecho de algunos algoritmos pensados para encontrar esos jugadores que entre ellos podrían formar un mejor equipo por las sinergias entre ellos nació alguno de los algoritmos de atribución.
En estos algortimos se tiene en cuenta la posición pero también más factores como pueda ser el tiempo que pasa entre cada interacción o la secuencias que se producen, o ver que sucede si eliminamos uno de los puntos de contacto o canales de la secuencia. Estos modelos también son conocidos como modelos de atribución de Markov.
Así por ejemplo podría detectar que es más efectivo una secuencia “display – Orgánico – PPC” de lo que es una secuencia “Social – Display – Orgánico”. En ese caso otorgará más valor a la primera que a la segunda porque ha comprobado que sus posibilidades de éxito son mayores y también lo es la incidencia en la conversión.
Dependiendo de la plataforma también serán capaces de tener en cuenta otras señales, por ejemplo región geográfica, tipo de dispositivo, rango de edad, hora del día, etc. Por ello, su modelado puede ser mucho más preciso del que podríamos hacer de forma manual y por ese motivo han acabado imponiéndose en la mayor parte de las plataformas publicitarias que lo permiten, como puedan ser Google Ads.
Inconvenientes de los modelos de atribución dinámicos
Una de las pegas es que realmente no sabemos como trabajan, ni siquiera cuántas y qué señales tienen en cuenta realmente para hacer esta atribución y para nosotros vienen a ser una especie de caja negra en la que debemos confiar, pero cuyo ocultismo puede restarle credibilidad.
Otro problema que nos encontramos es que plataformas como analytics no lo incluyen en su versión gratuita, en adwords tendremos por tanto un modelo de atribución basado en datos de su canal, pero no tenemos uno similar que tenga en cuenta el resto de los canales, algo sin duda básico en cualquier negocio.
Hay herramientas específicas para atribución que son capaces de tener en cuenta acciones on-line y off-line, multidispositivo y multicanal todo de forma combinada y tener en cuenta múltiples señales más, son los modelos de atribución avanzados que intentan ser más ajustados a lo que es la toma de decisiones real de un usuario. Pero estos sistemas no son, de momento, accesibles para la mayor parte de los negocios, por su complejidad de ajuste y sus elevados costes.
Modelos de atribución basados en el comportamiento
Los otros modelos, los estáticos totalmente y los dinámicos parcialmente, Tienen en cuenta la posición pero no entran en detalle de qué sucede una vez que el usuario llega a nuestro sitio web o app.
Pero sin duda alguna no es lo mismo una visita con un rebote o que mire un par de páginas y rápidamente abandone el sitio que otra visita en la cuál el usuario ha mirado varias fichas de producto, usado el buscador interno, el comparador o se haya dado de alta en la newsletter.
Estas visitas, de forma independiente a la posición que han ocupado en la cadena de contactos, nos han aportado más valor o indican un mayor interés que otras.
Desde hace algún tiempo en Estrategas Web y MakingSEM venimos implementando modelos personalizados que tienen en cuenta el comportamiento del usuario durante la visita y no solo la posición que ocupa.
Es lo que internamente llamo modelos de atribución basados en comportamiento (no se si existe algo más preciso para nombrarlo ni si es algo relativamente estandarizado pero no he encontrado nada al respecto). Y la ventaja es que podemos construirnos nuestros propios sistemas con herramientas gratuitas como Google Analytics y un poco de trabajo.
En el próximo post de esta serie veremos cómo crear con Google Analytics un modelo de atribución personalizado de este tipo.
Comentarios recientes