Come fare per conoscere il reale contributo che ciascun media apporta in una campagna di Digital Marketing? Ancora oggi molte aziende faticano nello stabilire l’importanza di ogni singola concessionaria nel percorso a conversione degli utenti.
Questa difficoltà si traduce spesso in una dispersione del budget investito.
Tuttavia, grazie a un’attenta analisi è possibile ottimizzare gli investimenti e, a parità di budget, aumentare il numero di conversioni.
Nella business unit Digital Marketing di H-FARM da tempo affrontiamo il problema avvalendoci di modelli personalizzati che superano i limiti di quelli tradizionalispesso non in grado di attribuire il giusto contributo a tutti i media coinvolti.
Uno dei recenti sviluppi che abbiamo affrontato su questa tematica consiste nell’introdurre nell’analisi i cammini negativi (fino a oggi trascurati), ovvero tutti quei percorsi che non si concludono con una lead.
Ecco perché:
L’importanza dei cammini negativi
Consideriamo un caso semplice. Supponiamo di avere due banner erogati da due media differenti e visti dallo stesso numero di utenti che terminano il loro percorso con una conversione. I modelli di attribuzione tradizionali assegnano lo stesso contributo a entrambi i media.
Ma che dire di tutti i cammini che hanno interagito con uno o con l’altro ma non hanno convertito? Se dal primo banner sono passati complessivamente 900 utenti e dal secondo 1.500 perché non considerare questa ulteriore informazione? Il primo banner dovrebbe ottenere un premio più alto perché ha un tasso di conversione maggiore. Il secondo banner ha generato molto più traffico (dovuto forse al fatto che è più visibile e quindi spesso più costoso) ma ha un tasso di conversione inferiore.
L’introduzione dei cammini non convertenti nel nostro modello di attribuzione è resa possibile grazie alle tecnologie Big Data di cui dispone il nostro team, che ci permettono di trattare enormi quantità di dati e di avere accesso ad algoritmi sempre più efficienti.
Il nostro algoritmo: Markov Chain
Un algoritmo particolarmente studiato nel marketing è la Markov Chain, un ambito modello probabilistico che consente di affrontare problemi simili al nostro nello stabilire l’effettivo contributo di ciascun touchpoint nel percorso di un utente includendo anche i cammini che non finiscono con una conversione.
Il modello fa riferimento a un grafo (fig. 2) che rappresenta le probabilità di interagire in successione con le diverse concessionarie coinvolte nelle campagne pubblicitarie dell’azienda.
Per spiegare il meccanismo facciamo riferimento a un caso estremamente semplificato, rappresentato in figura, dove numerosi utenti interagiscono con due soli media. Tutti i cammini possono terminare con una conversione o con un nulla di fatto: introduciamo quindi altri due nodi che assorbono tutti i percorsi, uno Lead e uno Null.
Le frecce mostrano la probabilità di passare da un nodo a un altro: se 100 cammini interagiscono con il Media 1 e successivamente solo 30 di essi interagiscono con il Media 2, la freccia da 1 a 2 indicherà una probabilità del 30%.
Grazie a grafi del genere è possibile stimare la probabilità totale di conversione, nel nostro caso 31%, così come l’effettivo contributo di un media nel percorso degli utenti a lead.
Per calcolare il contributo di un media utilizzeremo il principio del Removal Effect (RE): eliminiamo un media dalla nostra rete e ricalcoliamo la probabilità totale di conversione. Il rapporto tra le due probabilità, con e senza la presenza del media, stabilisce l’importanza della concessionaria.
Nel nostro caso eliminando il Media 1 otteniamo una probabilità di conversione del 20% (con un RE=0.6), eliminando il Media 2 otteniamo un 5% (RE=0.2). A chi allochereste più budget per la vostra prossima campagna? Ovviamente al Media 2.
Markov Chain nei casi reali
In applicazioni di marketing digitale il numero di media può arrivare alle decine di unità ed essendo il numero di cammini positivi molto inferiore a quello dei cammini negativi si lavora con probabilità di conversione molto basse.
Il modello Markov Chain ha il vantaggio di essere un metodo data-driven oggettivo cheintroduce i percorsi negativi nell’equazione e che non dipende da scelte empiriche dettate dal buon senso. Inoltre il modello è velocemente applicabile ad altri contesti come l’analisi del percorso degli utenti all’interno di un sito e-commerce per stabilire il contributo delle pagine nel processo di acquisto.
Il vantaggio per le aziende
Scegliere il modello di attribuzione giusto comporta un reale vantaggio per le aziende in termini di ROI in quanto ne determina l’ottimizzare del budget investito.
In H-FARM continuiamo a sviluppare modelli di attribuzione sempre più accurati in base alle esigenze dei nostri clienti. Il modello di Markov è un ulteriore passo in avanti in questa direzione.
