去TMD的“有转化的关键字”

笔者在和许多初级搜索营销同学日常交流时经常听到他们说这个词——“有转化的关键字”。所谓“有转化的关键字”是指能够带来转化的关键字,当访客搜索检索词时,该有转化的关键字会带来展现,访客点击在搜索引擎结果页面上的广告后来到着陆页并在该访问中或者之后的非付费搜索流量中完成转化。 当在面试这些小同学时问到“你们怎么优化关键字?”时,他们会告诉你,查看搜索词报告,添加新的关键字;查看转化词报告,添加否定词并暂停或删除那些产生一定点击却没产生转化的词。这乍听是完全正确的,但是这样的回答只能应对业外人士或者同为初级搜索营销/数字营销的同行。这样的回答在15年前是几近完美的,但在当世,只能让你丢掉饭碗。因为这完全建立在了万恶的“Last Click”归因模型上。

五种常见的归因模型

五种常见的归因模型

我们在《数字营销术语词汇表101-数字分析篇》中曾经介绍过什么是Attribution Modeling(归因模型)。它是现代数字分析的基础,如果你连基础都无法掌握,那的确是要下岗了。

The only use for last click attribution now is to get you fired. Avoid it. – Avinash Kaushik

Attribution Model – 归因模型

有果就有因,当我们卖出一件商品时,它不单单是一个销售机制的成果,还依赖着许多营销行为的支持。归因模型解决的是用某一特定规则来将成果的“功劳”(credit)分配到一系列“因素”中去。这一系列因素在数字营销中体现在消费者与品牌产品互动过程中的每一个接触点(Touch Points)。这个过程我们称为客户旅程(Customer Journey)。我们假设在小明购买了一个ABC充电宝的结果之前有这样一个客户旅程:

  1. 小明在某视频网站上看到该充电宝的15秒广告。
  2. 小明在某贴吧上看到该充电宝的原生广告。因为外观时尚,他产生了一些兴趣并点击广告来到了ABC充电宝网站。
  3. 小明的手机最近经常需要一天两充,下月就要出差。他在搜索引擎中输入“充电宝哪个牌子好?”并点击广告来到ABC充电宝的网站。查看产品信息后离开。
  4. 次日小明在微博中看到关注的其他用户转发的ABC充电宝的促销活动,点击后再次访问了ABC充电宝网站后离开。
  5. 小明圈定了三个牌子的充电宝。再次分别搜索“某某牌子的充电宝怎么样?”,其中搜到ABC品牌时再次来到ABC充电宝的网站。
  6. 在某个论坛上,小明看到一个帖子推荐了ABC充电宝,小明点击了帖子里的链接来到了ABC充电宝网站。
  7. 小明在考虑过程中看到有关充电宝上不了飞机的新闻。并搜索“什么规格的充电宝允许上飞机?”,再次来到了ABC充电宝的网站。他收藏了该页面后离开。
  8. 小明在多次访问ABC充电宝网站后已经对此品牌很熟悉,他还研究了某些电商网站上的价钱和信息。最后决定在官网购买。他通过收藏夹中的链接打开了ABC充电宝网站并支付购买了价值200块的充电宝。

我们在上面看到了一个漫长而又典型的客户旅程。从1~8我们可以用下面这个序列表示: Display>Display>Paid Search>Social>Organic Search>Referral>Paid Search>Direct 我们把这个序列按照Web Analytics和Media Analytics重新组织一下:

  • Web Analytics:Display>Display>Paid Search>Social>Organic Search>Referral>Paid Search>Direct
  • Media Analytics:Display>Display>Paid Search>Social>Organic Search>Referral>Paid Search>Direct

我们可以看到在WA中按照Last Click模型,这200块的收入会是Direct的功劳。换言之,你的视频广告,贴吧广告,微博明星代言,搜索广告全都是白花钱。就连SEO的花销也是徒劳。 同样,在MA中,这200块收入都归功于“充电宝 飞机”这个关键字。你的视频广告,贴吧广告,微博明星代言都是白花钱。“ABC 充电宝”这个关键字也没能转化小明。 也就是说Last Click的归因模型是一种糟糕的、粗暴的、愚蠢的、偷懒的归因模型。它考虑到了直接因素却忽略了所有的间接因素。一个糟糕、粗暴、愚蠢、偷懒的数字营销者下岗是完全可以预料的。

各种归因模型的比较

在上述这个例子中,Web Analytics相较于Media Analytics唯一的弱点是无法捕捉到视频广告这个View-Through Conversion的概念,因为这次互动是被动的,发生在网站之外,不存在点击。我们可以姑且认为WA的模型是比较全面的模型。那么我们如何修正这个糟糕、粗暴、愚蠢、偷懒的模型呢? 我们有其他的模型来参考。如果你对Google Analytics有一定基础知识,那么为了方便理解归因模型,请先去谷歌接入一个Demo账户。地址是 https://support.google.com/analytics/answer/6367342

Google Analytics中的Attribution Model比较

Google Analytics中的Attribution Model比较

我们在Conversions>Attribution>Model Comparison中可以找到各个归因模型的比较。我们默认选择30天为“追溯时间窗口”,转化30天之前再早的行为就不考虑了。 我们可以看到除了Last Interaction(Last Click)模型之外我们还有另外六种常用模型。它们是

  1. Last Non-Direct Click。如果Direct是最后一个点击,那么忽略它,再往前找到最靠后的一个非Direct的点击并把所有“功劳”赋予它。
  2. Last AdWords Click。把全部功劳赋予最后一个AdWords带来的点击。这用于只研究AdWords推广内部关系时。
  3. First Interaction。把所有“功劳”赋予访客在过去30天内第一次接触的互动。这是一种强调“初恋”的模型。
  4. Linear。平均分配功劳到所有参与其中的互动。这是一种“一碗水端平”的模型。
  5. Time Decay。以“近大远小”的方式分配“功劳”给各个互动。此处可以设置半衰期。这是一种“喜新厌旧”的模型。
  6. Position Based。按两头多中间少的方式来分配,最初和最终的交互比中间的更重要。这是一种“大开大合”的模型

如果我们应用除了Last AdWords Click的另外五个模型到我们上面这个例子,结果会有许多不同。

模型/渠道Dis.PPCSoc.Org.Ref.PPCDir.
LC000000200
LNDC000002000
FC200000000
Li.28.628.628.628.628.628.628.6
TD5101520305070
PB808888880
由上表我们可以看出对于各个渠道而言PPC的贡献在这200块的例子中分别是0,200,0,58.2,60和16块。如果我们仅仅看Media的表现。那么我们会在Display和PPC中研究归因,此时Last Non-Direct Click与Last Click一致。
模型/渠道Dis.Dis.PPCPPC
LC000200
FC200000
Li.50505050
TD30405080
PB80202080
由上表中我们可以看到Display和PPC的贡献分别是0:200,200:0,100:100,70:130,100:100。原来我们认为一无是处的展示广告总算洗白了。 我们可以进一步在Paid Search中进行研究。
模型/渠道KW1KW2
LC0200
FC2000
Li.100100
TD80120
PB100100
“ABC 充电宝”和“充电宝 飞机”这两个关键字对这200块收入的贡献分别是0:200,200:0,100:100,80:120,100:100。“ABC充电宝”这个关键字也总算被公正地对待了。解决了这个问题就好比人类在从前一直是认为自己是妈生的,却不知道爹也有功劳。一直认为生男生女是母亲决定,却不知道父亲也参与了性别选择。

最优的归因模型

你可能又要问,那么哪一种归因模型才是最佳归因模型呢?答案是没有任何一种归因模型是最佳的。我们研究归因模型并不是要寻找最佳的归因模型,而是更加充分全面地理解转化前各个因素对转化所起的作用,为的是重视那些被忽略的因素,不过度看中某一因素。回到关键字优化这个问题,当你应用了其他的归因模型你会发现原本你准备删去或者停投的关键字实质上在客户旅途的开始阶段起到重要作用。虽然这些关键字的转化在LC模型中会是0,但是这些关键字决不能被忽略。 在比如当你使用Linear这样的线性模型时,你可以真正发现那些没有参与任何转化的关键字,而这些关键字才是你必须剔除的关键字。你可以在GA中轻松地研究AdWords中关键字的作用。那么百度呢?如果你曾经对你的百度推广打上UTM标签的话,那再容易不过了。

百度推广在GA中的归因模型应用

百度推广在GA中的归因模型应用

首先在Secondary dimension中选择Source / Medium,然后在advanced过滤中指定Source / Mediumbaidu / cpc

写在最后

极诣一直以来都想专门介绍一下归因模型的应用,这次我们借关键字优化粗浅地讨论了一下。作为数字营销者,我们必须掌握分析营销数据的方法,而归因模型便是其中的nitty gritty。再下一次你抱怨某一个营销渠道效果不佳,感到绝望时,不妨再看看是否真的如你看到的那样。当然如果你不在推广开始前部署好数据采集的策略,那么你就只好绝望了。 我们常说用数据说话data driven,重要的不是数据,而是处理呈现数据和说明问题的能力;这种能力的缺失导致了数据收集的不完整,因为你不知道需要什么样的数据。 感谢阅读,感谢关注极诣。