Google Analytics自定义归因模型详解,个性化你的功劳簿

进球和助攻

进球和助攻

Google Analytics在近两年来最大的亮点便是其强大的归因模型工具,这也是为什么GA一直成为“业界标杆”的理由之一。极诣在过去有关数字分析的讨论中曾经介绍过归因模型的概念。我们还举了SEM中的媒体分析的例子来说明归因模型在多个关键字的客户旅程分析中所起的作用。GA为我们提供了7种默认的归因模型。你可以在“转化”>“归因”>“模型对比工具”中尝试比较不同模型对数据视图的影响。注意,你可以点击“转化细分”来只研究一部分转化

GA提供的7种默认的归因模型

GA提供的7种默认的归因模型

“野花哪有家花香”!每一个Business都是独特的,每个网站都有着不同的转化定义和流量来源。极诣将会通过这篇来介绍自定义归因模型的方法。

基本概念

归因模型是为一系列以时间为节点的互动而制定的进行功劳(Credit)分配(Attribution)的规则。它是基于转化价值的分配规则。也就是说如果你还未给你的网站定义目标(Goal)和电子商务跟踪,或者是设置了目标却没有给每一个目标赋一个价值,那么我们现在谈归因模型是毫无意义的。你可以在“管理”>“数据视图”>“目标”中新建目标并赋值。

你需要理解的第二个基本概念是回溯期(Lookback Window),这里定义了纳入讨论范畴的互动将追溯到转化发生前多少天。GA默认的回溯期为30天,你可以最长延长到90天。(值得一提的是GA的Cookie的生存期长达两年。)如果某一次互动发生在转化前的31天,那么默认情况下该互动将不参与到功劳分配中。

第三点你必须要牢记的是你要避免“无互动可分配”的状况。比如你想要将非电邮互动全部设为0,那么当无互动可分的情况下GA将会使用默认的基准模型来分配。换句话说,如果只是一个Paid Search的互动就转化的情况下,即便你将Paid Search的系数设为0,Paid Search依旧可以获得全部功劳。

虽然上述我们看到七种不同的归因模型,但实际上前三种我们可以看作一种。更何况利用自定义的归因模型,我们完全可以定义“最终非直接点击”和“最终AdWords点击”。

线性归因模型(Linear)

线性归因模型是按照“平均主义”将功劳分配在每一次互动上。当我们应用线性归因模型作为基准模型时,我们可以自定义的除了回溯期以外还有“根据用户互动度调整功劳”和“应用自定义的功劳分配规则”两个选项。

基于线性模型的自定义模型

基于线性模型的自定义模型

当我们应用“根据用户互动度调整功劳”时,我们可以选择“浏览页数”或者“网站停留时间”,这样做的效果是浏览了两页的访问会比单页面访问多一倍功劳。同样,耗时三分钟的访问获得的功劳比耗时一分半的访问的功劳多一倍。

“应用自定义的功劳分配规则”是进一步对基准模型微调的重点。首先我们要选择对哪些互动进行微调。在上面的例子里,我们选择的是转化路径中处在辅助位置的互动。这里我们有5个选项:

  1. 不限:任意位置的互动
  2. 第一个:回溯期内的首次互动
  3. 最后一个:转化时那次互动
  4. 辅助:除了转化时那次互动的其他互动
  5. 中间:不是第一和最后一个互动

我们接着可以叠加其他的逻辑,然后为它分配系数。在谷歌的官方说明中把这个系数说明白了,这个系数也可以叠加的。

假定PPC的功劳系数为2的情况比较

假定PPC的功劳系数为2的情况比较

它的计算方法是先将25%乘以2,然后将25%,25%,50%,25%等比调整为总和100%,即20%,20%,40%,20%。需要注意的是这个系数可以是0,那么如果我们之前选择“辅助”,这里选择“0”时,这个自定义的归因模型就等同于标准的最终互动模型。叠加系数的方法是乘法,如果第一个系数是2,第二个系数是0.1,那么同时满足两个条件时会应用两个系数,即2 x 0.1 = 0.2。

补充一下,如果你启用了GA 360,那么你将能够对View-Through Conversion中的广告展示进行功劳分配。

调整展示次数的功劳分配

调整展示次数的功劳分配

首次互动模型(First Interaction)与最终互动模型(Last Interaction)

理解了线性,那么首次互动与最终互动就迎刃而解了。需要注意的是这里需要设置一个后备模型,这个后备模型就是为了我们一开始说的第三点“无互动可分配”的情况。当这个后备模型依然无法适用时,默认模型将会被应用。

根据位置模型(Position Based)

这个基准模型也成为U型模型。该基准模型的自定义大致与线性模型相同,不同的是你可以重新定义两头与中间的功劳分配。

U型模型的三者百分比总和必须为100%

U型模型的三者百分比总和必须为100%

时间衰减模型(Time Decay)

时间衰减模型为基础的模型与线性模型类似。所不同的是提供了半衰期设置。这里给物理化学由体育老师教的同学解释一下。假设半衰期是T那么

m=M(1/2)^(t/T)

其中M为转化时那次互动的功劳,很多时候是最后一次互动。m为回溯期内某一天互动的功劳。t为某一天距离转化日的天数。T为半衰期。由此可见半衰期越小,辅助互动对最终转化的影响和分配到的功劳越小。

半衰期决定了越接近转化的互动影响是否越明显

半衰期决定了越接近转化的互动影响是否越明显

写在最后

至此我们详细介绍了自定义归因模型的方法。通过自定义归因模型,我们可以把Google Analytics这个Web Analytics工具用作Media Analytics工具。在分析媒体时我们要记得只研究有媒体参与的转化,入口就在“转化细分”的筛选条件中。希望你通过极诣的介绍,又对归因模型有了进一步的了解。

感谢阅读,感谢关注极诣。