Veri Odaklı Atıf

Sabit yüzdeler yerine algoritma, dönüşen yolları dönüşmeyenlerle karşılaştırır ve her temas noktasının varlığının dönüşüm olasılığını ne kadar değiştirdiğini tahmin eder. Shapley değerleriyle ilişkili yaklaşımlar bunu, bir kanalın marjinal katkısını göründüğü temasların birçok olası sıralaması üzerinden ortalayarak yapar. Ortaya çıkan ağırlıklar bir gelenekten ödünç alınmaz, kendi verinize uydurulur; bu yüzden aynı kanal bir yolculuk grubunda büyük bir pay, bir başkasında neredeyse hiç pay kazanabilir.

Hem hacim hem çeşitlilik önemlidir. Algoritmanın örüntüyü yakalayacak kadar dönüşen yola, karşılaştıracak kadar dönüşmeyen yola ve zaman zaman birbirinden bağımsız görünen kanallara ihtiyacı vardır. Tüm kampanyalar aynı kitleye kesintisiz çalışıyorsa model hiçbirinin katkısını ayıramaz ve ağırlıklar en güçlü korelasyonun etrafına yerleşir. Bir kanal eklemek ya da durdurmak diğer tüm kanalların payını kaydırır, çünkü karşılaştırma kümesinin kendisi değişmiştir ve model tüm yolları bu yeni kümeye göre yeniden değerlendirir.

Çoğu ekip veri odaklı atıfla bilinçli bir kurulum kararı olarak değil bir platform varsayılanı olarak tanışır; yani model o platformun kısmi yolculuk görüşüne uydurulmuştur ve gerisini göremez. Onu platform içindeki teklif ve kreatif kararlarını yönlendirmek için kullanın, bütçe dağıtımı içinse kural tabanlı kanallar arası bir görünüm tutun. Bir scorecard quizi yeterli tamamlama üretiyorsa, algoritmik model hangi huni adımının yalnızca dönüşümden önce durduğunu değil gerçekten ikna ettiğini gösterebilir.

Çıktı bir insan tarafından denetlenemez. Ağırlıkları görürsünüz ama gerekçeyi göremezsiniz; ne siz ne de sağlayıcı bir kanalın geçen ay payının yüzde onunu neden kaybettiğini yeniden kuramaz. Düşük hacim, hiçbir kampanya değişmeden oynayan kararsız ağırlıklar üretir ve model yine kaydedilmiş yollar içindeki korelasyonu ölçer; izlenmeyen kanallar basit kurallardaki gibi görünmez kalır. Sonuç olarak veri odaklı atıf katkının daha iyi bir tahminini verir, ama nedenselliğin kanıtını vermez.

Sıralamaya güvenmeden önce ağırlıkların kararlılığını izleyin. Her kanalın yazılan payını haftalık kaydedin ve bütçe değişmeyen dönemlerde ne kadar oynadığına bakın. Geniş salınım gösteren ağırlıklar modelin gürültüye uyduğunu gösterir; bunun nedeni genellikle karşılaştırmaya giren kanal ve kampanya sayısına göre dönüşüm hacminin fazla ince kalmasıdır; bu durumda sıralamayı bütçe kararına dayanak yapmayın.

Sonra algoritmanın göremeyeceği bir şeye karşı akıl sağlığı kontrolü yapın. Kanal sıralamasını basit bir ilk temas ve son temas ikilisiyle karşılaştırın; ayrıştıkları yerde tartışmalı kanalda harcama holdout'u çalıştırın. Holdout'tan sağ çıkan veri odaklı pay bütçelenmeye değer. Harcama durunca kaybolan pay, modelin katkıdan ayırt edemediği korelasyondu.

Ekipler çeyreğin ortasında bir platformu veri odaklı atfa geçirir ve raporlanan dönüşümlerdeki değişimi performans değişimi diye okur. Kampanyalar değil muhasebe değişmiştir. Modeli tam bir raporlama dönemi boyunca sabitleyin, araç izin veriyorsa önceki modeli paralel çalıştırın ve geçiş tarihini bu tarihi kapsayan her grafiğe not düşün ki sonraki okuyucular ne olduğunu görebilsin.

İkinci hata, algoritmayı nedenin yanıtı saymaktır. Model kendini açıklayamadığı için ekipler ağırlık değişimlerine açıklama uydurur ve sonra bu uydurmalara göre hareket eder. Bir kanalın payı sert biçimde oynadığında önce dönüşüm hacminin, kampanya bileşiminin veya izleme kurulumunun değişip değişmediğine bakın. Üçü de sabit kaldıysa değişimi gerçek bir davranış farkı olarak araştırmaya değer.