Tijdens het laatste Web Analytics congres kwam het al meerdere malen aan de orde: campagne attributie blijft de interesse wekken, maar niemand lijkt vooralsnog in staat dit daadwerkelijk te modelleren. Welke learnings kun je op dit vlak uit het congres halen? En hoe maak je nu een begin met campagne attributie? In dit artikel zal ik deze vragen proberen te beantwoorden, ondermeer door toe te lichten welke stappen we bij Centraal Beheer Achmea tot nu toe genomen hebben om tot een attributie model te komen.

Learnings

Campagne attributie is BIG DATA
Jeroen Aldenkamp en Stefan Hanekamp van FBTO verwoordden het al op het congres. Organisaties hebben een grote verzameldrang als het gaat om collecteren van data. Dit maakt je enorm flexibel, maar tegelijkertijd ook log. Hoe haal je nu iets zinnigs uit al die data die je collecteert? De heren van FBTO gaven een aantal adviezen, zoals:

• Begin klein: Ga experimenteren met de data, in meerdere ‘baby-steps’ kom je uiteindelijk tot iets groots
• Onderschat de menselijke factor niet: Neem vooral de tijd om met de data te spelen. Achterhaal wat de vragen en doelstellingen van je organisatie zijn.

Deze goede adviezen zijn zeker van toepassing op campagne attributie. Het is in potentie een heleboel data die je, zo adviseert Avinash Kaushik, op verschillende manieren moet bekijken.

Gebruik verschillende invalshoeken
Kaushik verwoordde het mooi op het congres:

“… all direct does is steal credit form someone else…”

En

“Focussing on the ’1st click’ is like crediting my 1st girlfriend for marrying my wife.”

Je hebt verschillende opties als het gaat om het modelleren van je attributie. Kijk je naar first click of last click? Ga je uit van een gelijke verdeling in al je touchpoints (even distribution)? Pas je een bepaalde weging toe op basis van het aantal pageviews? Pas je een correctie toe voor de factor tijd (time decay model)? Kaushik lijkt de voorkeur voor het laatste te hebben, maar adviseert ook om niet één model als waarheid aan te nemen.
Het gaat niet om het creëren van ‘die ene waarheid’, bouw een model dat voor jouw eigen organisatie werkt. Het zal ongetwijfeld niet 100% correct zijn, maar stelt je wel in staat “less wrong” te zijn.

Campagne Attributie vergt aannames
Al deze woorden zijn natuurlijk enorm inspirerend, maar hoe maak je nu een start met campagne attributie? Hoe je het ook wendt of keert, je zult bepaalde aannames moeten doen om tot een model te komen. Op het congres gaf ik aan dat een aantal zaken in ons configuratie panel configureerbaar zijn. Hoever kijk je bijvoorbeeld terug (lookback period)?

Stel: iemand bezoekt jouw website 3x in korte tijd en een half jaar later nog eens 2x. Wanneer in het laatste bezoek een conversie plaats vindt, hebben de 3 bezoeken van een half jaar terug daar dan aan bijgedragen?

Voor het doen van aannames hierover moet de data leidend zijn. Vol enthousiasme zijn we dan ook begonnen met ‘grasduinen’ in de data, waarbij we een aantal vragen hebben proberen te beantwoorden:

• Wat is de gemiddelde time-to-conversion (van initiëren naar converteren)?
• Hoeveel conversies zien we?
• Welke touchpoints hebben er allemaal aan bijgedragen?

De eerste baby-steps

Time-to-conversion
Hoeveel tijd zit er tussen het initiërende bezoek en de conversie, oftewel wat is de time-to-conversion? Daarbij kijken we niet alleen naar het gemiddelde maar ook naar de verdeling en spreiding van de data. Afhankelijk van het soort product of dienst dat je aanbiedt, zal deze in meer of mindere mate scheef verdeeld zijn.

Hierboven tref je een voorbeeld (fictieve cijfers) van een mogelijke verdeling in time-to-conversion met een relatief lange ‘tail’ aan de rechterzijde. Gemiddeld is de time-to-conversion 5,5 dagen. 58% converteert echter binnen 2 dagen! Vervolgens hebben we gekeken naar de grenzen waarbinnen het gros van de bezoekers converteert, hierbij hanteren we de grens van 90% en 95%.

• 80% converteert binnen 3 dagen
• 90% converteert binnen 5 dagen
• 95% converteert binnen 10 dagen

Door hiernaar te kijken kun je met enige zekerheid vaststellen binnen hoeveel tijd na het initiërende bezoek een conversie plaatsvindt. En daarmee kun je de grenzen van je model (hoever kijk je terug?) vaststellen. In dit voorbeeld zou je er dan voor kunnen kiezen om niet verder dan 5 dagen terug te kijken.

Conversies en bijdrage
Op het congres liet Avinash Kaushik een mooi overzicht zien van de verhouding last step conversions versus visits ‘assisted in’. Dit is een mooi startpunt voor een eerste verkenning, het geeft een aardig beeld van de verhouding tussen de laatste interactie en de ondersteunende conversies. Maar wat zegt deze ratio eigenlijk? Persoonlijk vind ik dat onderstaande tabel (fictieve data) een beter beeld geeft.

Het cijfer ‘aandeel assisting visits’ spreekt wat meer tot de verbeelding. Van alle visits met de herkomst Direct hebben er 274 in hetzelfde bezoek geleid tot een conversie. Er waren echter 647 visits vanuit Direct die in een eerder bezoek hebben bijgedragen aan die conversies. Ten opzichte van het totaal aantal visits met dit herkomst type (274+647) is dat 70%. Vergelijk dit met de ratio van Avinash Kaushik (0.42), ik vermoed dat je het percentage beter aan een marketeer of manager uit kunt leggen. Je kunt de verhouding tussen assisting en converting visits ook in een grafiek weergeven, deze zou er dan als volgt uit kunnen zien:

Conversie journey
Het is natuurlijk heel interessant om te weten dat 70% van je directe verkeer ondersteunend is aan een conversie, maar wat kun je hier nu mee? Deze vraag brengt ons terug bij het doel dat we met conversie attributie hebben. Idealiter wil je een goed beeld van de optimale mediamix hebben. Hoe werken de verschillende online middelen samen? En hoe moet je deze inzetten om het maximale eruit te halen? De wetenschap dat het ene middel relatief meer ondersteunende conversies heeft ten opzichte van het andere middel, is dan nog niet voldoende. Het liefst wil je weten of er een gemiddelde conversie journey bestaat en, als dat het geval is, hoe deze eruit ziet.

Mede geïnspireerd door de conversiepaden in Google Analytics zijn we hiermee aan de slag gegaan, en dat bracht ons wederom bij een aantal interessante feiten. We bleken prima in staat de meest voorkomende conversiepaden te achterhalen, maar het riep tegelijkertijd weer een aantal vragen op. Want wat zegt het nu feitelijk dat een bepaald conversiepad meer voorkomt? Uiteraard is het een mooi beginpunt, maar hoe bepaal je nu in hoeverre de verschillende online middelen elkaar beïnvloeden en in welke mate? Dit vergt een nadere analyse van àlle conversiepaden. Hoe vaak komt een bepaald middel voor in een conversiepad? Kunnen we hierin een bepaald patroon herkennen? Zitten bepaalde middelen meer aan het begin of einde van het pad? Deze vragen proberen we op dit moment te beantwoorden in onze attributie analyses. Samen met de wetenschap die we hebben over de time-to-conversion en conversiebijdrage, zou dit ons een stap dichterbij ons attributiemodel moeten brengen.

Resumé

Al lezende wordt bevestigd dat de materie rond campagne attributie lastig is. Het is nu eenmaal een heleboel data (BIG data!) die je om moet zien te smeden naar een bruikbaar model. Dat smeden kost tijd, mede doordat je de data van verschillende invalshoeken moet bekijken. We zijn bij Centraal Beheer Achmea echter klein begonnen en hebben ons de tijd gegund om de eerste stapjes te maken. Voordeel van klein beginnen is wel dat je mijlpaaltjes kunt zetten, waar je acties uit kunt halen. Laat in dat kader vooral je collega marketeers EVEN meekijken bij deze eerste stapjes. Dit helpt je bij het evalueren en verder aanscherpen van je analysewerk.

We zijn er nog niet, maar de beschreven stappen zijn mijns inziens een goede start. Mijn verwachting is dat het jullie ook een stapje dichterbij campagne attributie kan brengen. Ik ben dan ook benieuwd wat jullie ervan vinden.

Gastauteur: Tjaard Prins
Dit artikel is geschreven door Tjaard Prins. Tjaard werkt als webanalist bij Centraal Beheer Achmea en was een van de sprekers op het Web Analytics Congres 2012.