I modelli di attribuzione, detti anche MTA – Multi Touch Attribution –, sono uno strumento con cui aziende e agenzie possono capire quale reale impatto hanno i diversi canali di comunicazione pianificati, permettendo di dare il giusto peso a tutte le interazioni che gli utenti hanno avuto all’interno del customer journey, e non solo all’ultimo touch-point. Il cosiddetto “last interaction” è invece il metro di misura standard che offre gli ad-server ai brand, creando una evidente distorsione delle analisi delle campagne.
Riconoscere il giusto apporto di ogni touch-point è infatti l’aspetto fondamentale dei modelli, soprattutto in un ambiente digitale come quello di oggi in cui gli utenti sono sovraesposti a ogni tipo di comunicazione e utilizzano molti canali differenti per arrivare ai brand. L’analisi dell’impatto dei singoli touch-point deve però essere inserita in un contesto più ampio che permette di avere una chiara lettura dei risultati, razionalizzando così l’enorme quantità di dati a disposizione.
Come si definisce un modello di attribuzione ben strutturato? Grazie alla crescita della pubblicità digitale e alla continua evoluzione delle tecnologie, gli inserzionisti sono in grado di monitorare le digital footprint dei consumatori a un livello molto più granulare e possono ottenere informazioni approfondite sul comportamento dei consumatori e sulle modalità di esposizione pubblicitaria. Ma è anche vero che il customer journey verso un acquisto online è diventato più complicato poiché aumentano le probabilità che i consumatori vengano esposti a più tipi di pubblicità, come display, social e search, ed è qui che la scelta e l’utilizzo del modello di attribuzione fa la differenza: il modello distribuisce il valore di una conversione a ogni touch-point che l’ha generata.
Esistono diversi modelli da quelli più basilari e comuni come i modelli lineari, ai complessi algoritmi che dinamicamente si adattano al contesto in cui si rilevano i risultati e che utilizzano modelli matematici veri e propri.
I modelli di attribuzione cercano una soluzione alternativa alla lettura di dafault, la cosiddetta “last interaction” (o last click) di cui parlavamo all’inizio, ovvero un modello che assegna il 100% del peso per la vendita all’ultimo canale visitato dall’utente prima di effettuare l’azione, o l’acquisto se si pensa all’e-commerce. Questo tipo di lettura presenta però una grossa limitazione nell’identificare canali “assist” senza i quali l’ultimo touch-point non avrebbe avuto tale importanza. E questo potrebbe portare a una errata valutazione, e ottimizzazione, degli investimenti sui diversi canali di comunicazione.
I modelli ad oggi più utilizzati dalle aziende sono quelli di tipo lineare, cioè modelli semplici che distribuiscono il valore dei touch-point in modo predefinito. Sono quelli maggiormente utilizzati per la loro facilità di applicazione e perché disponibili nativamente negli strumenti di analisi, come ad esempio Google Analytics. I principali modelli lineari sono il First Interaction, che assegna il peso maggiore alla prima interazione, il Time Decay che assegna un peso incrementale ai touch-point più vicini alla conversione, o Last Non-Direct che assegna il peso maggiore all’ultimo touch-point non diretto, cioè che non arriva dalle property del brand.
Ma se si vuole offrire al potenziale compratore un percorso che lo porti con maggiore probabilità all’acquisto di un articolo piuttosto che di un servizio, i modelli lineari non sono sufficienti ad aiutare i brand a prendere decisioni informate e quindi a guidare il consumatore all’acquisto finale.
Esistono dunque modelli avanzati di attribuzione che mirano a monitorare come un utente interagisce con diversi canali pubblicitari e le azioni che compie dopo ogni esposizione all'annuncio: in questo caso si parla di Data Driven Attribution Modeling (DDA) o modelli dinamici.
Alcuni di questi modelli di attribuzione sfruttano modelli matematici complessi, come ad esempio le “catene di Markov” o “Il valore di Shapley”, per calcolare l’apporto di ogni singolo touch-point e come questo si combina con gli altri – la compresenza o meno di specifici touch-point determina risultati differenti calcolabili –, al fine di ottimizzare i percorsi che portano ad una conversione e poterne studiare l’andamento.
Il modello delle catene di Markov, nello specifico, ha l’importante caratteristica di tenere in considerazione ogni singolo touch-point che porta alla conversione e di valutare in che ordine questi vengono visitati dall’utente: le previsioni si basano sul movimento attraverso gli stati di un processo stocastico. Ciò rappresenta come cambia la propensione di un visitatore a convertire quando è esposto a diversi touch-point nel tempo. Queste informazioni forniscono un ottimo modo per misurare l'influenza che ogni canale di marketing ha sulla conversione complessiva.
Il metodo del valore di Shapley invece si basa sul contributo marginale di ciascun touch-point per pesare il suo contributo sulla conversione complessiva. È una soluzione ingegnosa che risolve il problema di distribuire equamente il payoff di un gioco tra i giocatori che possono avere un contributo ineguale a quel payoff: simile alla distribuzione del credito per una conversione online tra i touch-point.
Tuttavia, data la complessità di utilizzo di questi modelli, oggi prevalgono ancora le attribuzioni “last interaction” rispetto ai modelli MTA, non tenendo conto così del percorso effettuato dal consumatore per arrivare all’azione richiesta o alla conversione. Un po’ come premiare solo chi segna un gol in una partita di calcio e non tutta la squadra che ha concorso alla vittoria. Il ruolo dell’agenzia è centrale per superare questa distorsione. È infatti importante affiancare il cliente in questo percorso di scelta del modello di attribuzione più corretto e supportarlo nel suo utilizzo, con l’obiettivo di generare un output che sia un contributo attivo alla strategia dando una visione più chiara dello scenario digitale. È importante sottolineare che tutte le informazioni acquisite da tutti i touch-point vanno poi interpretate nel contesto delle informazioni di mercato già in possesso dalle aziende, anche se a volte non ancora valorizzate a pieno. Solo così i brand riusciranno a ottimizzare in modo concreto le conversioni online, potenziando allo stesso tempo l’esperienza del consumatore.
Nel prossimo articolo parleremo dei dati di geocalizzazione per il retail.
Per richieste di informazioni e approfondimenti, scrivere ad alessandra.quatti@havasmg.com.