วิธีการและโมเดล: คู่มือการกำหนดคุณลักษณะแบบมัลติทัช

การกำหนดคุณลักษณะแบบมัลติทัชเป็นศาสตร์ที่กว้างขวางซึ่งรวมวิธีการและรูปแบบต่างๆ ไว้มากมาย การทราบว่ารูปแบบใดเหมาะสมกับความต้องการทางธุรกิจของคุณนั้นขึ้นอยู่กับสิ่งที่คุณต้องการทำกับผลลัพธ์

บทความนี้จะอธิบายหลักพื้นฐานของ การกำหนดคุณลักษณะแบบมัลติทัช เน้นย้ำถึงความแตกต่างในวิธีการและรูปแบบที่มีอยู่ และช่วยให้คุณเลือกรูปแบบที่เหมาะสมกับธุรกิจของคุณได้

Multi-Touch Attribution คืออะไร?

การกำหนดคุณค่าแบบมัลติทัชเป็นเทคนิคการวัดประสิทธิภาพการตลาดที่นำจุดสัมผัสทั้งหมดในการเดินทางของผู้บริโภคมาพิจารณา และกำหนดเครดิตเศษส่วนให้กับแต่ละจุดเพื่อให้นักการตลาดสามารถดูได้ว่าแต่ละช่องทางมีอิทธิพลต่อการขายมากเพียงใด

การกำหนดคุณค่าแบบมัลติทัชเสนอทางเลือกที่ซับซ้อนกว่าแนวทางการกำหนดคุณค่าแบบดั้งเดิมที่ใช้กฎเกณฑ์ เช่น การสัมผัสครั้งแรกและครั้งสุดท้าย ซึ่งจะให้เครดิตทั้งหมดแก่จุดสัมผัสทางการตลาดครั้งแรกหรือครั้งสุดท้ายก่อนที่ผู้บริโภคจะทำการแปลงผ่านการซื้อ ดาวน์โหลด หรือเหตุการณ์อื่นๆ

การใช้กฎเกณฑ์ที่ไม่แน่นอนทำให้วิธีการเหล่านี้ล้มเหลวในการวัดผลการมีส่วนร่วมของทุกจุดสัมผัสในการเดินทางของผู้บริโภคอย่างแม่นยำ ส่งผลให้ผู้ทำการตลาดต้องตัดสินใจโดยอิงจากข้อมูลที่เบี่ยงเบน

การกำหนดคุณค่าแบบมัลติทัชช่วยขจัดอคติด้วยการจัดสรรเครดิตตามอัลกอริธึมให้กับทุกองค์ประกอบของทุกจุดสัมผัสในการเดินทางของผู้บริโภค ผ่านช่องทางและกลวิธีทางการตลาดและการโฆษณา ตามอิทธิพลที่มีต่อการขับเคลื่อนเหตุการณ์การแปลง

โดยการใช้ประโยชน์จากข้อมูลในระดับผู้ใช้แต่ละบุคคลผ่านช่องทางที่ระบุได้ เช่น การส่งทางไปรษณีย์ การแสดงผลออนไลน์ และการค้นหาแบบชำระเงิน การคำนวณคุณค่าแบบมัลติทัชจะคำนวณและกำหนดเครดิตสำหรับเหตุการณ์ตัวชี้วัดประสิทธิภาพหลัก (KPI) ให้กับจุดสัมผัสทางการตลาดที่มีอิทธิพลต่อผลลัพธ์ทางธุรกิจที่ต้องการ

ข้อมูลเชิงลึกเกี่ยวกับประสิทธิภาพในอดีตเหล่านี้ยังสามารถใช้เพื่อแจ้งการตัดสินใจในการวางแผนและเพิ่มประสิทธิภาพสำหรับแคมเปญในอนาคตและแคมเปญที่กำลังดำเนินการอยู่ได้อย่างมีประสิทธิภาพและประสิทธิผลยิ่งขึ้น

การเลือกโมเดลการกำหนดคุณลักษณะแบบมัลติทัช

มีโมเดลการกำหนดคุณลักษณะแบบมัลติทัชหลายประเภท และระดับความซับซ้อนของแต่ละโมเดลอาจแตกต่างกันอย่างมาก

วิธีการที่ใช้กฎเกณฑ์เป็นหลักนั้นมีความแตกต่างกันไป เนื่องจากอาศัยนักการตลาดในการกำหนดกฎเกณฑ์ในการจัดสรรเครดิตให้กับจุดต่างๆ หนึ่งจุดหรือหลายจุดในการเดินทางของผู้บริโภค

เมื่อเปรียบเทียบกันแล้ว วิธีการเชิงอัลกอริทึมจะใช้เทคนิคการสร้างแบบจำลองเชิงสถิติและการเรียนรู้ของเครื่องจักร ผลลัพธ์ของแบบจำลองเชิงอัลกอริทึมสามารถใช้คาดการณ์ผลลัพธ์เพื่อช่วยให้นักการตลาดวางแผนหรือปรับให้ความพยายามทางการตลาดในอนาคตเหมาะสมที่สุด

แต่แม้แต่โมเดลอัลกอริทึมก็ยังแตกต่างกันในแง่ของความซับซ้อนและความละเอียดของการคาดการณ์

ไม่ว่าจะใช้วิธีใดก็ตาม โมเดลการกำหนดคุณค่าแบบมัลติทัชทั้งหมดช่วยให้ผู้ทำการตลาดกำหนดผลกระทบของการลงทุนด้านการตลาดได้ในระดับรายละเอียด โดยการกำหนดเครดิตสำหรับเหตุการณ์ KPI (เช่น การแปลง ลูกค้าเป้าหมาย ฯลฯ) ให้กับจุดสัมผัสหนึ่งจุดหรือหลายจุด

ต่อไปนี้เป็นภาพรวมของโมเดลการกำหนดคุณลักษณะทั่วไปหลายแบบ:

การกำหนดคุณลักษณะแบบสัมผัสเดียวตามกฎ:

การสัมผัสครั้งสุดท้าย: ในโมเดลการสัมผัสครั้งสุดท้าย จุดสัมผัสครั้งสุดท้ายในการเดินทางของผู้บริโภคจะได้รับเครดิต 100% สำหรับกิจกรรม KPI เนื่องจากโมเดลนี้เคยเป็นวิธีการวัดผลการตลาดแบบเริ่มต้น นักการตลาดจึงมักใช้โมเดลนี้เป็นพื้นฐานในการเปรียบเทียบโมเดลการกำหนดคุณลักษณะแบบมัลติทัชอื่นๆ

การสัมผัสครั้งแรก: ในโมเดลการสัมผัสครั้งแรก จุดสัมผัสครั้งแรกในการเดินทางของผู้บริโภคจะได้รับเครดิต 100% สำหรับกิจกรรม KPI นักการตลาดมักใช้โมเดลนี้เพื่อวัดความพยายามทางการตลาดที่มุ่งหมายเพื่อกระตุ้นการรับรู้โดยเข้าถึงผู้บริโภครายใหม่เป็นครั้งแรก

การกำหนดคุณลักษณะแบบมัลติทัชตามกฎ

การถ่วงน้ำหนักแบบเท่ากัน: ในโมเดลการถ่วงน้ำหนักแบบเท่ากัน ซึ่งเรียกอีกอย่างว่าโมเดลเชิงเส้น จุดสัมผัสทั้งหมดในการเดินทางของผู้บริโภคจะได้รับเครดิตเท่ากันสำหรับเหตุการณ์ KPI นักการตลาดมักใช้โมเดลนี้เพื่อวัดความพยายามทางการตลาดที่มีวงจรการพิจารณาที่ยาวนาน ดังนั้นจึงมีความสำคัญที่จะต้องย้ำข้อความซ้ำหลายครั้งตลอดการเดินทางของผู้บริโภค นอกจากนี้ยังเป็นจุดเริ่มต้นที่ดีสำหรับนักการตลาดที่เพิ่งเริ่มต้นใช้การกำหนดคุณลักษณะแบบมัลติทัชและยังไม่มีความเข้าใจเกี่ยวกับการเดินทางของผู้บริโภคทั่วไปในช่องทางต่างๆ

ตามตำแหน่ง: ในโมเดลตามตำแหน่ง ซึ่งเรียกอีกอย่างว่าโมเดลอ่างอาบน้ำหรือรูปตัว U จุดสัมผัสแรกและจุดสุดท้ายในการเดินทางของผู้บริโภคจะได้รับเครดิตเป็นเปอร์เซ็นต์ที่สูงกว่าจุดสัมผัสระหว่างนั้น นักการตลาดมักใช้โมเดลนี้เมื่อต้องการให้ความสำคัญกับจุดสัมผัสที่ “เปิด” และ “ปิด” มากกว่าจุดสัมผัสที่ “สนับสนุน” ในช่วงกลางของการเดินทางของผู้บริโภค

การเสื่อมลงตามเวลา: ในโมเดลการเสื่อมลงตามเวลา เปอร์เซ็นต์ของเครดิตจะค่อยๆ เพิ่มขึ้นในขณะที่นำไปสู่จุดสัมผัสสุดท้ายในการเดินทางของผู้บริโภค นักการตลาดมักใช้โมเดลนี้เพื่อวัดความพยายามทางการตลาดที่มีวงจรการพิจารณาระยะสั้น เช่น แคมเปญส่งเสริมการขาย

การระบุคุณลักษณะแบบมัลติทัชแบบอัลกอริธึม

การระบุคุณค่าแบบเศษส่วน: การระบุคุณค่าแบบเศษส่วนใช้การเรียนรู้ของเครื่องจักรในการคำนวณและกำหนดเครดิตแบบเศษส่วนสำหรับตัวชี้วัดความสำเร็จที่กำหนดให้กับจุดสัมผัสและมิติทางการตลาดที่มีอิทธิพล (แคมเปญ ตำแหน่ง ผู้เผยแพร่ งานสร้างสรรค์ ข้อเสนอ ฯลฯ) ตลอดการเดินทางของผู้บริโภค และเพื่อแจ้งให้ทราบถึงการจัดสรรค่าใช้จ่ายทางการตลาดในอนาคต

นักการตลาดไม่เพียงแต่สามารถเข้าใจการจัดสรรงบประมาณที่เหมาะสมที่สุดในระดับช่องทางและช่องทางย่อยเท่านั้น แต่ยังเข้าใจในระดับที่ละเอียดที่สุด เช่น คำหลัก ตำแหน่ง และความคิดสร้างสรรค์อีกด้วย โดยแบบจำลองจะถูกสร้างขึ้นใหม่บ่อยถึงวันละครั้ง ดังนั้นนักการตลาดจึงสามารถตัดสินใจเพิ่มประสิทธิภาพได้ในขณะที่แคมเปญยังอยู่ระหว่างดำเนินการ

การกำหนดคุณลักษณะแบบเพิ่มขึ้น: การเพิ่มขึ้นคือการวัดการเพิ่มขึ้นของค่าใช้จ่ายโฆษณาต่ออัตราการแปลง การเพิ่มขึ้นนั้นเหมาะที่สุดที่จะใช้ในการกำหนดไม่เพียงแค่ว่าจะจัดสรรงบประมาณที่ไหนเท่านั้น แต่ยังรวมถึงว่าจะจัดสรรงบประมาณเท่าใดด้วย

นักการตลาดสามารถกำหนดได้ว่าแคมเปญ งานสร้างสรรค์ และการจัดวางใดมีประสิทธิภาพดีที่สุด และควรลงทุนในสิ่งเหล่านั้นหรือไม่ การเพิ่มขึ้นยังคำนึงถึงปัจจัยอื่นๆ เช่น การรับรู้แบรนด์ที่มีอยู่ก่อนและปัจจัยด้านประชากรศาสตร์ ในขณะที่การจัดสรรแบบเศษส่วนไม่ได้คำนึงถึงปัจจัยเหล่านี้

รุ่นไหนเหมาะกับคุณที่สุด?

ในยุคที่นักการตลาดต้องรับผิดชอบต่อผลลัพธ์มากขึ้นเรื่อยๆ แนวทางใดๆ เหล่านี้ก็ดีกว่าการวัดผลแบบแยกส่วนหรือไม่มีการวัดผลเลย วิธีการเหล่านี้จะช่วยให้คุณเข้าใจเส้นทางของผู้บริโภคที่คุณไม่เคยรู้มาก่อน

ท้ายที่สุด การตัดสินใจว่าโซลูชันการกำหนดคุณลักษณะแบบมัลติทัชใดเหมาะสมกับคุณขึ้นอยู่กับเป้าหมาย ความต้องการทางธุรกิจ และวิธีที่คุณต้องการใช้เอาต์พุตเพื่อปรับปรุงประสิทธิภาพการตลาดของคุณ

ดาวน์โหลด e-book นี้ เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการระบุแหล่งที่มา