Model oparty na danych (ang. Data-driven attribution) to inteligentny i domyślny model w ekosystemie Google Analytics 4. W przeciwieństwie do tradycyjnych modeli nie opiera się na sztywnych regułach.
System analizuje unikalne zachowania użytkowników na ścieżkach, które doprowadziły do transakcji, oraz porównuje je ze ścieżkami osób, które ostatecznie nic nie kupiły. Wykorzystując metodę przeciwstawnej hipotezy, algorytm ocenia, co mogłoby się wydarzyć, gdyby dany punkt styku nie pojawił się na drodze klienta, i na tej podstawie wylicza realne prawdopodobieństwo oraz przypisuje udział.
Model bierze pod uwagę czynniki takie jak:
- czas, który upłynął od interakcji do konwersji,
- rodzaj urządzenia,
- liczba interakcji z reklamami oraz kolejność ich ekspozycji,
- typy zasobów zastosowanej kreacji reklamowej.
Przykłady działania (Dynamiczne ścieżki konwersji)
Ponieważ udziały są wyliczane dynamicznie przez algorytm, nawet identyczne układy kanałów mogą dawać zupełnie inne wyniki w zależności od branży i zachowań konsumentów. Oto przykładowe przypisania wag:
Sieć reklamowa Media społecznościowe Płatne wyszukiwania Bezpłatne wyszukiwania
Dynamiczny wynik algorytmu: Bezpłatne wyszukiwania (55%), Płatne wyszukiwania (25%), Sieć reklamowa (15%), Media społecznościowe (5%).
Sieć reklamowa Media społecznościowe Płatne wyszukiwania E-mail
Dynamiczny wynik algorytmu: E-mail (70%), Sieć reklamowa (15%), Płatne wyszukiwania (10%), Media społecznościowe (5%).
Sieć reklamowa Media społecznościowe Płatne wyszukiwania Wejścia bezpośrednie
Dynamiczny wynik algorytmu: Wejście bezpośrednie zostaje pominięte. System rozdzielił budżet na pozostałe kanały w następujący sposób: Płatne wyszukiwania (60%), Sieć reklamowa (30%), Media społecznościowe (10%).
Podsumowanie modelu Data-driven
Zalety
- Maksymalna precyzja danych - Dostarcza najbardziej realistyczny obraz tego, które kampanie i kreacje marketingowe faktycznie decydują o konwersji.
- Elastyczność i automatyzacja - Samodzielnie dopasowuje się do zmian w zachowaniach użytkowników oraz sezonowości bez konieczności ręcznych modyfikacji reguł.
Wady
- Brak pełnej transparentności (Efekt „czarnej skrzynki”) - Tylko Google zna dokładną sprawność i sposób działania algorytmów uczenia maszynowego. Analitycy nie mają wglądu w surowe wzory matematyczne.
- Zależność od ilości danych - Aby algorytmy sztucznej inteligencji mogły poprawnie i stabilnie szacować prawdopodobieństwo, konto potrzebuje stałego dopływu odpowiedniej liczby konwersji i interakcji użytkowników.
Więcej o modelach atrybucji: Model Last Click, Model First Click, Model liniowy, Model z uwzględnieniem pozycji, Model spadku udziału z upływem czasu