Tematyka niniejszego artykułu będzie skupiać się konkretnie na dylemacie, który pojawia się w świetle analizy danych reklamowych związanych z działaniami w ekosystemie Meta Ads. Problem, który tutaj występuje, wynika z dualizmu w metodyce raportowania danych pomiędzy narzędziami analitycznymi Meta, a Google Analytics, który to pozwala na agregację danych z wielu kanałów i przedstawienie wyników w szerszym kontekście.
Różnice w modelach atrybucji — istota dylematu
Atrybucja, czyli metodyka klasyfikacji to pojęcie, które powszechnie występuje również w marketingu cyfrowym. Związana jest ona przede wszystkim ze sposobami raportowania danych o konwersjach, które określane są mianem modeli atrybucji. I w tym momencie pojawia się problematyka oceny działań — czy konwersja powinna być zaklasyfikowana do kanału, który był pierwszym punktem interakcji klienta na ścieżce zakupowej (first-click), czy może jednak kluczową wagę miał ten, który był ostatnim przed właściwą konwersją (last-click)? A może jeszcze inny?
Atrybucja odgrywa kluczową rolę w analizie i zrozumieniu skuteczności kampanii reklamowych. Jej niejednorodność potęgowana jest specyfiką podejścia poszczególnych systemów pomiaru. W zależności od przyjętego modelu atrybucji oraz narzędzia, w którym analizujemy pozyskane dane, przypisania konwersji mogą znacznie się różnić, wpływając na ich interpretację i podejmowanie decyzji strategicznych.
Meta Ads — nie tylko kliknięcia
Meta Ads posiada własny system raportowania, który przypisuje konwersję niezależnie od etapu, na którym wystąpi interakcja z reklamą w ekosystemie Meta. Można więc rzec, że nie ma tu znaczenia, czy był to pierwszy, czy ostatni punkt interakcji, co stanowi pierwszą kontrowersję. Kolejną stanowi fakt, iż domyślnie Meta wykorzystuje model, w którym konwersje uwzględnia w wynikach zarówno na podstawie kliknięcia, jak i wyświetlenia. Oznacza to, że są one przypisywane do reklam na podstawie interakcji bezpośrednich (kliknięcia reklamy) oraz pośrednich (wyświetlenie reklamy).
Kontrowersyjne konwersje „po wyświetleniu” — czy słusznie są one ignorowane?
Często mierzymy się z postawą, która deprecjonuje wartość konwersji „po wyświetleniu” z argumentacją, że „przecież tam nie było interakcji z reklamą”. Zgadzam się — nie było. Jednak czy takie bezwzględne podejście jest słuszne?
Wyobraź sobie sytuację, że przeglądasz aktualności na Facebooku, czy Instagramie i trafiasz na reklamę, która przyciąga Twoją uwagę. Dostrzegasz jej przekaz, ale z jakiegoś powodu nie dokonujesz interakcji i kontynuujesz rekonesans po aktualnościach. Mimo wszystko, marka tej reklamy utkwiła Ci w pamięci. Kilka dni później pojawia się potrzeba. Przypominasz sobie o zauważonej wcześniej marce i decydujesz się na zakup produktu tej właśnie marki. Choć bezpośrednio nie doszło do interakcji z reklamą, bezsprzecznie zainicjowała ona Twoją ścieżkę zakupową.
Czy zatem powinniśmy podważać słuszność konwersji „po wyświetleniu” w ocenie skuteczność naszych działań marketingowych? Możemy tutaj doszukać się pewnej analogii względem przekazów reklamowych w mediach tradycyjnych, np. telewizji. Tam również marki stymulują przekazami reklamowymi popyt, który możemy przyrównać do wyświetlenia reklamy w Meta Ads. Choć czas świetności mediów tradycyjnych minął, największe marki nieustannie inwestują w te formaty reklamowe, mając świadomość zawiłości decyzji konsumenckich.
Cenne dane niebezpośrednich punktów styku
Konwersje „po wyświetleniu” dają pełniejszy obraz wpływu kampanii reklamowych. Pomagają one zrozumieć, że nie tylko kliknięcia są ważne, ale też samo wyświetlenie reklamy może mieć znaczący wpływ na podjęcie decyzji zakupowej. Są one cenne także z perspektywy algorytmów. Kampanie, które w swojej optymalizacji wykorzystują dane atrybucji łączącej zarówno kliknięcia, jak i wyświetlenia, często osiągają lepsze rezultaty, co wynika z możliwości agregacji większej ilości danych i tworzenia na potrzeby targetowania dokładniejszego profilu konsumenta, którego będzie cechować większe prawdopodobieństwo konwersji. Można to dostrzec w zestawieniach skuteczności kampanii, nawet jeśli zdecydujemy się porównać dane o konwersjach wyłącznie po kliknięciu.
W wielu sytuacjach konwersje „po wyświetleniu” są częścią modelu wielodotykowego (multi-touch attribution), gdzie różne punkty kontaktu z klientem „współpracują”, prowadząc do ostatecznej sprzedaży. W tym przypadku wyświetleniem wspomagamy inne kanały marketingowe.
A co, gdy trzeba pogodzić wiele kanałów ruchu? Google Analytics
Analizując wyniki w panelach poszczególnych kanałów reklamowych (szczególnie tych, które uwzględniają wyświetlenia) oraz sumując liczbę i wartość konwersji, może się okazać, że znacząco przewyższają one rezultaty, które rzeczywiście występują w panelu sklepowym. Z pomocą przychodzą tu narzędzia, które pozwalają na agregację danych z wielu kanałów, jak np. Google Analytics.
W czasach (wg marketingowych jednostek czasu, można już rzec — bardzo odległych) Universal Analytics w zakresie atrybucji domyślnie opierał się na modelu ostatniego kliknięcia niebezpośredniego last-click. Czy było to słuszne? Niech odpowiedzią będzie po prostu fakt powstania nowej wersji tego narzędzia — Google Analytics 4.
Google Analytics 4 stosuje bardziej zaawansowane podejście do pomiaru danych i oceny konwersji, wykorzystując głównie model atrybucji oparty na danych (data-driven). Oferuje on metodykę atrybucji wykorzystującej algorytmy uczenia maszynowego do analizy wszystkich odnotowanych interakcji klienta z kanałami marketingowymi i cząstkowego (niekoniecznie liniowego, tj. równomiernego) przypisywania udziału w konwersji dla poszczególnych kanałów, które pojawiły się na ścieżce zakupowej. Umożliwia to bardziej precyzyjną ocenę wkładu poszczególnych kanałów w procesie decyzyjnym konsumenta, a dalej — optymalizację strategii marketingowej.
Pamiętajmy jednak, że, Google Analytics 4 w żaden sposób nie uwzględnia w raportowaniu konwersji po wyświetleniu reklamy (tzw. view-through conversions), co oznacza, że są one przypisywane wyłącznie wtedy, gdy można je powiązać z bezpośrednią interakcją użytkownika. Taka różnica w podejściu do atrybucji pokazuje, jak ważne jest zrozumienie mechanizmów działania każdego narzędzia, aby móc skutecznie analizować i optymalizować strategie marketingowe.
Jakie podejście jest słuszne?
Mając już wiedzę dotyczącą metodyki przypisywania konwersji poprzez panel Meta, jak i Google Analytics 4 możemy wrócić do kluczowego pytania — z którego narzędzia powinniśmy korzystać w celu oceny efektywności kampanii Meta Ads?
Warto w tym miejscu zauważyć, że każde narzędzie analityczne ma swoje specyficzne zalety oraz ograniczenia. Wybór narzędzia, a co za tym idzie, metodyki atrybucji, powinien być uzależniony od celów marketingowych, specyfiki branży oraz zachowań docelowej grupy odbiorców.
Google Analytics 4, ze swoim zaawansowanym podejściem do modelowania atrybucji, oferuje bogaty zestaw narzędzi do analizy ścieżek konwersji. Pozwala on na głębsze zrozumienie, jak różne kanały przyczyniają się do konwersji. Podejście oparte na danych umożliwia bardziej precyzyjne i elastyczne zarządzanie kampaniami. Dzięki temu możliwe jest lepsze dostosowanie strategii do rzeczywistych potrzeb i preferencji odbiorców.
Z drugiej strony, systemy takie jak Meta Ads, które mogą uwzględniać konwersje po wyświetleniu, dostarczają informacji o wpływie mniej bezpośrednich form interakcji z reklamą. Dane te są szczególnie cenne w kontekście budowania świadomości marki oraz zrozumienia wpływu reklam wyświetlanych na platformach społecznościowych na decyzje zakupowe.
Zatem — zamiast opierać się wyłącznie na jednym źródle danych, bardziej efektywne może okazać się zastosowanie hybrydowego podejścia, które wykorzystuje mocne strony obu systemów. Integracja danych z różnych platform i krzyżowa interpretacja może dostarczyć kompleksowego obrazu efektywności działań marketingowych, uwzględniając zarówno bezpośrednie interakcje z reklamami, jak i wpływ tych, które generują konwersje “po wyświetleniu”.
Ostatecznie, kluczem do skutecznej strategii marketingowej jest zrozumienie, że różne modele atrybucji służą różnym celom. Decyzja o tym, który z nich jest „słuszny”, nie powinna być podejmowana w oderwaniu od kontekstu konkretnych kampanii i oczekiwanych rezultatów. Testowanie, analiza i ciągła optymalizacja powinny być traktowane jako nieodłączne elementy procesu decyzyjnego, który pozwala na znalezienie najbardziej efektywnego sposobu na mierzenie i poprawę ROI, działań marketingowych.
O czym jeszcze warto pamiętać?
Decydując się na ocenę skuteczności działań, nie możemy tracić z oczu szerszego kontekstu cyfrowego ekosystemu. Problemy związane z integracją danych z różnych źródeł czy wyzwania wynikające z przestrzegania przepisów o ochronie prywatności mogą skutecznie przyczyniać się do zaburzania naszych analiz.
Chociaż mogą one wydawać się nam odległe od bezpośredniego kontekstu skuteczności reklam, są nieodłącznym elementem środowiska, w którym opracowujemy i optymalizujemy działania marketingowe. Mam tu na myśli niuanse, takie jak kwestia ucinania parametrów UTM (Urchin Tracking Module). Wspomniane parametry są nieocenionym narzędziem w śledzeniu efektywności kampanii, pozwalającym na szczegółowe rozróżnienie źródła ruchu, medium, kampanii, treści, czy słowa kluczowego. Jednakże, w wyniku polityki prywatności poszczególnych platform czy błędów w konfiguracji, może dochodzić do ich ucinania lub zniekształcania. W efekcie wpływa to bezpośrednio na dokładność raportowania danych.
W obliczu rosnących ograniczeń związanych z prywatnością, które rezonują między innymi na politykę względem plików cookie, na znaczeniu zyskują bardziej innowacyjne rozwiązania, takie jak interfejsy API umożliwiające kolekcjonowanie danych bezpośrednio z poziomu serwera, Dzięki skupieniu się na monitorowaniu aktywności użytkowników bezpośrednio na serwerze API omija tradycyjne wyzwania związane z ciasteczkami, co pozwala na uniknięcie problemów związanych prywatnością, a także z awariami przeglądarek i narzędziami do blokowania reklam. Rezultatem czego są dokładniejsze dane z prowadzonych działań marketingowych.
Zrozumienie wyzwań, ciągłe dostosowywanie się do zmian i kompleksowa wiedza analityczna z pewnością pomoże w skutecznej nawigacji w złożonym i dynamicznie zmieniającym się krajobrazie digital marketingu. Niech dane będą Twoim kompasem.
