El modelo de atribución basado en datos

Índice de contenidos

data-driven-hero-v2

Fuente: http://analytics.blogspot.com.es/

 

Una funcionalidad de Google Analytics de la que no habíamos hablado todavía es Data-Driven Attribution o el modelo de atribución basado en datos.

Establecer un modelo de atribución multicanal realista es complejo y, normalmente, algo que hacemos utilizando criterios bastante subjetivos. Sabemos las combinaciones de canales que mejores resultados nos están dando, pero es difícil valorar el mérito de cada integrante de esas secuencias de contacto. Con esta funcionalidad, Google Analytics nos ahorra ese trabajo. Y, además, lo hace de una manera algorítmica.

Utiliza como base la información de rutas de conversión del embudo multicanal, así como los datos de flujo de comportamiento de aquellos usuarios que no convierten.  Para ser más concretos, además de los datos del tráfico procedente de búsquedas orgánicas, del directo y del de referencia, el método Data-Driven Attribution analiza los datos de todos los productos de Google que hayamos enlazado con Analytics, como AdWords, la red de display de Google o DoubleClick for Advertisers. También incorpora la información de costes que hayamos podido importar. Necesitaremos, como es natural, tener activo el seguimiento de comercio electrónico y definidos los objetivos.

Con toda esta información, detecta cómo la presencia de un punto de contacto comercial en particular (definida por el tipo de canal y su posición relativa a otros puntos de contacto) se relaciona con cambios en la tasa de conversión.

 

Ejemplo de modelo

Informe del explorador del modelo. (Fuente: http://analytics.blogspot.com.es/)

Es decir, los modelos probabilísticos resultantes muestran la probabilidad de que un usuario realice una conversión en un punto determinado de la ruta, dada una secuencia particular de eventos. Es importante destacar que el algoritmo tiene en cuenta el orden en el que un determinado punto de contacto entra en juego. Por ejemplo, “Display precediendo a Búsqueda de Pago” se modela por separado de “Búsqueda de Pago precediendo a Display”.

Vemos un ejemplo (simplificando un poco): Tenemos una combinación de Búsqueda Orgánica, Display e Email (en ese orden) que arroja un 3% de probabilidades de conversión. Cuando eliminamos Display, la probabilidad baja a un 2%. El incremento del 50% observado cuando Display está presente sirve de base para el cálculo de atribución.

data-driven-how-it-works

Fuente: http://analytics.blogspot.com.es/

No solo es una manera mucho más avanzada de establecer el modelo sino que, así como la información en la que se basa es cambiante en el tiempo, también lo es el modelo, que se autoajusta en función esas posibles variaciones. Una vez habilitada esta funcionalidad, comienza inmediatamente a recoger datos. Tendremos el primer modelo a los 7 días, actualizándose éste con una frecuencia semanal.

Aunque el algoritmo utilizado es el que desarrolló el premio Nobel de economía Lloyd S. Shapley para la justa distribución de los resultados de un equipo entre sus miembros, el analista no tiene por qué abandonar su actual modelo de atribución para abrazar “a ciegas” el nuevo que nos presenta Google. Éste está disponible junto a los tradicionales en la herramienta de comparación de modelos de atribución y en el informe de análisis del ROI.

Desde este último, si vemos que ciertos canales tienen un éxito mucho mayor que el resto (mejores valores para el ROAS o el CPA, por ejemplo) según los cálculos obtenidos por el modelo de atribución basado en datos, podemos plantearnos incrementar nuestra inversión en dichos canales. En la misma línea, si detectamos canales que no funcionan bien bajo el prisma de este modelo, deberíamos revisar nuestra estrategia de marketing al respecto y optimizar nuestros  esfuerzos en ellos.

Podemos, y así lo recomiendan desde Google, ir adquiriendo confianza en el modelo gradualmente, poniéndolo a prueba de manera controlada. Se trataría de trabajar sobre combinaciones concretas de canal y tipo de objetivo que éste nos destaque (por el lado positivo o todo lo contrario) y verificar después si el resultado es el previsto. Llegados a un punto, podríamos dejar de lado las comparaciones con anteriores modelos y trabajar en exclusiva con éste.

De hecho, si nuestro negocio online está arrancando, no tendremos más remedio que comenzar a trabajar con uno de los modelos basados en reglas hasta alcanzar el volumen de datos de entrada mínimo a partir del cual puede realizar sus cálculos el nuevo: 10,000 rutas y 400 conversiones por tipo al mes.

En resumen, el modelo de atribución basado en datos es una estupenda funcionalidad. Con los modelos actuales ya vemos qué secuencias de canales funcionan mejor. Con el que estamos tratando, vamos un paso más allá y obtenemos una medida de la efectividad de cada canal en cada posición de esas secuencias. Es más, combinando esos valores con los datos de e-commerce y de costes de campaña, obtenemos un cálculo adecuadamente ponderado de su rentabilidad.

Por último,hay que señalar que se trata de algo concebido para la versión Premium de Google Analytics, sin previsión de incorporarlo también a la versión gratuita. Casi un año después, sigue estando solo disponible para la herramienta de pago y sin visos de que esto cambie. Un aliciente más (y no pequeño) para que todos aquellos a los que nos preocupa la precisión a la hora de evaluar la rentabilidad de nuestras campañas de marketing, demos el paso hacia la “hermana mayor” de esta herramienta de analítica web.

 

Share on facebook
Share on twitter
Share on linkedin
Share on email
3 min
Suscríbete a nuestra newsletter

Los mejores artículos de analítica digital para potenciar tu negocio.

2 comentarios en “El modelo de atribución basado en datos”

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Entradas relacionadas

Guía básica de ungit, herramienta de control de versiones en datalab

Ungit es la herramienta de control de versiones de código abierto que viene directamente integrada en DataLab, de Google Cloud Platform. En este post encontrarás una guía básica de cómo utilizar ungit y los conceptos clave sobre control de versiones. Si quieres saber más sobre Datalab te recomendamos que veas nuestro post: ¿Qué es google

Guía básica para crear una propiedad Google Analytics 4

Google Analytics 4 (GA4) es la nueva generación de Google Analytics, antes conocida como Google Analytics App+Web. El lanzamiento de GA4 comporta la llegada de nuevos informes y capacidades que dan más potencia a tu herramienta de analítica. Para empezar a familiarizarte con ella, te explicamos paso a paso cómo crear una propiedad GA4 y

Todo lo que necesitas saber sobre el lanzamiento de GTM server-side

Hasta ahora, las soluciones de tag managers como GTM se basaban en inyectar una librería y procesar toda la información en el navegador, ejecutando las solicitudes de seguimiento directamente desde el lado del cliente (navegador) a servidores de terceros. Con la llegada del nuevo contenedor de GTM server-side se agrega una capa adicional de administración

BigQuery Omni: nueva herramienta multi-cloud de GCP para el análisis de datos

Lanzamiento BigQuery Omni BigQuery Omni de Google Cloud es una nueva solución multi-cloud de análisis de datos, impulsada por Anthos, la plataforma de Google que integra aplicaciones híbridas y multi-cloud.  Omni permite a los usuarios ejecutar BigQuery para analizar datos de las nubes de Amazon AWS y Microsoft Azure.  El coste de mover datos entre

Ir arriba

Esta web utiliza ‘cookies’ de terceros. Al clicar aceptar está aceptando el uso que realizamos de las cookies. Para más información puede consultar nuestra Política de cookies