Atribuce v 2022
Atribuce
SAMOTNÁ
- co to vlastně je
- základní rozdělení
Jak správně
vyhodnocovat?
kvalita dat sběr dat
interpretace predikce
Jak správně
vyhodnocovat?
kvalita dat sběr dat
predikceinterpretace
Generic Paid Search Organic SearchDisplay Network
nákup
nákup
+1
Generic Paid Search Organic SearchDisplay Network
nákup
last click - Google Analytics
realita
Generic Paid Search Organic SearchDisplay Network
nákup
+1
Generic Paid Search Organic SearchDisplay Network
nákup
last click - očekávání Sklik
realita
nákup
+1
Generic Paid Search Organic SearchDisplay Network
nákup
last click - očekávání Google Ads
realita
Generic Paid SearchDisplay Network
nákup
+1
Generic Paid Search Organic SearchDisplay Network
nákup
last click - očekávání Facebook Ads
realita
Generic Paid Search Organic SearchDisplay Network
nákup
+1 +1 +1
last click - očekávání všechny platformy
nákup
+1
Generic Paid Search Organic SearchDisplay Network
last click - Google Analytics
Základní (rule-based)
ATRIBUČNÍ MODELY
Algorithmic / data-driven
ATRIBUČNÍ MODELY
- Shapley based;
- Markov chain based.
POWERED BY DATA SCOPE DATA SOURCE SCALABILITY
Data Driven
Dynamic algorithms
assign credits to
touch points based
on fractional
credit
Takes
converting and
non-converting
paths
into account
100% based on
advertiser’s
own data.
Conversions and/or
GA imported goals.
(learns over time)
Auto updated
based on
performance
Rules based
Fixed, static
rules assign
credits to
touchpoints
Takes only
converting paths
into account
Advertiser can
choose model but
no customization
is available
Must be manually
revisited
Na co si dát pozor
U ATRIBUCE
- kontrola a správné nastavení sbírání dat (zejména konverze,
zdroje);
- konzistence používání modelu.
Úvod
TECHNICKÝ
- co se děje při vstupu na stránku
- rozřazení návštěvy
- opakované návštěvy
https://support.google.com/analytics/answer/6205762
Atribuce
COOKIE CONSENT, COOKIES 3. STRAN
- legislativní požadavky;
- vývoj ze strany prohlížečů;
- dopad na GA, jiné nástroje.
Atribuce
CO SI ODNÉST
- nebrat doslovně, ale spíš jako námět pro další práci
- všechny modely jsou špatně, ale některé jsou užitečné
- problém není většinou v modelu, ale ve sběru dat a jejich kvalitě