אנחנו, מיוחסים?! על מודלים של ייחוס בגוגל אדס

היה היה פעם, לפני שנים רבות, לקוח שבחר לפרסם את עצמו רק באמצעות קמפיין מותג. למה? כי לפי גוגל, כל ההמרות שלו הגיעו מקמפיין מותג, בעוד שקמפיינים אחרים "שרפו" לו כסף ולא המירו. כיבה הלקוח את הקמפיינים הנוספים והפלא ופלא, כמות ההמרות מקמפיין מותג צנחה פלאים.

אבל איך זה ייתכן? Well, כי כמו שכתבתי במשפט הראשון – זה היה לפני שנים רבות, בתקופה בה נהוג היה לייחס המרה לקליק האחרון ממנה היא הגיעה.

בואו נחשוב על זה לרגע. אם חיפשתי שמלת ערב, נחשפתי למודעה של מעצב, שעלתה בגין שאילתת חיפוש כללית – שמלות ערב בתל אביב; נכנסתי לאתר, הצצתי בקולקציה, נטשתי. וכך נדדתי לי בין אתרים שונים, אך משהו בי זכר לטובה את המעצב ההוא, וחזרתי לחפש את שמו בשנית. כעת, המודעה שקיבלתי היא מקמפיין המותג שלו, בגין חיפוש שמו. נכנסתי, המרתי, והמעצב השמח וטוב הלבב הבין מדוח גוגל אדס שלו שקמפיין מותג ממיר מצוין, ואילו קמפיין "שמלות ערב" סתם מבזבז לו כסף.

אבל בפועל, אם לא הייתי נחשפת למודעה של הקמפיין הכללי, מניין הייתי יכולה להכיר את המותג, שהוא שם המעצב שחיפשתי, כדי להגיע לקמפיין המותג שממנו המרתי?

בואו נחזור לימינו אנו. היום יש באפשרותנו לספק ללקוח, ולעצמנו, דוח הרבה יותר חכם, שנותן מושג לגבי כלל הקמפיינים שלקחו חלק בדרך אל ההמרה המיוחלת. לפי מודל ייחוס שאינו last click, הלקוח שלנו יבין שלולא קמפיין המוצר שלו, לא הייתה לי שום דרך אחרת להכיר את השם שלו! אז בעצם, קמפיין המוצר שלו הוא גם קמפיין שהמיר? לא באופן ישיר, אבל הוא בהחלט אחראי להמרה וצריך לקבל עליה את הקרדיט 😊

אילו סוגי ייחוס המרות קיימים בגוגל אדס?

הבה נבחן את סוגי הייחוס השונים, ונבין מה כל אחד תורם להבנה שלנו, ובאיזה מודל נבחר להשתמש עבור איזה חשבון.

מודל ייחוס המרות מבוסס נתונים (DDA – Data Driven Attribution)

מודל זה זמין רק למפרסמים מסוימים, שהחשבון שלהם מכיל היסטוריית נתונים עשירה מספיק. כדי שמודל זה יפעל, על החשבון לייצר לפחות 15,000 קליקים ו-600 המרות על פני תקופה של 30 יום.

מודל זה מחלק את הקרדיט בעבור ההמרה שבוצעה לפי הנתונים שתועדו בחשבון אודות פעולת ההמרה, ובעצם מחשב את תרומתה של כל מילת מפתח בנתיב ההמרות.

בעולם המפרסמים, מודל זה נקרא "הגביע הקדוש של מודלי הייחוס", היות והוא נותן קרדיט להמרות על בסיס החיפושים של הגולשים ועל בסיס מה שהניע אותם להפוך ללקוחות. כלומר, כל ביטוי לאורך משפך ההמרה מקבל את הקרדיט האמיתי, בהתאם לתרומתו המדויקת לביצוע המרה. המערכת יודעת להשוות בין מסלולי ההקלקה של גולשים שהמירו, לבין כאלה שלא ביצעו המרה בסופו של דבר, ולזהות דפוסים של

 שלבים בחיפוש שהינם בעלי סבירות גבוהה יותר להוביל להמרה.

אם החשבון שלכם עומד בתנאי הסף – זהו בהחלט מודל הייחוס שתרצו לבחור בו.

מודל ייחוס דעיכה לאורך זמן (Time Decay)

מודל זה מחלק את הקרדיט בהתאם לזמן שחלף בין הקליק להמרה. ככל שהקליק התרחש סמוך יותר למועד ההמרה, הוא יקבל קרדיט גבוה יותר בעבור ההמרה.

מודל זה יעיל באם אנו מעוניינים שהמערכת תבצע אופטימיזציה לכיוון הכלי שמקרב אותנו הכי קרוב להמרה בפועל.

מודל ייחוס מבוסס מיקום (Position Based)

כאן יש חלוקה שוויונית יותר –

40% מהקרדיט ילך למודעה שהביאה את הקליק הראשון, 40% ילכו למודעה / הביטוי שהביאו את הקליק האחרון, ו-20% הנותרים יחולקו שווה בשווה בין שאר הקליקים בנתיב ההמרה.

מדובר במודל מאד מומלץ שנותן תמונה אמינה ואותנטית של מסלול ההמרה.

מודל ייחוס ליניארי

אם אתם לוחמי צדק, זה המודל בשבילכם.

מודל ייחוס ההמרה הליניארי מחלק את הקרדיט שווה בשווה בין כל הקליקים לאורך נתיב ההמרה.

מודל ייחוס קליק ראשון

ניחשתם נכון –

הביטוי והמודעה שהניבו את הקליק הראשון של הגולש ופתחו את נתיב ההמרה, הם שיקבלו את הקרדיט.

מודל ייחוס קליק אחרון

כשמו כן הוא, מודל זה ייחס

 את הקרדיט להמרה למודעה ולביטוי שהביאו את הקליק האחרון.

לסיכום,

בתקופה בה יש אפשרות לקבל מידע הרבה יותר מדויק, אין באמת הרבה סיבות להישאר עם מודלים ישנים שמתעלמים מכל הגורמים שלקחו חלק בנתיב ההמרה.

אם החשבון מאפשר לכם, בהחלט כדאי ללכת על מודל ייחוס המרה מבוסס נתונים, כדי לדייק עד כמה שניתן את האופטימיזציה של החשבון. אם לא – מודל position base או מודל time decay יכולים לעשות את העבודה, ולספק תמונת מצב מפורטת הרבה יותר מהמודלים הישנים והקונסרבטיביים.

ובעצם, אתם אפילו לא חייבים להחליט, כי אנחנו כאן בשביל לנהל לכם את הקמפיינים בצורה הטובה והמקצועית ביותר!