Atrybucja oparta na danych w GA4 – czym jest i jak działa?

Atrybucja Google Analytics oparta na danych pozwala skuteczniej analizować zachowania użytkowników związane z procesem sprzedaży. Jak zatem dokładnie działa? Jak rozwijała się w ciągu ostatnich lat? Tego i więcej dowiesz się z naszego artykułu.

Czym jest atrybucja oparta na danych?

Google podpowiada, że:

Oczywiście istnieją różne modele atrybucji, czyli zestawy reguł określające, jak na podstawie gromadzonych danych analizowane są konwersje.

W artykule omawiamy atrybucję opartą na danych. Określana jest także jako DDA (data-driven attribution). Google posługuje się następującą definicją:

Jak rozwijała się atrybucja oparta o dane?

Atrybucja Google Analytics oparta na danych rozwijała się na przestrzeni ostatnich 10 lat:

• 2013 – pierwsza generacja data-driven zostaje uruchomiona w Google Analytics 360 z niestandardowymi modelami DDA dla kont GA360,
• końcówka 2017 – Google wprowadza darmową atrybucję (początkowo w wersji beta), która na podstawie danych pozwala określać atrybucję dla wszystkich klientów w obrębie każdego wykorzystywanego kanału,
• 2020 – atrybucja oparta na danych zostaje uruchomiona wraz z Google Analytics 4 i jest domyślnym, dostępnym dla wszystkich modelem.

Jedne z najważniejszych ulepszeń dotyczyły dostępności do samego modelu. Przykładowo, aby zacząć korzystać z atrybucji data-driven w Google Analytics 3, należało:

• być klientem GA360,
• skonfigurować śledzenie lub cele e-commerce,
• posiadać konto Google Ads z co najmniej 15 000 kliknięciami i akcją konwersji oraz 600 konwersjami z Google Search w ciągu ostatnich 30 dni.

Jak wspomnieliśmy wcześniej, atrybucja oparta na danych jest domyślnym modelem w GA4. Jedynym wymaganiem, aby z niej korzystać, jest skonfigurowanie co najmniej jednego zdarzenia konwersji.

Jak działa model atrybucji oparty na danych?

W atrybucji opartej na danych uczenie maszynowe jest wykorzystywane do przypisywania kredytów w całej podróży klienta. Zaawansowane algorytmy biorą pod uwagę kombinacje źródła/medium/kampanii użytkowników w ścieżkach zakupowych i próbują określić, które z nich są najbardziej kluczowe dla konwersji.

Kombinacje, które okazują się najskuteczniejsze w osiąganiu konwersji, otrzymują wyższą wagę. Rozważmy następujący przykład:

1. O 10:00 pan Marcin na LinkedIn wprowadza zapytanie „oprogramowanie CRM”, ponieważ rozważa aktualizację obecnego systemu CRM w swojej firmie. Widzi Twój sponsorowany post, klika link i odwiedza stronę, na której pobiera jedno z case study.
2. O 10:15, po przejrzeniu case study, postanawia dowiedzieć się więcej o Twoim oprogramowaniu. W tym celu czyta recenzje użytkowników na platformie G2 Crowd.
3. O 10:45 pan Marcin zapisuje się do newslettera na Twojej stronie internetowej po tym, jak zostaje do tego zachęcony pop-upem.
4. O godzinie 11:30 otrzymuje powitalną wiadomość e-mail zawierającą zaproszenie na webinarium poświęcone najnowszym funkcjom oprogramowania CRM. Pan Marcin dokonuje rejestracji.
5. O 15:00, po wzięciu udziału w webinarium i uzyskaniu odpowiedzi na kilka pytań, decyduje się skorzystać z demo za pośrednictwem linku podanego w webinarium.
6. O 16:00, po zakończeniu demonstracji na żywo, pan Marcin otrzymuje wiadomość e-mail ze specjalną ofertą na miesięczny bezpłatny okres próbny. Klika link i dokonuje rejestracji.

W tej ścieżce atrybucja oparta na danych będzie brać pod uwagę następujące działania:

• kliknięcie postu sponsorowanego na LinkedIn,
• przeczytanie recenzji na G2 Crowd,
• zapisanie się do newslettera,
• zarejestrowanie się na webinar,
• przetestowanie wersji demonstracyjnej,
• zapisanie się na wersję próbną,

Aby ustalić, jaką wagę w kontekście konwersji przypisać na przykład newsletterowi, algorytmy maszynowego uczenia przeanalizują podobne ścieżki:

• kliknięcie postu sponsorowanego na LinkedIn > Przeczytanie recenzji na G2 Crowd > Zarejestrowanie się na webinar,
• kliknięcie postu sponsorowanego na LinkedIn > Przeczytanie recenzji na G2 Crowd > Zapisanie się na newsletter > Zarejestrowanie się na webinar.

Dzięki atrybucji opartej na danych da się kompleksowo zrozumieć i przeanalizować proces decyzyjny klienta i wpływ każdego etapu ścieżki zakupowej.

Raporty data-driven w Google Analytics 4

Oprócz atrybucji opartej na danych w GA4 dostępne są jeszcze 2 modele:

• płatne i bezpłatne modele oparte na regułach,
• model kanałów płatnych Google oparty na regułach.

Aby znaleźć te opcje, w sekcji „Administracja” przejdź do „Ustawienia atrybucji”:

Warto dodać, że ostatnio zostały wprowadzone zmiany w tym aspekcie:

• od czerwca 2023 nie są już dostępne modele „Pierwsze kliknięcie”, „Liniowy”, „Spadek udziału z upływem czasu” i „Uwzględnienie pozycji”;
• od września 2023 działania, które korzystały z tych modeli, zostały automatycznie przeniesione na atrybucję opartą na danych;
• atrybucja data-driven, model „Ostatnie kliknięcie” i zewnętrzne systemy atrybucji pozostają bez zmian;

Przykładowy raport uwzględniający atrybucję opartą na danych wygląda następująco:

Podsumowanie

Oto najważniejsze informacje omówione w artykule:

• data-driven attribution bierze pod uwagę wszystkie zdarzenia konwersji, a następnie każdemu z nich przypisuje rzeczywisty udział,
• atrybucja oparta na danych została wprowadzona w 2013 roku, a od 2020 w GA4 jest domyślnym modelem,
• dzięki atrybucji data-driven można dokładnie przeanalizować i zrozumieć ścieżkę zakupową klienta.