Comment un modèle d'attribution marketing répartit le crédit entre les points de contact

Qu'est-ce qu'un modèle d'attribution marketing?

Les équipes analytics choisissent un modèle d'attribution marketing pour décider comment le crédit d'une conversion se répartit entre les points de contact qui l'ont précédée. Le modèle n'observe rien de nouveau: il applique une règle fixe aux données que votre analytics a déjà collectées, puis inscrit un pourcentage à côté de chaque canal. Choisissez le modèle avant de comparer les canaux, car deux modèles qui lisent le même journal de sessions désigneront deux gagnants différents.

Un achat de $1,200 peut suivre un article de blog trouvé dans la recherche, une annonce LinkedIn cliquée cinq jours plus tard et une newsletter ouverte le matin du paiement. Le paiement est un seul chiffre, et le modèle en fait trois. Flowsery lit l'événement de paiement lui-même via l'attribution des revenus depuis Stripe, Paddle, Polar, Lemon Squeezy et Shopify, donc le montant réparti est le montant réellement encaissé.

Quelle est la différence entre attribution à contact unique et attribution multicontact?

L'attribution à contact unique donne 100 pour cent du crédit à un point de contact et zéro à tous les autres. L'attribution multicontact répartit la même conversion entre deux points de contact ou plus, avec des poids dont la somme fait 100 pour cent. Le contact unique ne coûte rien à exploiter et personne ne conteste l'arithmétique; l'attribution multicontact justifie sa complexité dès que le cycle d'achat dure plus longtemps qu'une session.

Le premier contact et le dernier contact sont les deux modèles à contact unique, et ils répondent à des questions opposées. Comparer le premier contact au dernier contact oppose le crédit de la découverte au crédit de la conclusion, et c'est pour cela que l'acquisition et la demand gen se disputent autour d'un même tableau de bord.

Comment chaque modèle d'attribution répartit-il le même parcours?

Faites passer un parcours identique dans les sept modèles nommés et le même point de contact oscille de 100 pour cent à zéro. Le parcours: jour 1, recherche organique vers un article de blog; jour 4, une annonce LinkedIn; jour 9, un clic dans la newsletter; jour 12, une visite directe qui convertit.

Les six premières lignes relèvent de l'arithmétique et se reproduisent exactement sur vos données. La ligne basée sur les données est la sortie calculée d'un compte, pas une règle fixe, donc vos chiffres seront différents. Lisez la colonne organique de haut en bas: cet article de blog vaut 100 pour cent de l'achat, 40 pour cent, 13.3 pour cent ou rien, et pas un octet des données de session n'a changé.

Comment les modèles de dépréciation temporelle et basé sur la position calculent-ils leurs poids?

La dépréciation temporelle attribue à chaque point de contact un poids brut qui est divisé par deux à chaque demi-vie, puis normalise les poids pour que leur somme fasse 100 pour cent.

weight = 0.5 ^ (days before conversion / half-life)

Avec une demi-vie de sept jours et la conversion au jour 12, le contact organique se situe 11 jours plus tôt, son poids brut est donc 0.5 ^ (11 / 7) = 0.336. L'annonce LinkedIn obtient 0.453, la newsletter 0.743, la visite directe 1.000. Leur somme fait 2.532, donc l'organique prend 0.336 / 2.532 = 13.3 pour cent. Ramenez la demi-vie à trois jours et l'organique tombe à 4.5 pour cent sans le moindre changement dans la campagne.

Le modèle basé sur la position ne demande aucun réglage. Il donne 40 pour cent au premier contact, 40 pour cent au dernier, et répartit les 20 pour cent restants entre les contacts intermédiaires: 10 pour cent chacun s'il y en a deux, 6.7 pour cent chacun s'il y en a trois. Le linéaire est encore plus simple: 100 divisé par le nombre de points de contact.

Qu'est-ce qu'une fenêtre d'attribution et comment change-t-elle la réponse?

Une fenêtre d'attribution est l'ancienneté maximale qu'un point de contact peut avoir tout en restant éligible au crédit, et elle supprime des lignes avant que le modèle ne s'exécute. Réduisez la fenêtre d'attribution du parcours ci-dessus à sept jours et le contact organique du jour 1 et le contact LinkedIn du jour 4 cessent d'exister: la newsletter et la visite directe se repartagent la totalité des 100 pour cent, donc en linéaire la newsletter passe de 25 pour cent à 50 pour cent et l'organique tombe à zéro.

La fenêtre pèse autant que le modèle, et c'est le réglage que les équipes recopient depuis la valeur par défaut d'une plateforme sans vérifier. Mesurez votre médiane de jours entre le premier contact et l'achat, puis fixez la fenêtre au-delà.

Pourquoi tout modèle d'attribution est-il une estimation?

Tout modèle est une estimation parce que la liste des points de contact est déjà incomplète avant que la règle ne s'applique. Les limites des navigateurs tronquent l'historique ancien: Intelligent Tracking Prevention d'Apple plafonne à sept jours les cookies propriétaires écrits par script dans Safari, et Total Cookie Protection de Mozilla bloque les cookies tiers par défaut dans Firefox, donc un navigateur peut oublier la première moitié d'un parcours de 30 jours. Les ruptures entre appareils coupent plus profond: un téléphone qui a vu l'annonce et un ordinateur portable qui a réalisé le paiement sont deux visiteurs anonymes tant que la personne ne se connecte pas sur les deux.

Les bloqueurs de publicité, les fenêtres privées, les navigateurs intégrés aux applications et les liens partagés sans paramètres UTM retirent encore des lignes, et les liens collés dans une messagerie arrivent en trafic direct. Flowsery est sans cookies et hébergé dans l'UE par conception, ce qui sort la bannière de consentement du chemin de mesure, et il ne peut toujours pas voir un achat sur un appareil qui n'a jamais croisé l'annonce. Lisez la sortie du modèle comme un classement sur lequel agir, pas comme un registre à auditer.

Qu'est-ce que l'attribution autodéclarée et pourquoi les équipes la mènent-elles en parallèle?

L'attribution autodéclarée est une question posée dans le formulaire d'inscription ou de paiement, qui demande à l'acheteur où il a entendu parler de vous, et dont la réponse est stockée sur la fiche client. Elle existe parce que les données de clic sont précises sur ce qu'elles ont capté et aveugles à tout le reste: une mention dans un podcast, une communauté Slack, une conférence, la recommandation d'un collègue. Aucun script ne voit cela.

Les équipes mènent les deux parce que les profils d'erreur se compensent. Les données de clic sont granulaires et tronquées; la réponse au formulaire est floue, porte un biais de mémoire et couvre les canaux invisibles. Comparez-les tous les mois, et quand le formulaire nomme sans cesse un canal que votre attribution basée sur les données note près de zéro, vous avez trouvé un angle mort, pas un acheteur confus.

Quel modèle d'attribution marketing choisir?

Choisissez le modèle qui correspond à la longueur de votre cycle de vente. Les cycles de moins d'une semaine avec un ou deux points de contact ne perdent presque rien avec le dernier clic indirect, et son exploitation ne coûte rien. Les cycles de plus de 30 jours avec quatre points de contact ou plus demandent le modèle basé sur la position, ou celui basé sur les données une fois que vous avez assez de parcours pour que ses poids cessent de bouger entre deux actualisations.

Publiez un modèle comme chiffre de référence maison pour que les débats budgétaires partagent une base commune, et gardez le premier contact et le dernier contact à côté comme bornes de la fourchette honnête. Un canal qui gagne avec les trois mérite plus de budget. Un canal qui gagne avec un seul vous parle du modèle, pas du canal.

Foire aux questions

Quelle est la différence entre un modèle d'attribution et une fenêtre d'attribution?

Le modèle décide comment le crédit se répartit entre les points de contact éligibles. La fenêtre décide quels points de contact sont éligibles tout court, en plafonnant l'ancienneté à laquelle un contact peut se situer tout en comptant. La fenêtre s'exécute en premier, donc une fenêtre courte met à zéro des canaux que le modèle aurait bien payés.

Quel modèle d'attribution est le plus précis?

Aucun n'est précis, parce qu'aucun n'observe la causalité. Chacun applique une hypothèse à une liste incomplète de points de contact, donc la vraie question est de savoir quelle hypothèse colle à votre cycle d'achat. Le modèle basé sur les données convient quand vous avez le volume de parcours; le modèle basé sur la position est le meilleur choix par défaut quand vous ne l'avez pas.

Pourquoi ma plateforme publicitaire et mon outil analytics rapportent-ils des chiffres différents?

Les plateformes publicitaires attribuent contre leur propre graphe d'identités connectées et comptent les conversions post-impression dans leurs propres fenêtres de lookback. Les outils analytics attribuent par session, utilisent le dernier clic indirect par défaut et ne voient jamais une impression qui n'a produit aucun clic. Le même achat est revendiqué deux fois, et c'est pourquoi les conversions rapportées par les plateformes dépassent en somme votre nombre réel de commandes.

Combien de points de contact faut-il à un modèle basé sur les données?

Assez de parcours convertis et non convertis pour que les poids calculés cessent de bouger entre deux actualisations. Observez deux ou trois recalculs consécutifs: si la part d'un canal varie de plusieurs points sans changement de campagne, le modèle ajuste du bruit. Repliez-vous sur le modèle basé sur la position jusqu'à ce que le volume rattrape.

L'attribution au dernier clic indirect ignore-t-elle totalement le trafic direct?

Le dernier clic indirect saute le contact direct et paie le canal identifiable précédent. Il existe parce qu'une grande partie de ce que l'analytics étiquette comme direct est du trafic mal attribué: un referrer supprimé, un lien d'application de messagerie, une URL en favori. La contrepartie est que les visites réellement directes n'apparaissent jamais comme canal crédité.

Puis-je utiliser plusieurs modèles d'attribution à la fois?

Faire tourner plusieurs modèles sur les mêmes données de conversion est tout l'intérêt du tableau ci-dessus. Désignez-en un comme chiffre publié pour que les décisions budgétaires aient une référence unique, et gardez le premier contact et le dernier contact à côté comme fourchette. Un canal dans le top trois avec tous les modèles est un endroit sûr où dépenser davantage.

Changer de modèle d'attribution exige-t-il un nouveau suivi?

Non. Un modèle est une règle appliquée aux données déjà collectées par vos outils analytics, pas une nouvelle mesure, donc passer du premier contact au modèle basé sur la position produit un nouveau jeu de pourcentages à partir du même journal de points de contact. Rien ne change du côté des tags ou des pixels.

Comment Flowsery calcule-t-il le revenu derrière chaque point de contact?

Flowsery lit l'événement de paiement lui-même via des intégrations d'attribution de revenu avec Stripe, Paddle, Polar, Lemon Squeezy et Shopify. Le montant réparti entre les points de contact est le montant réellement encaissé, pas un chiffre estimé à partir du journal de clics d'une plateforme publicitaire.

Quelle doit être la durée d'une fenêtre d'attribution?

Fixez-la au-delà du nombre médian de jours entre le premier contact et l'achat, pas la valeur par défaut d'une plateforme. Une fenêtre plus courte que cette médiane supprime des points de contact réels avant même que le modèle ne s'exécute, tout comme une fenêtre de sept jours efface un contact organique du jour 1 sur un parcours de 12 jours.

Comment le modèle basé sur la position répartit-il les 20 % du milieu avec trois points de contact au lieu de deux?

Le modèle basé sur la position donne toujours 40 % au premier contact et 40 % au dernier, laissant 20 % pour ce qui se trouve entre les deux. Avec deux points de contact intermédiaires, chacun reçoit 10 %; ajoutez-en un troisième et chaque part descend à 6,7 %.