在日常的工作中, 经常会遇到对于同一组广告数据, 甲方和乙方对于同一组广告效果的理解与意见完全是相反的情况. 原因在于双方所处的视角不同, 甲方思考方向多是业务性方向, 乙方的思考方向是专业性方向,双方沟通的结合点就是广告的数据表现.
这个时候, 沟通产生两种结果.
第一种, 乙方根据专业性, 向甲方解释原理, 尝试和甲方从专业性上达成一致, 这种情况对接人, 多是甲方的老板或者决策者的角色. 因为甲方老板没有向上汇报的压力, 更加在乎数据的真实性以及有效性. 而当对接人是运营角色或者是需要向上汇报的角色时, 这个时候如果还是强行向对面解释原理, 那么就会陷入常叫做"专业性陷阱"的情况.
第二种, 甲方从业务逻辑出发, 然后达成广告效果的一致. 这种情况下, 对接人是甲方的运营, 由于有对内汇报的夜里, 所以更加在乎纸面上呈现的数据, 真实性反而是其次, 所以一般以完全数据导向的复盘, 往往会陷入一种叫做"story telling"的情况, 直白点就是乙方欺负甲方不懂, 单纯地用数字给甲方画大饼.
之所以会出现不同的情况, 主要是对于同一组数据, 认知不一样. 通常, 甲方认为系统跑出来的数据, 就是100%正确的业务数据, 能够指导业务决策, 比如最常见的就是甲方看到ROI特别好, 就疯狂加钱. 相反, 由于专业乙方通常都了解数据产生的逻辑, 所以会首先考虑数据是否有真实地反映业务. 如果能反映, 才会进一步参考, 如果不能, 就会考虑替代的反映数据.
下面, 基于Amazon的广告数据, 分析Amazon的归因模型, 来说明为什么数据有时候会骗人.
1. 归因模型
1.1 什么是归因模型 Attribution Model
通常接触广告就了, 就会对各种名词麻木, 因此, 在开始之前, 需要先说明什么是归因模型. 简单拉说, 归因模型, 就是将完成某项目标的关键节点提取出来的一套规则, 如果再用数据的方式呈现结果, 那么就成为了我们的业务数据.
举个例子, 宋丹丹说的"把冰箱装进冰箱, 统共分三步: 打开冰箱门, 把大象放进去, 关上冰箱门", 这就将"把大象放冰箱"的这个目标, 归因到了三个关键节点上, 如下图所示:
对于广告业务来讲, 我们就将这个流程进行简化抽象: 触达客户(impression) - 吸引客户(Click) - 获取客户(DPV) - 转化客户(Unit)这样的一个流程. 在这个流程中, 就会包含我们日常使用到的各项数据指标. 如下图所示:
至此, 我们先把归因模型说清楚了: 将现实业务的关键节点, 通过一套规则, 抽象出来, 并用数据描述这些节点.
1.2 归因模型会出问题吗
会! 而且是一定会!
了解了什么是归因模型之后, 我们就应该知道, 既然是抽象, 那么就存在一个前提, 那就是要抽象合理. 只有在抽象合理的情况下, 那么数据才能对于业务有指导意义.
先说正确的情况, 不如Amazon卖家后台的Business Report中的销量数据, 它每增加1, 就代表了你的产品被卖出去了1个, 也代表了你的库存数量少了一个. 这是真正能反映业务的数据.
再说不正确的归因. 举个例子, 我们都知道SP广告的归因方式是7天内点击过SP广告的人. 如下图所示, 消费者A和B都在Day1点击过SP广告, 但是消费者消费者A, 最后在Day7购买了产品, 因此, 此次购买会被记录到SP广告的数据报告里; 而消费者B, 在Day8购买了产品, 那么根据归因规则, 此次购买就不会被记录在SP广告的数据报告里.
那么现在有一个问题, 消费者B的销售是否应该归功于SP广告. 如果直接回答应该或者不应该都是不合理的, 原因在于不清楚该产品的购买周期. 假如该产品是快消品, 那么甚至A和B都不应该归功, 甚至Amazon本身的7天归因周期都是过于长的; 但是假如是消费者购买压力很大的产品, 其考虑周期远远超过7天, 那么Amazon本身的7天归因周期都是过于短了, A和B都应该算是被广告有效转化.
通过上述这个例子, 我们还能百分之百地说数据就百分之百可信吗?
2. Amazon的归因模型
2.1 归因模型有哪些
在开始了解归因模型之前, 我们要先知道目前常见的归因模型有哪些. 首先, 我们看一张图, 其中每一张图的柱子, 代表了消费者的触达先后顺序. 接下来我们挨个说明.
1. 首次点击模型(发传单模式)
首次归因, 这种归因模式强调了对于消费者的第一次触达是非常重要的. 这种情况一般用于对于自己的产品非常有信心, 或者因为某些原因, 消费者连尝试的成本都非常高. 那么这种时候, 需要的是一个开始的机会. 比如常见的免费试用, 免费试吃等等; 所以, 我将这种模式称之为发传达模式, 只要你的传单发的出去, 并且被客户拿到手上, 那么就代表这次发传单是有效的. 至于后面再触达消费者, 如何让消费者转化, 难度都会比较小. 因此, 将功劳归功于难度最大的第一次触达.
2. 末次点击归因模型(Amazon模式)
这种归因模式的弊端非常多, 强调了最后一次广告触达的重要性. 简单来讲, 就是一个人吃饭吃饱了, 会被归因为吃了最后一口饭吃饱的, 前面的饭都白吃了. 这种归因会导致运营对广告效果错误的预估, 从而错误的加大该类型广告资源的投放.
但是这种归因模式非常适合SEO, 这个和SEO的业务逻辑是有关系的. 此处不展开, 简单说就是SEO的业务逻辑是消费者先表明需求, 如先搜索, 那么Amazon的站内SEO广告就可以承接这种需求, 因此转化的可能性非常高, 所以Amazon用了末次点击归因模型. 但是问题出在, Amazon的广告产品结构不是只有SEO, 或者说大部分不是SEO, 这就导致了做其他广告的运营会非常难受. 于是, Amazon给出了一个逆天的归因模式, 就是末次浏览归因, 就是不要你点, 只要展示在你眼前就算广告有效. 我的判断是Amazon由于刚开始进行广告业务版图的拓展, 的这种归因只是一个过渡性的归因, 在发展的过程中, 迟早会替换掉.
3. 线性归因模型(大锅饭模式/懒人模式)
这种归因模型, 将产生的每一次有效转化, 平均地分到每一个广告触达上. 这种归因模式虽然兼顾了每一次触达, 但是也让一些真实效果很差的广告没有办法甄别出来, 也没有办法甄别出来真实效果很好的广告. 我的评价是懒人模式.
4. 时序增强模型
这个模型也是兼顾了每一次的广告触达, 认为离消费者转化时间越近的触达, 越有效. 这个模型具备一定的合理性, 但是一般适合用在同种广告的先后触达上. 问题和3一样, 就是没有办法甄别好的和坏的广告组.
5. 马尔科夫模型(缺你地球就不转模型)
这个模型是Amazon目前强推的一个方案, 原理比较复杂. 我这里用一句话总结就是, 排列组合所有的触达路径, 将其中一种广告类型拿掉之后, 相应的路径就会失去, 相应的销售额就会下降, 下降的百分比代表了该广告类型的重要程度.
6. 沙普利值归因模型(看谁卖力模型)
沙普利值模型, 是谷歌常用的模型. 简单来说, 不管你怎么出大, 我只看不同的触达顺序下, 不同广告的触达的次数, 最后求个平均值就是该种广告的卖力程度. 和5的思路是一致的.
2.2 详解Amazon归因模型
Amazon的归因模型是上述的末次点击(浏览)归因, 主要依赖于2种行为和2个周期来提取实际广告业务中的数据. 2种行为分别是click和view, 并且click的优先级高于view; 2个周期是7天和14天, 7天优先级高于14天, 采取就近原则. 各广告产品的归因规则如下表所示:
| 广告类型 | SP | SB | SD | DSP |
|---|---|---|---|---|
| 有效行为 | Click | Click | View/Click | View |
| 归因周期 | 7 | 14 | 14 | 14 |
用几个例子解释上面这个表:
案例1: 因为B出产生了点击, 并且在归因周期内, 所以此次购买被归因到B;
案例2: 因为C点浏览时间距离购买更近, 所以归因到C点;
案例3: 因为C点点击距离购买更近, 所以归因到C点;
案例4: 因为AB同时点击, 归因到B点;
案例5: BC同时浏览, SP不受浏览限制, 归因到C点;
案例6: 同5, SP不受浏览归因, 购买归因到C点;
3. 详解Amazon归因不合理性
上面说过, Amazon的归因强调了消费者在下单前, 最后一次触达广告的重要性. 简单总结就是, 你吃饭吃饱了, 是因为你吃了最后一口. 如果将这个逻辑提取下, 就是如下图所示:
一切的流量原来都是自然流量, 我们将其中一些流量触达, 让他们看到我们的广告, 然后来购买产品. 这是Amazon广告起作用的基本逻辑, 为什么说不合理呢, 看一下几个案例.
1. 购买前强行触达
这是第一种不合理的做法. 有些流量本来是可以自己转化的, 但是为了一个好的广告数据, 在转化的前一步强行插入广告让广告触达, 那么这个时候就可以让原本的归因被强行归因到插入的广告类型上. 如下图所示, 就可以让广告2完全接手这两次转化的数据.
这种不合理的场景, 在实际业务上的表现举2个例子.
第一个例子, DSP广告作为灵活性非常高的浏览归因广告, 引进来的流量, 通常不可避免地被站内的SP广告二次触达.
第二个例子, DSP可以实时定向正在浏览某些产品的人群. 如果用这种方式, 用自己的广告去定向正在浏览自己产品的人, 那么无论这个人是否是被广告触达, 都会被归因到这个广告, 在实际效果中, 其ROI表现极度夸张. 这也是服务商用来提升数据表现的常用方式之一.
2. 抢占心理盲区版位
我通常将这个版位叫做心理盲区版位, 因为其被有效观测的次数不多, 但是可以通过浏览归因归因到非常多的数据, 因此这个版位通常由于其数据表现极佳, 被叫做黄金版位, 但是现在可以看出来, 黄金版位并不黄金.
3. 大促预热多久前开始
如果说, 卖家都按照广告数据的归因进行效果判断, 那么归因周期最长的也就只有14天, 那么有些卖家提前1个月开始营销, 超出14天的营销效果该如何衡量, 因为无法在数据中体现出来. 但是我们知道, 大促预热是有效的, 为什么, 因为业务逻辑应该优先于数据.
文末
通过一整篇文章的分析, 我们可以看出, 所有的效果判断, 都应该业务优先逻辑先行, 其次才是去观察数据.
