एट्रिब्यूशन कन्वर्ज़न का क्रेडिट चैनलों को देने की प्रक्रिया है। लास्ट-क्लिक एट्रिब्यूशन कन्वर्ज़न से पहले के आख़िरी चैनल को क्रेडिट देता है। फ़र्स्ट-क्लिक एट्रिब्यूशन पहले चैनल को क्रेडिट देता है। लेकिन असलियत ज़्यादा उलझी है: फ़ैसले में कई चैनलों का हाथ होता है। क्रॉस-चैनल एट्रिब्यूशन मॉडल का मकसद सभी योगदान देने वाले चैनलों में क्रेडिट को ठीक से बांटना है। इस चैप्टर में अलग-अलग एट्रिब्यूशन मॉडल और हर एक कब इस्तेमाल करें, यह बताया गया है।
एट्रिब्यूशन मॉडल की जानकारी
लास्ट-क्लिक एट्रिब्यूशन
कन्वर्ज़न से पहले के आख़िरी टचपॉइंट वाले चैनल को 100% क्रेडिट मिलता है। उदाहरण: ऑर्गेनिक सर्च → ईमेल → पेड विज्ञापन → कन्वर्ज़न = पेड विज्ञापन को 100% क्रेडिट।
फ़ायदा: सरल, लागू करना आसान, फ़नल के निचले चैनलों को फ़ायदा। नुकसान: सहायक भूमिकाओं को नज़रअंदाज़ करता है, जागरूकता वाले चैनलों की कीमत कम आंकता है।
फ़र्स्ट-क्लिक एट्रिब्यूशन
पहले टचपॉइंट वाले चैनल को 100% क्रेडिट मिलता है। उदाहरण: ऑर्गेनिक सर्च → ईमेल → पेड विज्ञापन → कन्वर्ज़न = ऑर्गेनिक सर्च को 100% क्रेडिट।
फ़ायदा: जागरूकता वाले चैनलों को फ़ायदा, लागू करना आसान। नुकसान: बाद के चरणों की भूमिका को नज़रअंदाज़ करता है, शुरुआती टचपॉइंट का क्रेडिट बढ़ा देता है।
लीनियर एट्रिब्यूशन
क्रेडिट सभी टचपॉइंट में बराबर बंटता है। उदाहरण: ऑर्गेनिक सर्च → ईमेल → पेड विज्ञापन → कन्वर्ज़न = हर एक को 33% क्रेडिट।
फ़ायदा: सभी चैनलों के साथ इंसाफ़, कई टचपॉइंट का हिसाब। नुकसान: यह नहीं देखता कि कौन से टचपॉइंट ज़्यादा मायने रखते हैं।
टाइम-डिके एट्रिब्यूशन
हाल के टचपॉइंट को पुराने टचपॉइंट से ज़्यादा क्रेडिट मिलता है। उदाहरण: ऑर्गेनिक सर्च (30 दिन पहले) को 20%, ईमेल (10 दिन पहले) को 30%, पेड विज्ञापन (1 दिन पहले) को 50%। कुल = 100%।
फ़ायदा: असलियत के करीब (हाल की बातचीत का असर आमतौर पर ज़्यादा होता है), जागरूकता और कन्वर्ज़न में संतुलन। नुकसान: लागू करना थोड़ा जटिल है।
कस्टम/एल्गोरिदमिक एट्रिब्यूशन
क्रेडिट पुराने डेटा के विश्लेषण के आधार पर बांटा जाता है। मशीन लर्निंग पहचानती है कि कौन से टचपॉइंट कन्वर्ज़न का सबसे अच्छा संकेत देते हैं। उदाहरण: डेटा दिखाता है कि जब क्रम में ईमेल होता है, तो कन्वर्ज़न रेट 15% ज़्यादा होता है। ईमेल को अतिरिक्त क्रेडिट मिलता है।
फ़ायदा: सबसे सटीक, आपसी असर का हिसाब रखता है। नुकसान: डेटा और तकनीकी समझ चाहिए।
एट्रिब्यूशन मॉडल चुनना
शुरुआती दौर (अभी शुरू किया है): लास्ट-क्लिक इस्तेमाल करें। सरल है, तुरंत लागू हो जाता है। जागरूकता की कीमत कम आंकता है, पर शुरुआत के लिए ठीक है।
बढ़ती कंपनी: टाइम-डिके इस्तेमाल करें। लास्ट-क्लिक से ज़्यादा सटीक, कई टचपॉइंट का हिसाब, और काफ़ी सरल।
परिपक्व कंपनी: कस्टम/एल्गोरिदमिक इस्तेमाल करें। आपके पास उन्नत मॉडल लागू करने लायक डेटा और टीम की समझ है।
सबसे अच्छा तरीका: एक साथ कई मॉडल ट्रैक करें। मैनेजमेंट को लास्ट-क्लिक रिपोर्ट दें (सरलता के लिए), रणनीति के लिए टाइम-डिके (संतुलन के लिए), और जागरूकता मेट्रिक्स के लिए फ़र्स्ट-क्लिक। इससे पूरी तस्वीर मिलती है।
एट्रिब्यूशन मॉडल लागू करना
स्टेप 1: अपना मॉडल चुनें। जब तक कोई और वजह न हो, टाइम-डिके से शुरू करें।
स्टेप 2: अपनी एट्रिब्यूशन विंडो तय करें। कन्वर्ज़न से कितने दिन पहले तक टचपॉइंट ट्रैक करें? 7, 14, 30, 90? डिफ़ॉल्ट के तौर पर 30 रखें।
स्टेप 3: अपने एनालिटिक्स प्लेटफ़ॉर्म में सेट करें। ज़्यादातर प्लेटफ़ॉर्म कई एट्रिब्यूशन मॉडल सपोर्ट करते हैं। Google Analytics और ज़्यादातर प्रोडक्ट एनालिटिक्स प्लेटफ़ॉर्म में यह पहले से मौजूद है।
स्टेप 4: मॉडल की तुलना करें। अपने डेटा पर सभी मॉडल चलाएं। नतीजों की तुलना करें। वे कहां अलग हैं? क्या इससे आपकी रणनीति बदलती है? अगर अलग-अलग मॉडल अलग चैनल प्राथमिकताएं सुझाते हैं, तो गहराई में जाकर वजह समझें।
क्रॉस-चैनल एट्रिब्यूशन की चुनौतियां
चैनल कैनिबलाइज़ेशन: अगर आप एक ही कीवर्ड पर ऑर्गेनिक और पेड सर्च दोनों चलाते हैं, तो क्रेडिट किसे मिले? दोनों कन्वर्ज़न पर दावा कर सकते हैं। समाधान: साफ़ नियम तय करें (पहला क्लिक = ऑर्गेनिक, आख़िरी क्लिक = पेड) और उन्हें हर जगह एक जैसा लागू करें।
गायब डेटा: ऑफ़लाइन बातचीत (फ़ोन कॉल, आमने-सामने की मीटिंग) एनालिटिक्स में ट्रैक नहीं होती। समाधान: जब हो सके, ऑफ़लाइन कन्वर्ज़न डेटा एनालिटिक्स में इंपोर्ट करें। मानें कि कुछ कन्वर्ज़न का एट्रिब्यूशन डेटा गायब रहेगा।
प्राइवेसी और ट्रैकिंग की सीमाएं: iOS में प्राइवेसी बदलाव, ऐड ब्लॉकर और प्राइवेसी टूल ट्रैकिंग की क्षमता घटाते हैं। कुछ यूज़र सफ़र आंशिक रूप से दिखते ही नहीं। समाधान: जहां हो सके फ़र्स्ट-पार्टी डेटा इस्तेमाल करें। अपनी रिपोर्टिंग में ट्रैकिंग की सीमाएं साफ़ बताएं।
मेरे बिज़नेस के लिए कौन सा एट्रिब्यूशन मॉडल इस्तेमाल करूं?
ज़्यादातर बिज़नेस के लिए टाइम-डिके सबसे अच्छा डिफ़ॉल्ट है। अगर आपका सेल्स साइकिल छोटा है (1-2 दिन), तो लास्ट-क्लिक इस्तेमाल करें। अगर लंबा है (30+ दिन), तो फ़र्स्ट-क्लिक या लीनियर इस्तेमाल करें। अपने टॉप 3 मॉडल 1 महीने आज़माएं और देखें कि सुझाव बदलते हैं या नहीं। अगर नहीं बदलते, तो सबसे सरल (लास्ट-क्लिक) रखें। अगर बदलते हैं, तो वह मॉडल चुनें जो आपके बिज़नेस की असलियत के सबसे करीब हो।
तकनीकी जानकारी न रखने वाले लोगों को एट्रिब्यूशन मॉडल कैसे समझाऊं?
एक उदाहरण दें: 'तीन लोगों ने $10k की डील पक्की करने में मदद की: व्यक्ति A ने हमारा परिचय कराया (जागरूकता), व्यक्ति B ने सवालों के जवाब दिए (विचार), व्यक्ति C ने कॉन्ट्रैक्ट साइन किया (फ़ैसला)। लास्ट-क्लिक पूरे $10k व्यक्ति C को देता है (नाइंसाफ़ी)। फ़र्स्ट-क्लिक सब व्यक्ति A को देता है (B और C को नज़रअंदाज़ करता है)। टाइम-डिके A को 20%, B को 30%, C को 50% देता है (असलियत के करीब)।' इसी ढांचे से समझाएं कि टाइम-डिके ज़्यादा न्यायसंगत क्यों है।
क्या अलग-अलग चैनलों के लिए अलग एट्रिब्यूशन मॉडल इस्तेमाल करूं?
नहीं, सभी चैनलों के लिए एक ही मॉडल रखें ताकि उनकी तुलना हो सके। अलग चैनलों के लिए अलग मॉडल से गड़बड़ी होती है। एक मॉडल लगातार इस्तेमाल करें, फिर उसी के अंदर विश्लेषण करें: ऑर्गेनिक सर्च की भूमिका बनाम ईमेल की भूमिका, वगैरह। अगर अलग-अलग मकसद के लिए अलग मॉडल चाहिए, तो उन्हें अलग-अलग चलाएं (रिपोर्टिंग और रणनीति), मिलाकर नहीं।
अगर मेरा सेल्स साइकिल बदल जाए तो एट्रिब्यूशन मॉडल कैसे अपडेट करूं?
अपने डेटा का दोबारा विश्लेषण करें: औसत सेल्स साइकिल कितना लंबा है? अगर वह 15 दिन से 45 दिन हो गया है, तो आपकी 30 दिन की एट्रिब्यूशन विंडो ज़रूरी टचपॉइंट काट रही हो सकती है। इसे 45-60 दिन करें। विश्लेषण दोबारा चलाएं और देखें कि चैनल की प्राथमिकताएं बदलती हैं या नहीं। मॉडल अपडेट करें और बदलाव लिखकर रखें।
क्या मैं एट्रिब्यूशन डेटा से अनुमान लगा सकता हूं कि कौन से कैंपेन सफल होंगे?
कुछ हद तक। पुराना एट्रिब्यूशन दिखाता है कि कौन से चैनल कॉम्बिनेशन काम करते हैं। अगर सफल ग्राहक ऑर्गेनिक → ईमेल → पेड से आए, तो उस पैटर्न पर चलने वाले नए कैंपेन शायद सफल होंगे। इसे एक अनुमान की तरह लें: उन क्रमों में निवेश करें। लेकिन हर कैंपेन अलग होता है, इसलिए सिर्फ़ पुराने पैटर्न पर भरोसा करने की जगह टेस्ट करें और मापें।
अपने एट्रिब्यूशन मॉडल में ऑफ़लाइन कन्वर्ज़न कैसे संभालूं?
ऑफ़लाइन डेटा एनालिटिक्स में इंपोर्ट करें: फ़ोन कॉल, आमने-सामने की मीटिंग, साइन हुए कॉन्ट्रैक्ट। कस्टमर ID (ईमेल, फ़ोन या नाम) से उन्हें वेब सेशन से मिलाएं। ऑनलाइन टचपॉइंट एट्रिब्यूशन में दिखते हैं, और ऑफ़लाइन कन्वर्ज़न नतीजा होते हैं। इससे ज़्यादा पूरी तस्वीर बनती है। ध्यान दें: ऑफ़लाइन एट्रिब्यूशन मुश्किल है, इसलिए पहले सबसे बड़ी ऑफ़लाइन डील पर ध्यान दें।