Miért látsz más számokat Google Analytics-ben, mint Facebookon? – Attribúciós modellek érthetően

Akár reklámügynökség kezeli vállalkozásod online hirdetéseit, akár te magad szoktál hirdetéseket indítani, talán már észrevetted, hogy akár elég nagy különbség is lehet a Google Analytics és a Facebook hirdetéskezelő felületén látható konverziós számok és értékek között. Ráadásul a Google Ads felületén mindkettőtől eltérő számokat látsz.

Mi az az attribúciós modell?

Bármilyen analitikai alkalmazást is használsz a marketing tevékenységed eredményeinek mérésére, mindegyik egy meghatározott attribúciós modell (vagy kicsit szebben hozzárendelési modell) szerint jeleníti meg neked, hogy egy adott vásárlás vagy más konverzió milyen forrásból érkezett. Nézzünk egy könnyű példát. Egy látogató először egy Google kereső hirdetésedre kattintva érkezik a weboldalra, de nem vásárol azonnal, hanem bezárja az oldalt. Majd még aznap találkozik egy remarketing hirdetéssel Facebookon, amire rá is kattint és ezúttal meg is rendeli a kinézett terméket.

Ebben az esetben a Facebook hirdetéskezelőben is látni fogsz egy konverziót és a Google Ads hirdetéskezelőjében is látni fogsz egy másik konverziót hiába történt csak egy vásárlás. Google Analytics-ben már kicsit jobb a helyzet, mert ott már összesen csak egy konverziót fogsz látni, de az nem mindegy, hogy ezt a vásárlást melyik kampányhoz számolja el az Analytics. A régi Google Analytics-ben (Universal analytics) azt láttad volna, hogy kizárólag a Facebook hirdetés hozta neked azt az egy konverziót. A Google Analytics új verziójában (GA v4) peedig azt láthatod, hogy a Google hirdetés is hozott fél vásárlást és a Facebook kampány is hozott 0.5 vásárlást.

Mi okozza az eltérést?

Röviden annyi, hogy minden platform máshogy számolja el a konverziókat. A régi Analytics egy úgynevezett „utolsó kattintásos” hozzárendelési modellt használt, ami a konverzió 100%-át ahhoz a forráshoz társította, amelyikre utoljára kattintott a felhasználó, amikor vásárolt is az oldalon. A fenti példában ez a Facebook hirdetés volt, így azt láttad volna, hogy az a kampány hozta a vásárlást. Ennek a modellnek az a legnagyobb hátránya, hogy nagyon könnyen tévútra tud terelni. Ha például azt látod, hogy szinte minden vásárló a Facebook hirdetésre kattintva érkezik meg az oldalra, akkor talán még azt is gondolhatnád, hogy a Google hirdetést akár le is lehet állítani, mert az onnan érkező felhasználók nem vásárolnak a weboldalon. De a fenti példában a keresőhirdetés nélkül soha nem talált volna rá a felhasználó az oldaladra, így a Facebook hirdetés sem tudott volna megjelenni neki és nem adott volna le megrendelést. Tulajdonképpen itt mindkét kampány fontos szerepet játszott felhasználó konverzióig történő eljuttatásában.

Ezt a hibát is szeretné javítani a Google az Analytics új verziójával. Ott már az „adatvezérelt hozzárendelési modell” vagy „data driven attribution” az alap beállítás, ami nem kizárólag az utolsó forgalmi forráshoz rendeli a konverzió egészét, hanem arányosan szétosztja az összes forgalmi forrás között. Ez már egy sokkal jobb megoldás, mert így nem jutna eszedbe lekapcsolni a Google kampányt a fenti példában, mert itt mindkét hirdetési kampány mellett látnál fél-fél vásárlást.

Mi a probléma az új Google Analytics adatvezérelt hozzárendelési modelljével?

Amikor legutoljára online vásároltál valamit, neked elég volt kétszer felmenni az eladó weboldalára? Elég jó esély van rá, hogy a válaszod nem. És egy átlagos felhasználó is többször szokott, mielőtt a vásárlás mellett dönt. Kideríti, hogy mire is van szüksége pontosan, milyen jellemzői vannak a terméknek, van -e valami jobb alternatíva, hol a legolcsóbb, hol milyen a garancia, a szállítás és még ezer más dolognak is utána jár. Mindezt hol mobilon, hol laptopon, hol pedig a munkahelyén egy számítógépen teszi. A folyamat közben rengeteg hirdetéssel is találkozik, amikre vagy rákattint, vagy nem. De ha épp nem is kattint rá, akkor is befolyásolhatja a döntését a hirdetésben látott üzenet.

A régi marketinges mítosz szerint egy felhasználónak 6-8 alkalommal kell találkoznia valamilyen tartalmunkkal ahhoz, hogy eljusson a vásárlásig. Ez a szám még akkor született meg, amikor a vásárlók csak újságokban, plakátokon, esetleg a TV-ben találkozhattak egy márka hirdetésével és nem volt akkora „marketing zaj”, mint amilyen most veszi körül a potenciális vásárlókat. Ma már ez a szám köszönőviszonyban sincs a valósággal (például egy alacsony értékű terméknél elég 1-2 alkalom is, de egy magas értékű terméknél szükség lehet akár 50-re is). Ember legyen a talpán, aki így megmondja, hogy mi hozta azt az egy szem vásárlást.

Ezt a lehetetlennek tűnő feladatot vállalta magára a Google az új Analytics megalkotásával. Itt az alapbeállítások szerint már úgy oszt szét a rendszer minden egyes konverziót, hogy minden látogatói forrás kapjon belőle egy részt aszerint, hogy a Google algoritmusa szerint mennyire járultak hozzá az adott konverzióhoz az egyes forgalmi források.

A gond az, hogy azt sehonnan nem lehet kideríteni, hogy mi alapján számol ez a bizonyos algoritmus és hogyan dönti el, hogy valami nagyon hozzájárult -e egy vásárláshoz, vagy csak egy kicsit. Ha pedig nem tudjuk, hogy a látott eredmények mi alapján lettek kiosztva, akkor azt sem tudhatjuk, hogy milyen kampányokra költsünk többet, és mi az, amit szinte teljesen vissza is vehetünk.

Itt jönnének képbe a hirdetési rendszerek saját mérései. De ott meg teljesen más számokat lehet látni, mint az Analytics-ben. Akkor mi az igazság?

Miért látsz mást a Google Analytics-ben és a Facebook hirdetéskezelőben?

Mert a Facebook teljesen máshogy számolja el a konverziókat, mint bármelyik Google analytics attribúciós modell. Az alapbeállítás a Facebookon az 1 napos megtekintési plusz 7 napos kattintási hozzárendelési modell. Ez annyit jelent, hogy ha egy felhasználó rákattint bármelyik Facebook hirdetésedre és az azt követő 7 napon belül bármikor vásárol valamit, akkor elszámolódik ahhoz a bizonyos hirdetéshez egy konverzió. Teljesen mindegy, hogy abban a bizonyos 7 napban hányszor járt a weboldaladon és mikre kattintgatott addig, annak a konverziónak a forrása a Facebook szerint akkor is az a bizonyos hirdetés lesz. Ráadásul ha a szóban forgó felhasználó nem kattint a hirdetésre és nem onnan megy fel az oldaladra, de valamilyen más forrásból mégis meglátogatja az oldalt és 1 napon belül vásárol is, akkor a Facebook szintén behúz egy strigulát a hirdetés mellé a konverziók száma oszlopba az „1 napos megtekintési” hozzárendelési modell miatt. Tehát ebben az esetben a felhasználó rá sem kattintott a hirdetésre, a Facebook szerint mégis hozott egy konverziót. De mivel soha nem is érkezett meg innen a weboldalra, ezért a Google Analytics nem is tudta bemérni, így ott nem is fog megjelenni ez a bizonyos konverzió a szóban forgó hirdetésnél. A Google ads esetében szintén hasonló a helyzet, ha nem Analytics-ből importált konverziómérést használsz, hanem a Google ads pixelt is elhelyezted a weboldaladon.

Melyik analitikai platformot használd a marketingtevékenységed mérésére és a kampányok optimalizálására?

Mielőtt neked is belefájdulna a fejed a hozzárendelési modellek csodálatos(-san bonyolult) világába, inkább nézzük meg, hogy mit használj, ha szeretnéd követni az egyes hirdetési kampányok konverziós eredményeit és optimalizálni szeretnéd a hirdetéseket.

Ez sem lesz túl jó hír: A legjobb az, ha mindet használod egyszerre. De mindet a helyén kellene kezelned és ne váltogass köztük. Válaszd ki, hogy melyik platformot szeretnéd fő analitikai eszközként használni és innentől kezdve az eredmények változásait és az elköltött marketing budget-hez viszonyított bevételeket csak ebben hasonlítsd össze a korábbi eredményekkel. Mi az UpRize-nál például a Google Analytics-et jelöltük ki erre a feladatra és mondjuk ha az idei eredményeket szeretnénk a tavalyi eredményekhez hasonlítani, akkor azt Analytics-ben tesszük. Soha nem hasonlítjuk például egy Facebook kampány hirdetéskezelőben látható tavalyi eredményeit az idei Analytics-ben látható eredményeihez, mert az olyan lenne, mintha almát szeretnénk körtével összehasonlítani.

A kampányok elemzésénél használd a Google Analytics modell összehasonlító eszközét is. Az új Analytics-ben már nincs eldugva annyira, mint amennyire a régiben volt. Az Advertising -> Attribution -> Modell comparison menüpontban meg tudod vizsgálni az egyes kampányok eredményeit többféle hozzárendelési modell szerint is és össze tudod hasonlítani a számokat.
Például ha egy kampány célja leginkább az lenne, hogy olyan új látogatókat szállítson a weboldaladra, akik még nem jártak ott és talán nem is hallottak még rólad vagy a termékedről (ezek a prospecting kampányok), akkor azt a kampányt érdemes első kattintásos hozzárendelési modell szerint vizsgálni. Ennél a modellnél (az utolsó kattintásos modellel ellentétben) ahhoz a forráshoz számolódik el a teljes konverzió, amelyikre kattintva a felhasználó legelőször megérkezett a weboldalra.
Ha viszont egy olyan kampányt szeretnél vizsgálni, aminek az lenne a feladata, hogy a már meglévő érdeklődőket terelje el a konverzióig (például egy remarketing kampány), akkor azt már érdemesebb az utolsó kattintásos modell szerint megvizsgálni.

Ha az egyes hirdetési platformokon futtatott kampányokban lévő hirdetésvariációk eredményeire vagy kíváncsi, ami alapján el tudod dönteni, hogy melyik variáció működik jobban és melyiket érdemes leállítani, akkor pedig a legjobb, ha az adott platform hirdetéskezelőjében látható számait veszed fő mutatónak. Bár Google Analytics-ben is megnézheted, hogy melyik variáció mennyi vásárlást hozott, az ott látható számokat torzítani fogja a Google Analytics saját hozzárendelési modellje.
Ha viszont például a hirdetéskezelőben látható eredményeket nézed, akkor könnyen össze tudod hasonlítani, hogy melyik variáció milyen eredményeket hozott és ezzel ki is tudod küszöbölni a Google Analytics torzításait is. Itt valójában nem az érdekel minket, hogy az adott konverzió a kattintás után mennyi idővel történt és mi járult még hozzá a vásárláshoz. Csak az, hogy a felhasználók, akik találkoztak a hirdetéssel, vásároltak -e vagy sem.

Érdemes ellenőrizni a kampányok eredményeit is a hirdetési rendszerek saját mérései szerint is, mert lehet, hogy például egy kampány a Google Analytics szerint nem fontos, így nem is tulajdonít neki sok hasznot, de a vásárlók jelentős részére mégis hatással volt az itt megjelenített üzenet, csak épp nem kattintott a hirdetésre.

Hogyan tovább?

Ha eljutottál idáig, akkor tényleg nagyon szeretnél képben lenni az attribúciós modellekkel. Reméljük már kicsit jobban is látod a különbségeket és van elképzelésed arról, hogy mostantól milyen szempontokat szeretnél figyelembe venni. Nekünk az a javaslatunk, hogy válaszd ki a legfontosabb mutatókat az egyes platformokról, amik a legjobban leírják azt, hogy mennyire hatékony a marketingtevékenységed. Ezeknek a főbb mutatóknak a változásait követve jobban fogod látni, hogy jó -e az irány és merre lehetne fejlődni. Az is fontos, hogy soha ne fókuszálj annyira az apró részletekre, hogy ne jusson időd a nagyobb képre figyelni.

Az út végén nem az a legfontosabb, hogy egy adott hirdetésvariáció 100 Ft-tal olcsóbban vagy drágábban hozott -e egy vásárlást, hanem az, hogy ugyanakkora hirdetési költség mellett nőtt -e a profitod a korábbihoz képest.