Att tillskriva kredit till de kontaktpunkter som finns längs kundens resa, som bidrog till konverteringen, kallas multi-touch attribution.

Inledning

Felaktig attribution betyder förvrängd marknadsföringsbudget och felaktiga beslut om medieköp. Fel kanaler favoriseras samtidigt som andra kanaler förbises som kan leda till ökade resultat.

Genom att analysera attribution kan marknadsförare bättre förstå kundens resa och identifiera möjligheter att ytterligare optimera kundens resa till konvertering.

Multi-touch attribution omfattar olika modeller och de enklaste attributionsmodellerna är att ge all kredit till antingen den första eller sista kontaktpunkten. För att ha tagit in kunden initialt eller för att ha drivit konverteringen.

Dock är det uppenbart att ingen av dessa attributionsmodeller ger en verklig bild för det finns andra kontaktpunkter som missas här.

Och det krävs många kontaktpunkter för att göra en försäljning? Mer än de flesta tror.

Enligt Top Performance in Sales Prospecting research tar det inom B2B i genomsnitt 8 kontaktpunkter för att få ett första möte (eller annan konvertering) med ett nytt prospekt.

Antalet kontaktpunkter beror såklart på bransch och köpets komplexitet. Hur många kontaktpunkter krävs det för en potentiell kund att ta sig igenom processen att få kännedom och intresse, att få kunskap och utvärdera, att ta beslut om köp?

Medan åtta kontaktpunkter kan vara rätt siffra för ditt företag, kan sju eller tre vara rätt för ett annat.

I stället för första och sista kontaktpunkt finns den linjära modellen som fördelar krediten jämnt över alla kontaktpunkter som är involverade. Problemet med den linjära är att alla kontaktpunkter förutsätts bidra lika mycket till konverteringen vilket inte är fallet.

För att tackla att alla kontaktpunkter bidrar olika finns den positionsbaserade attributionsmodellen där marknadsförare kan ge olika krediter till kontaktpunkter baserat på deras platser i kundens resa.

Gemensamt för attributionsmodellerna som beskrivs ovan är att de är så kallade heuristiska attributionsmodeller, eller regelbaserade attributionsmodeller.

Problemet med regelbaserade attributionsmodeller är att de är teoretiska. Till exempel utgår de från att enskild kontaktpunkt på varje enskild enhet är spårbar vilket inte är fallet. Vidare mäter de enbart klick inte resultatet.

Nytt med GA4 är en datadriven attributionsmodell som också är standard i GA4. Den här modellen blir också alltmer dominerande i Google Ads.

Till skillnad från heuristiska attributionsmodeller skapas attributionsregeln i den datadrivna attributionsmodellen utifrån historiska data, och därför är attributionsmodellen unik för varje scenario.

En datadriven attributionsmodell använder också data från både konverterande och icke-konverterande vägar. I en datadriven attributionsmodell görs attributionen utifrån effekten av kontakterna av varje kontaktpunkt.

Effekten av en kontaktpunkt utvärderas via en algoritm, Markov Chain-algoritmen, och basen i algoritmen är ett koncept som kallas borttagningseffekten. Borttagningseffekten är effekten på konverteringsfrekvensen när en kontaktpunkt tas bort från kundens resa.

Om en viss kanal tas bort från kundens resa, kommer de vägar som involverar den specifika kanalen att ”avbrytas” och sluta med färre konverteringar totalt sett.

Datadriven attribution förlitar sig inte på antalet eller positionen för kontaktpunkterna utan på effekten av dessa kontaktpunkter på konverteringen som grund för attributionen.

Om Multi-touch attribution i GA4

GA4 erbjuder olika attributionsmodeller beroende på rapportens omfattning. Om det är användarens förvärvskälla, sessionens förvärvskälla eller händelsens (till exempel konvertering) förvärvskälla.

Google Analytics organiserar användare, sessioner och händelser i följande hierarki:

-Användare (Person som interagerar med hemsida/app)

                     -Session (Period från när en användare besöker hemsida/app till att de lämnar)

                                        -Händelse (Distinkt interaktion av användare inom en session)

Session i GA4

I GA4 börjar en session när en användare besöker hemsidan eller appen och slutar efter användarens inaktivitet under en viss tid, 30 minuter som standard.

Även om du stänger webbläsarfönstret avslutas inte sessionen. Om webbläsarfönstret stängs, skulle ett nytt besök på hemsidan inom tidsgränsen fortfarande tillhöra samma session. Om inte webbläsaren via användaren eller automatiskt tar bort cookies och surfhistorik vid nedstängning eller används i inkognitoläge.

Inträffar ett besök från en ny källa under en session kommer inte en ny session att starta, utan källan för den aktuella sessionen förblir oförändrad.

GA4 registrerar källan till det här besöket, och attributionsrapporterna för händelser i avsnittet ”Annonsering” tar hänsyn till alla källor för alla sessioner.

Ett nytt besök under en befintlig session kan inträffa, till exempel om en användare återvänder från en betalningsgateway eller en sida efter att ha återställt lösenordet eller en bekräftelse på registrering. I GA4 kommer dessa besök inte att öka antalet sessioner på konstgjord väg.

Även om GA4 tar hänsyn till nya besök under befintlig session är ändå källorna till dessa besök så kallade oönskade hänvisare och bör uteslutas. Besök från uteslutna hänvisare redovisas som direkta besök i GA4 och GA4 tillskriver ingen attribution kredit till denna (direkta) källa.

Sessionens förvärvskälla

Sessionens förvärvskälla använder alltid modellen senaste icke-direkta klick. Bland annat i ”Trafikförvärvsrapporterna” under rapporter i GA4.

Sessionens förvärvskälla är källan som startade sessionen för både nya och återkommande användare. Till exempel hänvisning från sociala medier eller organiskt sökresultat. Men om ett direkt besök startade en session kommer sessionens förvärvskälla att tillskrivas källan för föregående session (om det fanns någon).

Ett direktbesök betyder att GA4 inte vet var användaren kom ifrån eftersom klicket inte passerar referens-, gclid- eller UTM-parametern.

Därför kommer sessionens förvärvskälla att vara direkt endast om GA4 inte kan se någon annan källa för besöket för den givna användaren inom fönstret för historik. Fönstret för historik är 90 dagar i GA4.

Källan till det första besöket i GA4

Källan till första besöket visar var användaren kom ifrån till hemsidan eller appen för första gången.

GA4 mäter inte enbart ROAS (return on ad spend), utan analyserar också CAC (kundanskaffningskostnad) versus LTV (kundens livstidsvärde). Det här återspeglar appens logik. Först förvärva användaren av appen, sedan genom ytterligare marknadsföring engagera och sälja till användaren.

Det nya målet ”kundförvärv” i Google Ads Performance Max kampanjer använder ett liknande tillvägagångssätt. Fokus på förstagångsköpare, inte första besök.

I GA4 registreras det första användarbesöket av händelsen ”first_visit” för hemsidan eller ”first_open” händelsen för appen.

Källan till det första besöket tillskrivs attribution med modellen för senaste icke-direkta klick. Denna attribution gäller endast för interaktioner före det första besöket till hemsidan eller första öppningen av appen.

Källan till det första besöket förblir oförändrad så länge GA4 tekniskt kan länka användarens aktivitet på hemsidan och i appen till samma användare.

Attributionsmodeller i GA4

En vanlig uppfattning är att GA 4 inte längre använder attributionsmodellen för senaste klick. I praktiken gäller det bara för anpassade rapporter som använder händelsedimensioner och mätvärden.

Standardrapporterna för trafik- och användaranskaffning i GA4 använder sessionens förvärvskälla respektive källan till första besöket. Och dessa dimensioner använder attributionsmodellen sista klick.

Det här indikeras i dimensionens namn, till exempel Session – Kampanj eller Första användare – Medium.

Session – Kampanj

Första användare – Medium

För anpassade rapporter som använder händelsedimensioner och mätvärden, till exempel Medium – Konverteringar, går det att ha en annan attributionsmodell.

Normalt är det den datadrivna attributionsmodellen som också är förinställd i GA4 inställningar men går att ändra i inställningar.

Här ändras även fönstret för tillbakablick.

Ändras attributionsmodell, är ändringen retroaktiv, det vill säga även historiska data ändras.

Verktyget för att jämföra attributionsmodeller i GA4

Oavsett vilken attributionsmodell som valts för egendomen tillåter GA4 jämförelser av olika attributionsmodeller i avsnittet ”Annonsering”. Modellerna är desamma som i egendomens inställningar och det går inte att skapa egna.

GA4 erbjuder två metoder för att attribution av konverteringar i tid:

Konverteringstid: inkluderar alla händelser som i slutändan resulterar i en konvertering som sker inom det datumintervall som valts.

Interaktionstid: inkluderar alla händelser som inträffar inom det valda datumintervallet. Om datumintervallet är för nära nuvarande tid, det vill säga idag, kan det totala antalet konverteringar skilja sig mellan två olika modeller.

Interaktionstid är typisk för annonsering där konverteringar tillskrivs klick och därmed kostnader. Interaktionstid möjliggör en korrekt matchning mellan kostnader och intäkter så inte rapporterna innehåller konverteringar efter kampanjens slut, under en period då det inte finns några kostnader för annonsering.

Med det sagt kan antalet konverteringar och intäkter för en viss rapportperiod växa över tiden tills fönstret för tillbakablick stängs. Alltså fler konverteringar för den senaste perioden om vi tittar på samma rapport i framtiden. Används konverteringstid kan inte detta ske.

Attributionsrapporterna i GA4

Alla rapporter kring attribution i GA4 finns i annonsdelen.

I rapporten ”Conversion paths” kan du laborera mellan olika attributionsmodeller. Valet av attributionsmodell påverkar inte tabellen en bit ner på sidan med konverteringsvägarna. De förblir desamma oavsett attributionsmodell och antalet kontaktpunkter och dagar till konvertering ändras inte.

I nedan exempel kan man se att det kräver i snitt 4.35 kontaktpunkter och cirka en halv dag för en konvertering.

Visualiseringen högst upp i rapporten på sidan visar hur mycket konverteringskredit varje segment av konverteringsvägen får med den valda attributionsmodellen.

Segmenten definieras enligt följande:

Tidiga kontaktpunkter: De första 25 % av kontaktpunkterna av konverteringsvägen avrundas till närmaste heltal. Detta segment är tomt om konverteringsvägen endast har en kontaktpunkt.

Mitten kontaktpunkter: De mellersta 50 % av kontaktpunkterna av konverteringsvägen. Om konverteringsvägen har mindre än tre kontaktpunkter är detta segment tomt.

Sena kontaktpunkter: De sista 25 % av kontaktpunkterna av konverteringsvägen avrundade till närmaste heltal. Om av konverteringsvägen endast består av en kontaktpunkt får detta segment all konverteringskredit.

Stapeldiagrammen under varje segment visar hur mycket konverteringskredit en viss dimension (Kanal, Källa, Medium, Kampanj) får när den befinner sig i den delen av konverteringsvägen.

Håll muspekaren över datavisualisering-elementen för mer specifik information.

Väljer man ”sista klick” modellen får alltid sista kontaktpunkten 100% av krediten. Vidare att om det endast finns två kontaktpunkter i en konverteringsväg, då finns det en tidig och en sen, men ingen mitten kontaktpunkt.

GA4 inkluderar som standard i konverteringsvägarna och jämförelserapporterna alla konverteringar i GA4-egendomen. Så kom ihåg att välja önskad konvertering först.

I vissa fall kan inte GA4 visa värden för dimensioner då de saknas eller på annat sätt inte är tillgängliga. För att hålla mätvärdena korrekta kan rapporten visa ett eller flera av följande värden:

(not set): is a placeholder name that GA4 uses when it hasn’t received any information for the dimension you have selected. For example, manually tagged URLs could be missing a parameter like campaign, source, or medium.

Unassigned: is the value GA4 uses when there are no other channel rules that match the event data.

Direct: is the value that GA4 uses when there is no path data for which to credit the conversion; for example, data import.

Unattributable: Unable to assign credit for the dimension you’ve selected.   

(Other): is the value GA4 uses for an aggregated row due to cardinality limits. Learn more

Rapporten ”All channels” visar attribuerade konverteringar för varje kanal för vald konverteringshändelse, ”köp” i nedan exempel. Och att organisk trafik i exemplet är sämst på att driva försäljning.

GA4 omfattar även ett verktyg, ”Model comparison”, för att jämföra attributionsmodeller.

Du kan till exempel jämföra den datadrivna attributionsmodellen med sista klick attributionsmodellen. I bilden kan man se att fler konverteringar tillskrivs betald annonsering under den sista klickmodellen (150) än den datadrivna modellen (130.31).

Å andra sidan har organiskt sök fler attribuerade konverteringar under den datadrivna attributionsmodellen (106.71) än den sista klickmodellen (88).

Tack vare den datadrivna modellen får vi veta att organiskt sök bidrar mycket mer till konverteringarna än vad vi tidigare visste. Här finns jobb att göra.

Så, vad är poängen att jämföra mellan attributionsmodeller? Då varje attributionsmodell illustrerar en aspekt av kundens resa, bidrar jämförelse mellan attributionsmodeller till ökad förståelse för hur viktig en kontaktpunkt är.

Med det sagt är framtiden för attribution datadriven, och framtiden är här. Den datadrivna attributionsmodellen använder avancerad maskininlärning för att mer exakt förstå hur varje kontaktpunkt i marknadsföringen bidrog till en konvertering, allt samtidigt som användarnas integritet respekteras. Det här är en del av datadriven marknadsföring.

Utmaningen med den datadrivna attributionsmodellen är att den kräver en viss mängd konverteringsdata för att fungera. Om volymerna är små eller konverteringarna är felaktiga kommer det antingen ta väldigt lång tid innan det finns tillräckligt med data att dra slutsatser av. Eller att felaktiga data snedvrider den datadrivna attributionsmodellen.

Numera har Google tagit bort kravet på viss volym på antal konverteringar för att använda den datadrivna attributionsmodellen. Men en tumregel skulle jag säga är minimum 30 konverteringar per vecka om det inte ska ta väldigt lång tid att föda den datadrivna attributionsmodellen.

Samtyckesläge (Consent mode) och Modellerade data

När besökare nekar samtycke (consent) till datainsamling skickar taggar olika ping till GA4 i stället för att lagra cookies. GA4 fyller luckorna i datainsamlingen med modellerade data om konverteringar och beteende. Således omfattar GA4 rapporter även modellerade data.

Förutom olika ping använder GA4 data från Google Signals för användare som är inloggade på Google. Google Signals data är fragmentariska, men Google kan fylla i de saknade uppgifterna med hjälp av extrapolering och matematisk modellering.

Tack vare Google Signals kan vi i GA4 se en ungefärlig men mer komplett bild av användarens resa.

Ett exempel: GA4 registrerade en iPhone-användare som besökte hemsidan från en YouTube-annons med webbläsaren Safari och aldrig återvände. GA4 såg också en konvertering gjord av en annan användare som kom från ett direkt besök i webbläsaren Chrome.

Google vet att dessa händelser tillhör samma användare eftersom denna användare var inloggad på Gmail och YouTube.

Så här kan GA4, med hjälp av signaler, modellera användarnas beteende över flera enheter. Det gör det rapporterade antalet användare mer verkligt (minskar det) och förbättrar noggrannheten i attributionen.

I exemplet ovan kan konverteringen från den direkta sessionen korrekt tillskrivas YouTube-annonsen.

Alla användare är inte alltid inloggade på Google – många har inte ens ett Google-konto. Därför, för att göra bilden mer komplett, antar GA4 att användare som inte är inloggade beter sig på liknande sätt som inloggade användare.

GA4 kommer ibland att komplettera de saknade källorna (till exempel tilldela vissa källor till konverteringar som tidigare tilldelats direkt källa). Beteendet för användare som inte har gett samtycke till spårning uppskattas på liknande sätt.

GA4 känner till antalet sidvisningar och konverteringar från användare som inte lämnat samtycke och kan modellera hur många användare som genererade dessa sidvisningar och konservativt tillskriva konverteringar till källor.

I GA4 går det även att förbättra rapporterna med hjälp av första part data, ”User-ID”. GA4 rapporter kombinerar då ”User-ID” data med ”Client-ID” (Analytics-cookie-identifieraren) och Google Signals. Detta gör data mer komplett, särskilt över flera enheter och mätning av livstidsvärde.

Förhållandet mellan frekvenser på samtycke och modellerade konverteringar

Allmänt kan man säga att konverteringsfrekvenserna utan samtycke är betydligt lägre än konverteringsfrekvenserna vid samtycke. Google har funnit att användarens konverteringsfrekvens varierar beroende på användarens samtyckesstatus. Det är vanligtvis 2–5 gånger större sannolikhet att användare konverterar med samtycke än användare utan samtycke. Detta varierar dock mycket beroende på faktorer som frekvenser på samtycke, bransch och typ av konvertering.

Exemplet från Google visar hur konverteringsfrekvenser och sänkningar/ökningar i konverteringsfrekvensen inte är lika. Detta då användare utan samtycke tenderar att konvertera mer sällan. I det här fallet har annonsören en samtyckesfrekvens på 50 %, men endast en minskning av antalet konverteringar med 19 % (12 av 62) och en ökning med 18 % av konverteringsfrekvensen från modellerade konverteringar.

Undvik att implementera samtyckesläge genom att blockera Google-taggar tills dialogrutan för samtycke visas och användarna samtycker. Om du gör det får du inte alla fördelar med samtyckesläget.

Modellerade data i GA4 kommer inte fylla i luckorna för saknad observerade data när användare avböjer samtycke. Oavsett om du väljer att blockera taggar eller avblockera taggar justerar Google-taggar deras beteende baserat på dina användares tillstånd till samtycke.

* När du blockerar taggar baseras modellerade konverteringar i Google Ads på en allmän modell vilket innebär modellerade konverteringsvärden endast baserade på användare som samtycker. Den modellen är mindre exakt än den modellering du får från avancerad implementering. I avancerad implementering tränas modellen på både observerade data från användare som samtycker och cookiefria pingar från användare som tackar nej till samtycke.