Nền kinh tế số phát triển đem đến cho người dùng nhiều sự lựa chọn trên các nền tảng bán hàng khác nhau. Điều này dẫn tới hành trình mua hàng của khách hàng sẽ phức tạp hơn rất nhiều. Vậy thương hiệu làm thế nào để xác định được đúng điểm chạm nào là điểm chạm có ý nghĩa tạo ra chuyển đổi trong hành trình mua hàng của khách hàng.
Số lượng điểm chạm giữa khách hàng tiềm năng và thương hiệu trước chuyển đổi hoặc bán hàng có thể dao động từ 5 đến 50. Với rất nhiều điểm chạm, hành trình lập bản đồ của người tiêu dùng liên tục truy cập giữa các kênh và thiết bị, online và offline cũng trở nên phức tạp hơn bao giờ hết.
Vì thế, Marketer luôn phải tìm cách tối ưu hóa chiến dịch quảng cáo và đo lường hiệu quả. Yếu tố quan trọng nhất của quá trình này là xác định được chính xác nguồn phân bổ (nguồn tạo ra chuyển đổi từ điểm chạm cuối). Bằng cách phân tích và xác định nguồn cài đặt app hoặc mua hàng. Bạn có thể xác định được tính hiệu quả của các hoạt động tiếp thị khác nhau và quyết định bước tiếp theo.
Phân bổ giúp bạn đo lường và đánh giá tác động của các điểm chạm riêng biệt. Từ đó, có thể tối ưu hóa những gì chưa hiệu quả hoặc điều chỉnh ngân sách vào các kênh đang hoạt động tốt hơn.
Lợi ích khi áp dụng mô hình phân bổ đa điểm chạm (MTA)
-
Phản ánh hành trình thực tế trên di động
Hành trình trên mobile app của người dùng rất phức tạp. Một user không chỉ đơn thuần quyết định cài đặt ứng dụng thông qua việc xem một quảng cáo duy nhất. Để người dùng đạt được một chuyển đổi, họ thường trải qua một hành trình dài bao gồm nhiều quảng cáo trên nhiều kênh khác nhau. Trong thực tế, nghiên cứu nội bộ từ Airbridge cho thấy hơn 30% chuyển đổi được thực hiện sau ba hoặc nhiều điểm chạm. Do đó, việc sử dụng phân bổ đa chạm có thể phản ánh tốt hơn cách người dùng suy nghĩ và hành động trong thực tế.
-
Tối ưu hóa ngân sách
Tìm ra mức độ đóng góp mà mỗi kênh đóng góp có thể giúp nhà quảng cáo phân phối ngân sách quảng cáo một cách tốt hơn để tối ưu hiệu suất quảng cáo. Hiện tại rõ ràng rằng người dùng trong thực tế tương tác với nhiều điểm chạm. Do đó, việc chỉ xét một điểm chạm đóng góp vào việc tạo ra một chuyển đổi có thể làm phóng đại hiệu suất của một số kênh trong khi đánh giá thấp các kênh còn lại. Phân bổ đa chạm có thể xác định mức độ đóng góp của mỗi kênh và cung cấp cho nhà quảng cáo một cái nhìn khách quan, giúp họ phân phối ngân sách hiệu quả hơn.
-
Cung cấp dữ liệu chi tiết cho nhà quảng cáo
Ngành mobile app dần trở nên cạnh tranh hơn khi các kênh mới xuất hiện và người dùng trở nên cảnh giác hơn đối với các thông điệp quảng cáo. Do đó, những nhà quảng cáo sẽ cần có một nguồn dữ liệu sâu hơn để tối ưu hóa hệ thống quảng cáo của họ. Mô hình phân bổ đa chạm có thể cung cấp cho nhà quảng cáo các dữ liệu chính xác và chi tiết về các kênh mà quảng cáo hoạt động tốt nhất và cách để tối ưu hóa chiến lược quảng cáo của mình.
Phân bổ: Đo lường hiệu suất quảng cáo
Phân bổ là quá trình ghi nhận điểm chạm cuối tạo ra chuyển đổi trong hành trình của khách hàng. Dựa trên mức độ đóng góp của mỗi điểm chạm, quảng cáo hiệu suất được tính toán. Trên thị trường tồn tại nhiều trường hợp các kênh quảng cáo và agency không thống nhất về kết quả phân bổ – các kênh quảng cáo cho rằng quảng cáo của họ đã đóng góp vào chuyển đổi, trong khi các đơn vị quảng cáo cho rằng đó là nhờ vào quảng cáo của họ.
Single-touch attribution – Phân bổ đơn điểm chạm
Mô hình phân bổ đơn điểm (Single-touch attribution) là phương pháp đơn giản nhất, trong đó toàn bộ kết quả chuyển đổi được ghi nhận cho một điểm chạm duy nhất. Có hai biến thể chính của mô hình này, bao gồm phân bổ điểm chạm đầu (first-touch) và phân bổ điểm chạm cuối (last-touch).
Mô hình phân bổ điểm chạm đầu gán toàn bộ kết quả chuyển đổi cho điểm chạm đầu tiên xuất hiện trong hành trình của người dùng. Phương pháp này sẽ lập giả định và ghi nhận thành công chuyển đổi cho quảng cáo đầu tiên giới thiệu dịch vụ đến người dùng.
Trong các ví dụ dưới đây, điểm chạm bắt nguồn từ nhiều kênh đa dạng. Ngoài ra, cài đặt ứng dụng là hành động duy nhất được cân nhắc khi xét đến chuyển đổi.
Mô hình phân bổ điểm chạm cuối (Last-touch attribution – LTA) ghi nhận kết quả chuyển đổi cho điểm chạm cuối cùng trong hành trình của người dùng. Phương pháp này sẽ lập giả định và ghi nhận thành công chuyển đổi cho quảng cáo được xem và nhấp vào bởi người dùng ngay trước khi cài đặt ứng dụng. LTA là mô hình phổ biến nhất hiện nay do sự đơn giản và sự dễ hiểu của nó.
Phân bổ đa điểm chạm (Multi-touch Attribution)
Mô hình phân bổ đa điểm (Multi-touch attribution – MTA) gán kết quả chuyển đổi cho các điểm chạm khác nhau xuyên suốt hành trình người dùng. Loại phân bổ này được xây dựng dựa trên quan điểm rằng việc ghi công tất cả nỗ lực chuyển đổi cho một điểm chạm duy nhất là không công bằng. Khi triển khai phân bổ đa điểm, duy trì một nguyên tắc nhất quán trong quá trình ghi nhận kết quả chuyển đổi đóng vai trò hết sức quan trọng. MTA có thể được chia thành hai loại tùy theo cách chúng được thiết lập theo quy tắc (rule-based) hay dựa trên dữ liệu (data-driven).
Hiểu về phân bổ đa điểm
| Tiêu chuẩn phân loại | Nguyên tắc | |||
|---|---|---|---|---|
| Phân bổ đa điểm | Đo lường hiệu suất dựa trên các quy luật định sẵn | Phân bổ đa điểm theo quy tắc (rule-based) | Tất cả các điểm chạm được ghi nhận kết quả đều nhau | Mô hình tuyến tính (Linear) |
| Điểm chạm gần với hành vi chuyển đổi hơn được ghi nhận nhiều hơn | Mô hình hao mòn theo thời gian (Time-decay) | |||
| Đo lường hiệu suất dựa trên các mô hình dữ liệu | Phân bổ đa điểm dựa trên dữ liệu (data-driven) | Giá trị Shapley | ||
| Xích Markov | ||||
| Đo lường hiệu suất suy xét đến nguyên nhân | Gia tăng (Incrementality) | |||
Với mô hình rule-based, kết quả chuyển đổi được phân phối theo các quy tắc định trước. Các nhà quảng cáo sẽ tự quyết định nguyên tắc phân bổ sao cho phù hợp với bản chất dịch vụ của mình. Mô hình MTA rule-based có thể được chia thành hai dạng là mô hình tuyến tính (linear) và mô hình hao mòn theo thời gian (time decay).
Các mô hình phân bổ đa điểm chạm
Mô hình phân bổ tuyến tính – Linear Attribution
Mô hình tuyến tính (linear) phân bổ kết quả chuyển đổi bằng nhau cho mỗi điểm chạm, giả định rằng tất cả quảng cáo đã đều có đóng góp như nhau vào quá trình chuyển đổi của người dùng.
Mô hình phân bổ hao mòn theo thời gian – Time-decay attribution
Mô hình phân bổ hao mòn theo thời gian (time-decay) lại hoạt động theo một nguyên tắc khác: các điểm chạm gần với quá trình chuyển đổi hơn thì sẽ có ảnh hưởng lớn hơn.
Kết quả là, mô hình này ghi nhận kết quả cho các điểm chạm xuất hiện gần quá trình chuyển đổi nhiều hơn. Bằng cách giảm dần tỷ lệ đóng góp giảm của các điểm chạm trước đó, nhà quảng cáo có thể thiết lập phân bổ chuyển đổi cho từng điểm chạm sao cho phù hợp với bản chất dịch vụ của mình.
Trong ví dụ trên, chúng ta áp dụng tỷ lệ phân bổ cho các điểm chạm TP 1: TP 2: TP 3: TP 4: TP 5 tương ứng là 1: 2: 3: 4: 5. Tuy nhiên, các mô hình có thể thay đổi tùy thuộc vào tình huống cụ thể.
Mô hình phân bổ Shapley – Shapley attribution
Giá trị Shapley ban đầu được thiết kế để phân phối tiền thưởng giữa các cộng tác viên dựa trên đóng góp của từng cá nhân. Trong ngữ cảnh này, các điểm chạm đại diện cho các cộng tác viên, và số lượng chuyển đổi tương ứng với số tiền thưởng. Mỗi điểm chạm nhận một phần trăm nhất định trên tổng số chuyển đổi dựa theo đóng góp của chúng.
32 hành trình người dùng khả thi bao gồm: (No TP), (TP 1), (TP 2), (TP 3), (TP 4), (TP 5), (TP 1, TP 2), (TP 1, TP 3), …, (TP 1, TP 2, TP 3, TP 4, TP 5)
Mô hình phân bổ đa điểm theo dữ liệu – Markov attribution
Xích Markov đơn giản hóa một chuỗi các sự kiện để đánh giá hiệu suất của điểm chạm. Xích Markov cho phép bạn mô tả xác suất của (i) chuyển từ một điểm chạm sang điểm chạm tiếp theo và (ii) sự xuất hiện của chuyển đổi trong một biểu đồ thống nhất.
Cả giá trị Shapley và xích Markov đều giả định các tình huống trong đó một điểm chạm không xuất hiện để đo lường hiệu suất quảng cáo. Tuy nhiên, xích Markov xác định kết quả chuyển đổi dựa trên xác suất giữa các điểm chạm và chuyển đổi, trong khi giá trị Shapley sử dụng các số liệu thực tế như số lượng cài đặt ứng dụng để xác định phân bổ.
Ví dụ, 40% tổng số người dùng bắt đầu hành trình của họ thông qua điểm chạm TP 1 và 50% trong số đó sẽ gặp TP 5 sau này. Trong số những người gặp TP 5, 30% cuối cùng được chuyển đổi thành công. Điều này dẫn đến khả năng là 6% của hành trình TP 1 – TP 5 có thể dẫn đến chuyển đổi. Thứ hai, trong nhóm đã trải qua TP 1, 30% tiếp tục đến TP 2. Trong số những người gặp TP 2, 60% chuyển đổi. Điều này mang lại xác suất của hành trình TP 1 – TP 2 dẫn đến chuyển đổi là 7.2%. Tổng kết lại, phân bổ của TP 1 sẽ gộp lại bằng 13.2%.
Sự khác biệt giữa 2 mô hình LTA và MTA
|
LTA |
MTA |
|
| Tính chính xác | Đi kèm với nguy cơ đánh giá quá cao hoặc đánh giá thấp các điểm tiếp xúc nhất định | Cung cấp cái nhìn đầy đủ và chính xác hơn về tác động thực sự của từng điểm tiếp xúc đối với chuyển đổ |
| Độ phức tạp | Đơn giản và dễ hiểu, dễ thực hiện | Đòi hỏi nhiều dữ liệu và phân tích hơn, khó thực hiện hơn |
| Tính ứng dụng | Cung cấp câu trả lời rõ ràng cho câu hỏi về điểm tiếp xúc nào dẫn đến chuyển đổi, giúp doanh nghiệp dễ dàng thực hiện hành động và tối ưu hóa các nỗ lực tiếp thị | Cung cấp cái nhìn sâu sắc hơn về hành trình của người dùng, điều này có thể khiến việc xác định các lĩnh vực cụ thể cần cải thiện trở nên khó khăn hơn |
| Ý nghĩa trong thiết bị di động | Không nắm bắt được tính chất rời rạc của hành trình người dùng, gây khó khăn cho việc đo lường chính xác hiệu suất | Có thể sử dụng nhiều dữ liệu trên nhiều thiết bị nhưng có thể có những bất đồng về cách phân bổ tín dụng |
Tại sao mô hình MTA cần được các doanh nghiệp chú trọng
Bản chất MTA ghi nhận lại toàn bộ điểm chạm và áp dụng nguyên tắc last touch để phân bổ. Vì vậy, Mô hình MTA mang đến cái nhìn tổng thể và bao phủ toàn bộ kênh, cung cấp thông tin chi tiết về hành trình của người dùng, tăng hiệu quả đầu tư.
Vì vậy, bạn nên quan tâm đến mô hình phân bổ đa điểm chạm vì:
- Cho bạn biết những chiến dịch nào mang lại lợi tức chi tiêu quảng cáo (ROAS) hoặc lợi tức đầu tư (ROI) nhất.
- Cho bạn biết kênh nào tạo ra nhiều chuyển đổi, khách hàng tiềm năng và doanh thu nhất.
- Giúp bạn chi tiêu ngân sách marketing của bạn một cách hợp lý.
- Giúp bạn dự đoán những gì sắp xảy ra để bạn có thể thực hiện điều chỉnh các chiến thuật marketing của mình theo thời gian thực.
Khi đề cập đến việc phân bổ multi-touch, không có một phương pháp nào phù hợp cho tất cả các trường hợp. Mô hình phân bổ sẽ phụ thuộc vào KPI cụ thể cho mỗi ứng dụng và chiến dịch của bạn. Ví dụ: Nếu bạn đo lường số lượt tải ứng dụng, mô hình Time-decay có thể phù hợp nhất. Tuy nhiên, nếu bạn đo lường LTV, bạn có thể cần một mô hình bao gồm nhiều điểm chạm, thậm chí sau khi chuyển đổi, như mô hình đường dẫn toàn bộ.
Trước khi quyết định sử dụng mô hình nào, quan trọng là xác định KPI và sau đó chọn mô hình phù hợp nhất. Bạn cũng nên thử nghiệm các mô hình khác nhau và xem xét mô hình nào phù hợp nhất với chiến lược của bạn. Nếu một mô hình không mang lại kết quả, hãy thử một mô hình khác cho đến khi bạn thu thập được thông tin cần thiết.
Cuối cùng, so sánh kết quả giữa các mô hình và xem bạn có thể tối ưu hóa ở đâu để cải thiện hiệu suất.
