Katsot Youtubesta videoita ja samalla eteesi tupasahtaa brändi X:n mainos, joka esittelee uutta puhelinmallia. Puhelimen päivittäminen on ollut ehkä jo takaraivossasi, mutta et ole saanut aikaiseksi perehtyä tarkemmin markkinoilla oleviin vaihtoehtoihin. Uuden mallin mainos saa puhelimen hankkimisen nousemaan tietoiseen harkintaasi.
Hetkeä myöhemmin selailet puhelimellasi Instagramia ja Instagram Storiers -osiossa törmäät seuraamasi bloggaajan videoon, jossa hän kertoo juuri kokeilleensa tämän saman brändin X uutta puhelinta kuukauden ajan ja jakaneensa tästä testijaksosta arvion nyt blogiinsa. Swaippaus ylös ja siirryt lukemaan blogikirjoitusta. Blogikirjoitus saa sinut kiinnostumaan juuri tämän kyseisen puhelimen hankinnasta, sillä se vaikuttaa vastaavan kaikin tavoin tarpeitasi ja se, että bloggaaja, jonka arvioon luotat, suosittelee puhelinta, on tietysti tärkeää.
Myöhemmin samana päivänä teet puhelinmallista Google-haun tietokoneellasi ja klikkaat itsesi maksetun Google-mainoksen kautta verkkokaupan sivuille selvittämään tarkemmin puhelimen teknisiä tietoja. Tämän jälkeen teet uuden haun Googlessa, vertailet eri verkkokauppojen hintoja ja päätät jäädä pohtimaan asiaa.
Osto ehtii jo unohtua, kunnes parin päivän päästä, uudelleenmarkkinointilistalle päädyttyäsi, näet puhelimesta mainoksen Facebookissa. Mainos palauttaa puhelimen hankinnan taas mieleesi.
Viikon päästä sähköpostiin tupsahtaa ilmoitus siitä, että verkkokaupassa, jossa juuri sitä samaa puhelinta myydään, saa lahjakortin kaupan päälle ja tästä innostuneena klikkaat itsesi verkkokauppaan, siirrät puhelimen ostoskoriin ja teet ostoksen loppuun – ja jäät odottelemaan paketin saapumista kotiovelle.
Monimutkaistuneet konversioreitit ja markkinointikanavien valtava määrä asettavat haasteita markkinointikanavien suoriutumisen arvioinnille
Yllä kuvattu ostopolku edustaa hyvin tyypillistä nykypäivän asiakkaan ostoprosessia. Kohtauspisteitä ennen varsinaista konversiota on lukuisia, eikä ostoprosessi yleensä etene suoraviivaisesti. Monikanavaisuuteen ja omnichanneliin kääntyneen maailman monimutkaistuneet ostopolut ja markkinointikanavien määrän räjähdysmäinen kasvu aiheuttavat sen, että eri kanavien tuomia tuloksia on haasteellista arvioida – mitä monimutkaisempi ja pidempi ostopolku on, sitä haastavampaa on arvioida, minkä kanavan ansiota lopullinen konversio oikeastaan on.
Yllä kuvatussa tapauksessa sähköpostimarkkinointi saisi ostostasi hyvin tyypillisesti kaiken kunnian, sillä se oli viimeinen konversioreitin kohtauspiste ennen ostoa. Mutta entäs Youtube-markkinointi? Tai vaikuttajamarkkinointi? Instagram-mainonta? Googlen maksettu mainonta? Facebookin uudelleenmarkkinointi? Kaikilla näillä kanavilla oli oma osansa siinä, että osto lopulta suoritettiin loppuun, mutta harvoin niille annetaan siitä kunniaa. Jos jokin kohtauspisteistä konversioreitillä olisi poistettu, olisi ostopolku voinut katketa. Entä jos Facebookin uudelleenmarkkinointi ei olisi palauttanut ostoa mieleesi? Puhelin hankinta olisi saattanut unohtua ja palata seuraavan kerran mieleesi, kun tiputat puhelimen lattialle ja se hajoaa lopullisesti.
Youtube-markkinointi voi toimia mainiona kiinnostuksen herättelynä ja tuoda uusia potentiaalisia asiakkaita sivuille, mutta se ei välttämättä klousaa kauppoja. Sähköpostimarkkinointi voi saada nykyasiakkaat ostamaan enemmän ja useammin, muttei tuo merkittävissä määrin uutta asiakasvirtaa sivuillesi. Mistä voi siis tietää, mihin kanavaan mainoseurot kannattaa sijoittaa oikeasti? Miten voidaan arvioida eri kanavien suoriutumista? Tuloksien mittaus on digimarkkinoinnin kulmakivi, jonka vuoksi jokainen markkinoija luonnollisesti toivoo saavansa mahdollisimman luotettavia lukuja päätöksenteon tueksi.
Ratkaisu on attribuutiomallinnus.
Vinkki: Lataa myös verkkokauppaa käsittelevä verkkolehtemme, jossa samaa aihetta sivuutettiin usean markkinoinnin ammattilaisen toimesta.
Attribuutio määrittää, kuinka paljon kunniaa kullekin kanavalle annetaan konversiosta
Attribuutio auttaa hahmottamaan asiakkaan koko konversioreitin, eli kaikki reitin varrella olleet kohtauspisteet: käytännössä attribuutiomallinnuksen avulla voidaan muodostaa kokonaisvaltaisempi kuva asiakkaan konversioreitistä. Attribuutiomalli määrää sen, miten paljon arvoa syntyneestä konversiosta kullekin konversioreitillä olleeelle kanavalle annetaan.
Tämä mahdollistaa sen, ettei liian hätiköityjä johtopäätöksiä markkinointitoimenpiteiden suhteen tehdä, mikä tapahtuu helposti, jos keskitytään tuijottamaan tiukasti esimerkiksi viimeisen klikkauksen mallia. Suljemme ostoaikeen alulle laittaneita Facebook-kampanjoita tai keskeytämme hyvin uusia asiakkaita tuoneita avainsanoja Google Adsista, koska luvut näyttävät, että ne eivät tuo kauppaa. Attribuutio auttaa tunnistamaan, mitkä kanavat tuovat uusia asiakkaita sisään tai mitkä taas klousaavat kauppoja – näin eri kanavien tulosten arviointi on helpompaa ja markkinointibudjetin eurot on helpompaa suunnata sinne, missä ne tuottavat haluttuja tuloksia.
Eri alustat ja työkalut mittaavat attribuutiota erilaisilla tavoilla
Erilaisia malleja, joilla attribuutiota voidaan mitata, on lukuisia. Eikä riitä, että mittaamismalleja on erilaisia, vaan sen lisäksi eri alustat ja työkalut mittaavat attribuutiota erilaisilla tavoilla.
Esimerkiksi Google Analyticsin attribuution mittaus perustuu puhtaasti evästeisiin, kun taas Facebook seuraa evästeiden sijaan kävijöitä. Usein näiden kahden alustan näyttämiä lukuja vertaillessa huomataan, että Facebookin suoritus näyttää Analyticsista katsottuna suorastaan karmealta, vaikka Facebookin omat mittarit näyttävät kaikin puolin hyviltä.
Syy löytyy attribuutiosta. GA ja Facebook miittaavat attribuutiota eri tavoilla. Siinä missä Google Analytics antaa oletuksena viimeisen klikkauksen mallin mukaisesti krediitin konversiosta aina viimeiselle kanavalle, Facebook puolestaan antaa arvon viimeiselle Facebook-mainoksen klikkaukselle – tai jos klikkausta ei tapahtunut, viimeiselle nähdylle mainokselle (näyttökonversiot).
Jos asiakas klikkaa Facebook-mainosta ja päätyy sivustolle selaamaan tuotteita, muttei tee ostoa ja vaikkapa samana iltana palaa tekemään oston ja tekee sen maksetun Google-mainoksen kautta, Facebook näyttää, että osto oli FB-mainoksen ansiota. Google Analytics puolestaan antaa kaiken kunnian ostosta maksetulle Google-mainokselle. Käytännössä Facebook antaa aina optimistisen arvion omasta suoriutumisestaan, kun taas Google Analyticsin luvut näyttävät suotuisilta kanaville, jotka ovat ostofunnelin loppupäässä – tyypillisesti esimerkiksi uudelleenmarkkinoinnille.
Vertaile kanavien suoriutumista eri attribuutiomallien valossa Google Analyticsin mallinvertailutyökalulla
Google Analytics käyttää oletuksensa viimeisen klikkauksen mallia, mutta Analytics tarjoaa mallinvertailutyökalun (model comparison tool), jonka avulla on mahdollista vertailla, miltä eri kanavien tulokset näyttävät eri attribuutiomalleilla. Vertailemalla eri attribuutiomalleja on mahdollista tunnistaa esimerkiksi kanavat, kampanjat tai avainsanat, jotka olisivat näyttäneet huonoilta ja alisuorittajilta viimeisen klikkauksen valossa.
Otetaan seuraavaksi kurkkaus erilaisiin attribuutiomalleihin, joita Google Analytics tarjoaa.
A) VIIMEINEN KLIKKAUS
Viimeisen klikkauksen malli eli last click -malli on, kuten jo todettu, yleisin attribuutiomalli ja Google Analyticsin oletusmalli. Last click -malli antaa 100% kaiken arvon konversiosta konversioreitin viimeiselle kosketuspisteelle.
Viimeisen klikkauksen malli kertoo, mitkä kanavat tai kampanjat klousaavat kauppoja parhaiten. Sehän kuulostaa tietysti hyvältä, koska totta kai jokainen markkinoija haluaa tietää, mitkä kanavat tai kampanjat tuovat eniten euroja pöytään, eikö? Pelkkä viimeisen klikkauksen tuijottaminen kuitenkin asettaa usein monet markkinointitoimenpiteet huonoon valoon, sillä on hyvin tyypillistä, että viimeinen klikkaus tulee esimerkiksi suoran liikenteen, maksetun brändihaun tai orgaanisen haun kautta ja näin ollen nämä kanavat kahmivat kaiken kunnian konversioista, vaikka ensimmäinen kiinnostuksen herättänyt kanava olisi ollut vaikkapa Instagram tai Youtube.
B) VIIMEINEN EPÄSUORAKLIKKAUS
Viimeinen epäsuora klikkaus -malli jättää huomioimatta suoran liikenteen. Kunnia konversiosta menee viimeiselle kohtauspisteelle ennen konversion syntymistä.
Viimeisen epäsuoran klikkauksen malli on hyödyllinen, kun haluat käyttää viimeisen klikkauksen mallia, mutta et halua huomioida suoraa liikennettä (joka on usein lopputulosta markkinointiponnisteluista).
C) ENSIMMÄINEN KLIKKAUS
Ensimmäinen klikkaus eli first click -malli on vastakohta last clickille. First click -mallissa arvo konversiosta annetaan 100 % konversioreitin ensimmäiselle kosketuspisteelle.
Erityisen hyödyllinen ensimmäisen klikkauksen malli on silloin, kun halutaan tunnistaa kanavat tai kampanjat, jotka tuovat eniten uutta, konversioon lopulta päätyvää asiakasvirtaa sivuille. Ensimmäiseen klikkaukseen perustuva malli suosii siis ostofunnelin yläpäässä olevia kanavia.
D) VIIMEINEN GOOGLE ADS -KLIKKAUS
Viimeinen Google Ads -klikkaus -malli antaa 100% arvosta viimeiselle Googlen maksetun mainonnan klikkaukselle.
Jos ainoa markkinointikanava on Google Ads ja halutaan mitata yksinomaan sen tuomia tuloksia, voi malli olla hyödyllinen. Jos (ja kun) markkinointikanavia on useampia käytössä, viimeinen Google Ads -klikkaus -malli kaunistelee Ads-mainonnan suoriutumista ja jättää kaikki muut kanavat täysin huomiotta.
E) LINEAARINEN
Lineaarisessa mallissa arvo jakautuu tasaisesti kaikkien konversion syntymiseen vaikuttaneiden kanavien kesken, eli jokaiselle konversioreittiin kuuluneelle kanavalle annetaan yhtä paljon kunniaa syntyneestä konversiosta.
Lineaarisen mallin ajatus on hyvä – annetaan kunniaa tasapuolisesti kaikille. Todellisuus kuitenkin on, että kaikki pisteet konversioreitillä eivät ole samanarvoisia, vaan joillakin pisteillä on konversion syntymiseen enemmän vaikutusta kuin toisilla ja näin ollen ne ovat arvokkaampia. Lineaarinen malli antaa kokonaiskuvan siitä, mitkä kaikki kanavat ovat useimmiten osa konversioreittiä, mutta todellisuudessa markkinoija haluaa todennäköisesti antaa konversion syntyyn vahvemmin vaikuttaneille kanaville enemmän arvoa, jotta markkinointieurot voidaan sijoittaa niin, että ROI on mahdollisimman hyvä.
F) SIJAINTIPOHJAINEN
Sijaintipohjaisessa mallissa (position-based) ensimmäinen ja viimeinen klikkaus saavat kukin 40% konversion arvosta, kun taas kaikille välillä oleville pisteille jaetaan tasapuolisesti loput 20%.
Sijaintipohjainen malli taklaa paljon ongelmakohtia, joita muissa edellä jo esitellyissä malleissa on. Se antaa eniten arvoa ensimmäiselle kohtauspisteelle (joka alun perin toi asiakkaan sivuille) ja viimeiselle, kaupan klousanneelle kanavalle, mutta huomioi myös kaikki muut näiden kahden pisteen välissä olevat kohtauspisteet. Tilanne on kuitenkin sama kuin lineaarisen mallin kanssa: kaikki välillä olevat kohtauspisteet tuskin ovat täysin samanarvoisia.
G) VAIMENEMISAIKA
Vaimenemisaika-mallissa (time decay) lähimpänä konversion syntymistä ajallisesti olleet kohtauspisteet saavat suurimman osan kunniasta ja mitä ajallisesti kauempana konversion synnystä kohtauspiste on ollut, sitä vähemmän sillä on ollut vaikutusta konversion syntymiseen vaimenemisaika-mallin mukaan.
Vaimenemisaika-malli näyttää, mitkä kaikki kanavat ovat olleet osallisina konversioreitillä, mutta se antaa kaupan klousanneille kanaville enemmän arvoa. Ensimmäisillä kohtauspisteillä asiakkaan konversioreitillä voi olla iso vaikutus lopullisen konversion syntyyn ja tätä vaimenemisaika-malli ei huomioi.
H) DATAAN POHJAUTUVA
On olemassa myös dataohjautuva malli, joka on saatavilla GA 360 -asiakkaille. Dataan pohjautuva malli perustuu Googlen koneoppimisen algoritmiin: algoritmi ottaa huomioon eri kanavien vaikutukset konversioreitillä ja jakaa datan pohjalta arvon eri kohtauspisteille. Tämä on ainoa epästaattinen malli, joka mukautuu dataan perustuen.
Yllä esiteltyjen mallien lisäksi Google Analytics tarjoaa mahdollisuuden luoda omia, täysin kustomoituja malleja, joissa painoarvon jokaiselle kanavalle voi määrittää täysin oman yrityksen tavoitteisiin sopivalla tavalla.
Valitse attribuutiomalli, joka vastaa yrityksesi liiketoiminnan ja markkinoinnin tavoitteita
Kun valitset attribuutiomallia, pysähdy miettimään liiketoimintasi ja markkinoinnin tavoitteita. Se, mikä attribuutiomalli kannattaa valita, on täysin riippuvaista siitä, mitä markkinoinnilla pyritään saavuttamaan. Onko Google Ads -mainontasi yksi ja ainoa tavoite saada täysin ostovalmiit asiakkaat kauppaasi ja ostamaan? Silloin viimeinen klikkaus soveltuu attribuution mittaukseen vallan hyvin. Jos taas haluat mitata eri markkinointikanavien vaikutusta konversioreitillä kokonaisvaltaisemmin, kannattaa ehkä harkita jotain muuta mallia.
Oikean mallin valinta perustuu siihen, mihin kysymykseen haluat löytää vastauksia. Mieti siis ensin, mitä haluat tietää ja valitse käytettävä attribuutiomalli sen pohjalta.
Aukotonta mallia ei olemassa
Tärkeintä on muistaa, että täysin holistista attribuutiomallia, joka kykenisi mittaamaan koko asiakaspolun täysin aukottomasti alusta loppuun eri laitteista ja eri selaimista huolimatta, ei ole olemassakaan (ainakaan toistaiseksi). Attribuutiomallit perustuvat pitkälti olettamuksiin ja siksi täyden totuuden saavuttaminen on hankalaa.
Olennaista ei olekaan löytää oikeaa vastausta, koska sellaista ei varsinaisesti ole. Attribuutiossa on aina omat puutteensa ja joka mallissa omat hyötynsä ja haittansa. Tärkeintä onkin valita parhaiten yrityksen liiketoiminnan ja markkinoinnin tavoitteisiin sopiva malli ja tiedostaa sen puutteet. Näin kokonaiskuvan hahmottaminen helpottuu.
Vaikka täysin aukotonta attribuutiomallia ei ole olemassa, se ei tarkoita, etteikö jokainen markkinoija voisi hyötyä attribuutiomallinnuksen käytöstä. Attribuutiomallinnus auttaa esimerkiksi käytettävissä olevan mainosbudjetin allokointia. Kun tietää edes vähän, tarvitsee arvailla vähemmän – vaikkei olekaan mahdollista tietää absoluuttista totuutta tuloksista, joita markkinointipanostuksilla on saatu aikaan, attribuution käyttö antaa suuntaviivoja siihen, mitkä käytössä olevista kanavista tuovat yritykselle eniten suoria tuloksia ja mitkä taas ovat enemmän tukevia kanavia. Näin budjettia voidaan painottaa eri kanaviin sen hetkisten tavoitteiden mukaisesti.
Tilaa digitaalisen markkinoinnin hiljainen tieto sähköpostiisi
Julkaistu 06.08.2019
Päivitetty 24.02.2026
