Show Menu
화제×

기여도 분석 패널 개요

Adobe Analytics Ultimate, Prime, Select 및 Foundation SKU의 모든 고객이 기여도 분석 패널을 사용할 수 있습니다.
기여도 분석 패널은 자유 형식 테이블, 시각화 및 계산된 지표에 많은 새로운 유형의 기여도 분석 모델을 추가할 수 있도록 해주는 기여도 분석 IQ 기능입니다. 모든 기여도 분석 모델에는 다음과 같은 두 가지 구성 요소가 있습니다.
  • 기여도 분석 모델: 이 모델은 그룹의 히트에 대한 전환 분포를 설명합니다. 예를 들어 첫 번째 터치 또는 마지막 터치가 있습니다.
  • 기여도 분석 전환 확인 기간: 전환 확인 기간은 각 모델에 대해 고려되는 히트 그룹을 설명합니다. 예를 들어, 방문 또는 방문자가 있습니다.

기여도 분석 모델

UI 아이콘
기여도 분석 모델
정의
사용 시기
마지막 터치
전환 전에 가장 최근에 발생하는 터치 포인트에 100% 크레딧을 제공합니다.
가장 기본적이고 일반적인 기여도 분석 모델. 이 모델은 짧은 고려 주기 동안 전환에 자주 사용됩니다. 마지막 터치는 팀에서 검색 마케팅을 관리하거나 내부 검색 키워드를 분석하는 데 주로 사용됩니다.
첫 번째 터치
기여도 분석 전환 확인 기간에서 맨 먼저 표시된 터치 포인트에 100% 크레딧을 제공합니다.
브랜드 인지도 또는 고객 확보를 유도하기 위한 마케팅 채널을 분석하는 데 유용한 또 다른 일반적인 기여도 분석 모델. 첫 번째 터치는 디스플레이 또는 소셜 마케팅 팀에서 자주 사용되지만, 온사이트 제품 권장 사항의 효율성을 평가하기에도 유용합니다.
동일한 터치
전환이 발생한 바로 그 히트에 100% 크레딧을 제공합니다. 터치 포인트가 전환과 동일한 히트에서 발생하지 않으면 "없음" 아래에 버킷으로 처리됩니다.
전환 즉시 제공된 컨텐츠나 사용자 경험을 평가할 때 유용한 모델. 제품 또는 디자인 팀은 종종 이 모델을 사용하여 전환이 발생하는 페이지의 효율성을 평가합니다.
선형
전환으로 이어지는 모든 표시되는 터치 포인트에 동일한 크레딧을 제공합니다.
고려 주기가 더 길거나 빈번한 고객 참여가 필요한 사용자 환경을 사용하는 전환에 유용합니다. 주로 팀에서 모바일 앱 알림 효율성 측정이나 구독 기반 제품에 사용됩니다.
U자형
첫 번째 상호 작용에 40% 크레딧을 제공하고, 마지막 상호 작용에 40% 크레딧을 제공하며, 나머지 20%를 그 사이의 모든 터치 포인트에 나눠줍니다. 터치 포인트가 하나인 전환의 경우 100% 크레딧이 제공됩니다. 터치 포인트가 두 개인 전환의 경우 두 터치 포인트에 50% 크레딧이 제공됩니다.
전환을 도입하거나 종료한 상호 작용을 중요시하면서도 지원 상호 작용을 인식하려는 사용자를 위한 탁월한 모델입니다. U자형 기여도 분석은 일반적으로 균형 잡힌 접근 방식을 수행하지만 전환을 발견하거나 종료한 채널에 더 많은 크레딧을 주고자 하는 팀에서 일반적으로 사용됩니다.
J자형
마지막 상호 작용에 60% 크레딧을 제공하고, 첫 번째 상호 작용에 20% 크레딧을 제공하며, 나머지 20%를 그 사이의 모든 터치 포인트에 나눠줍니다. 터치 포인트가 하나인 전환의 경우 100% 크레딧이 제공됩니다. 터치 포인트가 두 개인 전환의 경우 75% 크레딧이 마지막 상호 작용에 제공되며, 25% 크레딧이 첫 번째 상호 작용에 제공됩니다.
이 모델은 파인더와 클로저에 대해 우선순위를 매기고 종료 상호 작용에 집중하려는 사용자에게 적합합니다. J자형 기여도 분석은 일반적으로 균형 잡힌 접근 방식을 수행하며 전환을 종료한 채널에 더 많은 크레딧을 주고자 하는 팀에서 사용하는 경우가 많습니다.
J의 역
첫 번째 터치 포인트에 60% 크레딧을 제공하고, 마지막 터치 포인트에 20% 크레딧을 제공하며, 나머지 20%를 그 사이의 모든 터치 포인트에 나눠줍니다. 터치 포인트가 하나인 전환의 경우 100% 크레딧이 제공됩니다. 터치 포인트가 두 개인 전환의 경우 75% 크레딧이 첫 번째 상호 작용에 제공되며, 25% 크레딧이 마지막 상호 작용에 제공됩니다.
이 모델은 파인더와 클로저에 대해 우선순위를 매기고 검색 상호 작용에 집중하려는 사용자에게 이상적입니다. J의 역 기여도 분석은 일반적으로 균형 잡힌 접근 방식을 수행하며 전환을 시작한 채널에 더 많은 크레딧을 주고자 하는 팀에서 사용합니다.
사용자 지정
첫 번째 터치 포인트, 마지막 터치 포인트 및 그 사이에 있는 모든 터치 포인트에 제공할 가중치를 지정할 수 있습니다. 입력한 사용자 지정 숫자가 100에 추가되지 않는 경우에도 지정된 값이 100%로 표준화됩니다. 터치 포인트가 하나인 전환의 경우 100% 크레딧이 제공됩니다. 터치 포인트가 두 개인 상호 작용의 경우 중간 매개 변수는 무시됩니다. 그런 다음 첫 번째 및 마지막 터치 포인트가 100%로 표준화되고 크레딧은 그에 따라 할당됩니다.
이 모델은 기여도 분석 모델을 완벽하게 제어하고 다른 기여도 분석 모델이 충족시키지 못하는 특정 요구 사항을 가진 사용자에게 적합합니다.
시간 가치 하락
기본값이 7일인 사용자 지정 반감기 매개 변수를 사용하는 팔로우 및 기하급수적 감소. 각 채널의 가중치는 터치 포인트 시작과 최종 전환 사이에 경과된 시간에 따라 달라집니다. 크레딧을 결정하는 데 사용되는 공식은 2^(-t/halflife) 이고, 여기서 t 는 터치 포인트와 전환 사이의 시간입니다. 그러면 모든 터치 포인트가 100%로 표준화됩니다.
날짜가 사전에 결정된 이벤트에 대해 비디오 광고 또는 마케팅을 정기적으로 실행하는 팀에 적합합니다. 마케팅 이벤트 후 전환이 일어나기까지 시간이 오래 걸릴수록 크레딧은 적게 제공됩니다.
기여도
모든 고유한 터치 포인트에 100% 크레딧을 제공합니다. 다른 기여도 분석 모델에 비해 총전환 수가 부풀려집니다. 기여도는 여러 번 표시되는 채널을 중복 제거합니다.
고객이 지정된 상호 작용에 얼마나 자주 노출되는지를 이해하는 데 유용합니다. 미디어 조직은 컨텐츠 속도를 계산하는 데 이 모델을 자주 사용합니다. 소매 조직은 사이트 내에서 전환에 중요한 부분을 이해하는 데 종종 이 모델을 사용합니다.
다음 알고리즘 속성 모델은 현재 Adobe Analytics Labs에서 제공되고 있으며 결국 일반 릴리스의 일부가 될 것입니다.
UI 아이콘
기여도 분석 모델
정의
사용 시기
통계 기법을 사용하여 선택한 지표에 대한 크레딧의 최적 할당을 동적으로 결정합니다.
비즈니스에 적합한 속성 모델을 선택할 때 추측이나 추론을 피하는 데 유용합니다.

전환 확인 기간

전환 확인 기간은 터치 포인트를 포함하도록 전환에서 다시 확인해야 하는 시간의 양입니다. 첫 번째 상호 작용에 더 많은 크레딧을 제공하는 기여도 분석 모델은 서로 다른 전환 확인 기간을 볼 때 더 큰 차이를 보입니다.
  • 방문 전환 확인 기간: 전환이 발생한 방문 시작 부분까지 되돌아봅니다. 방문 전환 확인 기간은 방문 이후를 보지 않으므로 좁습니다. 방문 전환 확인 기간은 가상 보고서 세트의 수정된 방문 정의를 준수합니다.
  • 방문자 전환 확인 기간: 현재 날짜 범위 달의 1일까지의 모든 방문을 다시 봅니다. 방문자가 많은 방문을 했을 수 있으므로 방문자 전환 확인 기간은 넓습니다. 예를 들어, 보고서 날짜 범위가 9월 15일 ~ 9월 30일인 경우, 방문자 전환 확인 날짜 범위는 9월 1일 ~ 9월 30일이 됩니다.

다음 예를 생각해 보십시오.
  1. 9월 15일 방문자가 유료 검색 광고를 통해 사이트에 도착했다가 나갑니다.
  2. 9월 18일 이 방문자가 친구로부터 받은 소셜 미디어 링크를 통해 다시 사이트에 도착합니다. 장바구니에 몇 개 항목을 추가하지만 구입하지는 않습니다.
  3. 9월 24일 마케팅 팀이 장바구니에 있는 일부 항목에 대한 쿠폰이 포함된 이메일을 보냅니다. 쿠폰은 적용하지만 다른 쿠폰이 있는지 확인하기 위해 다른 몇 개 사이트를 방문합니다. 디스플레이 광고를 통해 다른 항목을 찾은 다음 최종적으로 $50에 구매합니다.
전환 확인 기간과 기여도 분석 모델에 따라 채널은 서로 다른 크레딧을 받습니다. 다음은 몇 가지 주목할 만한 예입니다.
  • 첫 번째 터치 ​와 방문 전환 확인 기간 ​을 사용하는 기여도 분석은 세 번째 방문만 봅니다. 이메일과 디스플레이 사이에 이메일이 첫 번째였으며, 따라서 $50 구매에 대해 이메일이 100% 크레딧을 받습니다.
  • 첫 번째 터치 ​와 방문자 전환 확인 기간 ​을 사용하는 기여도 분석은 세 개의 방문을 모두 봅니다. 유료 검색이 첫 번째였으며, 따라서 $50 구매에 대해 유료 검색이 100% 크레딧을 받습니다.
  • 선형 ​과 방문 전환 확인 기간 ​을 사용하는 경우 크레딧이 이메일과 디스플레이 간에 나눠집니다. 이 두 채널 모두 각각 $25의 크레딧을 받습니다.
  • 선형 ​과 방문자 전환 확인 기간 ​을 사용하는 경우 크레딧은 유료 검색, 소셜, 이메일 및 디스플레이 간에 나눠집니다. 각 채널은 이 구매에 대해 $12.50 크레딧을 받습니다.
  • J자형 ​과 방문자 전환 확인 기간 ​을 사용하는 경우 크레딧은 유료 검색, 소셜, 이메일 및 디스플레이 간에 나눠집니다.
    • $30인 60% 크레딧이 디스플레이에 제공됩니다.
    • $10인 20% 크레딧이 유료 검색에 제공됩니다.
    • 나머지 20%는 소셜과 이메일 간에 나누어져 각각 5달러가 제공됩니다.
  • 시간 가치 하락 ​과 방문자 전환 확인 기간 ​을 사용하는 경우 크레딧은 유료 검색, 소셜, 이메일 및 디스플레이 간에 나눠집니다. 다음과 같이 기본 7일 반감기를 사용합니다.
    • 디스플레이 터치 포인트와 전환 간 0일 간격. 2^(-0/7) = 1
    • 이메일 터치 포인트와 전환 간 0일 간격. 2^(-0/7) = 1
    • 소셜 터치 포인트와 전환 간 6일 간격. 2^(-6/7) = 0.552
    • 유료 검색 터치 포인트와 전환 간 9일 간격. 2^(-9/7) = 0.41
    • 이러한 값을 표준화하면 다음과 같은 결과가 나옵니다.
      • 디스플레이: 33.8%, $16.88 받음
      • 이메일: 33.8%, $16.88 받음
      • 소셜: 18.6%, $9.32 받음
      • 유료 검색: 13.8%, $6.92 받음
주문이나 사용자 지정 이벤트와 같은 기타 전환 이벤트도 크레딧이 둘 이상의 채널에 속하는 경우 나누어집니다. 예를 들어 두 채널이 선형 기여도 분석 모델을 사용하여 사용자 지정 이벤트에 기여하는 경우 두 채널 모두 사용자 지정 이벤트의 0.5를 받습니다. 이러한 이벤트 소수 값은 모든 방문에 걸쳐 집계된 다음 보고를 위해 가장 가까운 정수로 반올림됩니다.

마케팅 채널에서 기여도 분석 분석 사용

마케팅 채널이 처음 도입되었을 때에는 첫 번째 터치와 마지막 터치 차원에서만 제공되었습니다. 이러한 추가적인 기여도 분석 모델을 사용하면 명시적인 첫 번째/마지막 터치 차원이 더 이상 필요하지 않습니다. Adobe는 범용 마케팅 채널 차원을 제공하므로 원하는 기여도 분석 모델에 이 차원을 사용할 수 있습니다. 이러한 범용 마케팅 채널 차원은 마지막 터치 채널 차원과 동일하게 동작하지만 다른 기여도 분석 모델과 함께 마케팅 채널을 사용할 때 혼동을 방지하기 위해 다르게 레이블이 지정됩니다.
마케팅 채널 차원은 기존 방문 정의(처리 규칙으로 정의됨)에 따라 다르므로 이 차원의 방문 정의는 가상 보고서 세트를 사용하여 변경할 수 없습니다.

다중 값 변수가 있는 기여도 분석 사용

Analytics의 일부 차원은 하나의 히트에 여러 값을 포함할 수 있습니다. 일반적인 예로는 목록 변수와 제품 변수가 있습니다.
기여도 분석이 다중 값 히트에 적용되면 동일한 히트에 있는 모든 값이 동일한 크레딧을 받습니다. 많은 값이 이 크레딧을 받을 수 있으므로 보고서 합계는 각 개별 라인 항목을 합산한 경우와 다를 수 있습니다. 보고서 합계는 중복 제거되고 각 개별 차원값은 적절한 크레딧을 받습니다.

세그멘테이션이 있는 기여도 분석 사용

기여도 분석은 항상 세그멘테이션 전에 실행되며, 세그멘테이션은 보고서 필터가 적용되기 전에 실행됩니다. 이 개념은 세그먼트를 사용하는 가상 보고서 세트에도 적용됩니다.
예를 들어 "디스플레이 히트" 세그먼트가 적용된 VRS를 만드는 경우 일부 기여도 분석 모델을 사용하여 테이블에서 다른 채널을 볼 수도 있습니다.
세그먼트가 지표를 포함하는 히트를 억제하면 해당 지표 인스턴스가 어떤 차원에도 기여하지 않습니다. 하지만 비슷한 보고서 필터는 속성 모델별로 처리된 지표에 영향을 주지 않고 일부 차원 값을 숨깁니다. 따라서 비교 가능한 정의가 있는 세그먼트 및 필터가 때때로 세그먼트에 대해 더 낮은 값을 반환할 수 있습니다.