Tại sao không nên tiếp tục sử dụng mô hình phân bổ nhấp chuột cuối cùng

tai-sao-khong-nen-tiep-tuc-su-dung-mo-hinh-phan-bo-lan-nhap-cuoi-cung

Đôi khi bạn cảm thấy thất vọng với kết quả nhận được từ chiến dịch áp dụng đặt giá thầu thông minh từ Google.

Không chỉ riêng bạn.

Để tự động hóa hoạt động một cách hiệu quả, bạn cần đáp ứng một số điều kiện.

  • Một tài khoản có cấu trúc tốt.
  • Dữ liệu chuyển đổi chính xác.
  • Mô hình phân bổ chính xác (gợi ý: mô hình phân bổ chính xác không phải là phân bổ nhấp chuột cuối cùng)

Máy học phụ thuộc vào dữ liệu chính xác

Các chiến lượt đấu thầu thông minh của Google đều dùng máy học để phân tích dữ liệu chuyển đổi lịch sử và đưa ra quyết định cho mỗi phiên đấu thầu.

Các mô hình học máy đúng như tên gọi của chúng, chúng học cách đạt được điều gì đó.

Có nhiều cách tiếp cận cụ thể khác nhau để đạt được khả năng học tập này. Nói chung, nó phụ thuộc vào việc tinh chỉnh quy trình ra quyết định của máy khi quyết định hoặc dự đoán của máy không phù hợp với kết quả mong đợi và mong muốn.

Tôi đưa ra một ví dụ đơn giản từ Điểm Chất lượng Google.

Một mô hình học máy đã xem xét dữ liệu lịch sử về đấu giá quảng cáo. Nó đã xem xét tất cả các điều kiện tìm kiếm và các thuộc tính của quảng cáo được nhấp.

Bằng cách so sánh các tín hiệu này, có thể đã biết rằng CTR thường tốt hơn khi tên miền của nhà quảng cáo tương ứng với vị trí của người thực hiện tìm kiếm (ví dụ: người dùng Việt Nam có thể bị thu hút nhiều hơn vào quảng cáo với tên miền .vn so với tên miền .uk) .

Máy có thể tìm hiểu điều này vì Google có dữ liệu chính xác về tỷ lệ nhấp.

Nhưng nếu dữ liệu CTR của họ không chính xác thì sao? Hệ thống có còn đưa ra quyết định chính xác.

Đó là nguyên tắc rằng các quyết định tốt phụ thuộc vào thông tin tốt.

Bởi vì máy móc thiếu sự đánh giá của con người, chúng thậm chí còn phụ thuộc nhiều vào dữ liệu tốt hơn con người.

Vậy làm thế nào để chúng tôi cung cấp dữ liệu chính xác cho tự động hóa? Tất cả bắt đầu với mô hình theo dõi chuyển đổi và phân bổ.

Mô hình phân bổ nên phản ánh hành trình tiêu dùng điển hình

Trừ khi người tiêu dùng có lòng trung thành mạnh mẽ với thương hiệu, rất có thể họ sẽ thực hiện nhiều hơn một lần tìm kiếm trước khi mua thứ gì đó và họ sẽ có nhiều điểm tiếp xúc với nhiều thương hiệu khác nhau trong suốt hành trình khách hàng của họ.

Một hành trình của khách hàng có thể có hàng trăm bước để đơn giản hóa một chút, chúng ta có thể nghĩ đến một kênh chuyển đổi trong đó các bước của hành trình được nhóm thành các giai đoạn (nhận thức, quen thuộc, xem xét, mua hàng).

Tôi sẽ sử dụng hình ảnh đơn giản hơn của kênh để giải thích lý do tại sao các mô hình phân bổ rất quan trọng khi sử dụng bất kỳ tự động hóa nào trong tài khoản.

Trong một kênh, khách hàng tiềm năng được chuyển qua các giai đoạn khác nhau cho đến khi một số trong số họ cuối cùng xuất hiện ở dưới cùng của kênh và trở thành khách hàng của bạn.

Có lẽ, mọi giai đoạn của kênh này đều có một số đóng góp trong quá trình biến khách hàng tiềm năng thành khách hàng và công việc của mô hình phân bổ là gán giá trị chính xác cho từng giai đoạn này.

Như tôi đã nói trước đây, hầu hết các hành trình đều nhiều hơn một bước.

Mô hình phân bổ nhấp chuột cuối cùng (hoặc mô hình nhấp chuột đầu tiên) chỉ đánh giá một bước duy nhất  và nó không phù hợp với hành vi tiêu dùng thông thường.

Nó bỏ qua những đóng góp được thực hiện bởi tất cả các bước khác mà khách hàng tiềm năng đã thực hiện để trở thành khách hàng.

lượt nhấp chuột cuối cùng trên hành trình mua hàng

Mô hình phân bổ lần nhấp cuối cùng chỉ định toàn bộ giá trị đóng góp dẫn đến lượt chuyển đổi cho quảng cáo cuối cùng mà người dùng nhấp vào cùng từ khóa tương ứng.

Hầu hết người tiêu dùng thực hiện nhiều tìm kiếm và cần được hướng dẫn trong suốt hành trình chuyển đổi của khách hàng. Phân bổ lần nhấp cuối cùng gây ra lỗi không đánh giá các điểm chạm trước đó như tìm kiếm kênh trên giúp khách hàng tiềm năng tiếp cận các tìm kiếm thường được thực hiện gần hơn với chuyển đổi.

Các nhà quản lý tài khoản đủ thông minh để nhận ra rằng người dùng đang tìm kiếm [máy giặt] không thể chuyển đổi lần nhấp tiếp theo

Bằng cách giáo dục họ về danh tiếng thương hiệu, người dùng đó giờ đây có thể quen thuộc với thương hiệu và tìm kiếm thứ gì đó cụ thể hơn như [máy giặt LG].

Từ đó, họ có thể thấy quảng cáo về toàn bộ phạm vi và được thuyết phục để tìm kiếm [giá tốt nhất cho LG 8kg] và chuyển đổi vào lần nhấp tiếp theo.

Chúng tôi đã dựa vào sự nhạy cảm của con người để không loại bỏ các tìm kiếm chung chung trước đó có thể hiển thị trong Quảng cáo Google mặc dù chúng không có chuyển đổi.

Đánh giá của con người về dữ liệu xấu không hoạt động với tự động hóa

Nhưng bây giờ, Google tìm kiếm đang trở nên tự động hơn mỗi ngày. Bạn có thể quyết định thử nghiệm đặt giá thầu thông minh trong Google theo mục tiêu CPA.

Vấn đề là hầu hết các tự động hóa này sử dụng dữ liệu chuyển đổi để thực hiện công việc của nó.
Và khi họ gặp phải các từ khóa kênh trên không có chuyển đổi được gán cho chúng vì hệ thống đo lường sử dụng phân bổ nhấp chuột cuối cùng, tự động hóa quyết định các từ khóa quan trọng này là vô giá trịcó thể loại bỏ chúng.

Đối với bạn và tôi, rõ ràng điều này sẽ tạo ra kết quả xấu. Nhưng chúng ta không thể đổ lỗi hoàn toàn cho tự động hóa.

Việc tự động hóa đang thực hiện công việc của mình, nhưng với dữ liệu không đầy đủ và điều đó có thể khiến nó đưa ra quyết định không tốt bằng con người sẽ đưa ra khi quản lý cùng một tài khoản.

Hy vọng bạn đã học được ba điều từ bài viết này:

  • Tự động hóa không tự làm việc một cách kỳ diệu. Nó vẫn cần sự giúp đỡ từ con người.
  • Cách bạn gán giá trị cho các chuyển đổi trở nên quan trọng hơn bao giờ hết nếu bạn đang sử dụng bất kỳ tự động hóa nào. Nhấp chuột lần cuối là một rủi ro để sử dụng với tự động hóa.
  • Công việc của chúng tôi là tận dụng ưu điểm Google tìm kiếm và kết hợp đúng đắn, hệ thống tự động sẽ tạo ra kết quả tuyệt vời.

Một câu hỏi quan trọng mô hình nhấp chuột cuối cùng.

Nếu chúng ta không còn có thể dựa vào phân bổ nhấp chuột cuối cùng, chúng ta nên sử dụng mô hình nào?

Đó là một câu trả lời phức tạp nhưng tôi có thể chia sẻ rằng mô hình giảm dần theo thời gian là lựa chọn đầu tiên rõ ràng cho các nhà quảng cáo không chắc chắn về lựa chọn nào trong sáu tùy chọn của Google.

Giảm dần theo thời gian gần giống nhất với lần nhấp cuối cùng nhưng có thêm lợi ích là nó gán ít nhất một số giá trị cho mọi giai đoạn trong hành trình của khách hàng.

[block id=”google-analytics-checklist”]

Đăng ký nhận bài viết mới

Nhận email cập nhật bài viết mới nhất chủ đề Google Analytics

Facebook
LinkedIn

Bài viết liên quan

Cùng Chúng Tôi Phát triển khách hàng tiềm năng cho doanh nghiệp của bạn ngay hôm nay.

Chia sẽ mục tiêu của bạn với chúng tôi, các chuyên gia digital của Digit Matter sẽ gọi lại tư vấn để giúp bạn lên kế hoạch phù hợp với mục tiêu của bạn.

Chúng tôi có thể giúp bạn bằng các giải pháp:

arrow-effect-dm

Liên hệ quảng cáo

Tư vấn tối ưu quảng cáo, thiết kế website, đối tác Google tại Việt Nam.