In poche parole
Con l'imminente dismissione dei cookie di terza parte e le crescenti limitazioni in ambito privacy le aziende si trovano di fronte a una diminuzione significativa dei dati disponibili, rendendo più difficile analizzare il comportamento degli utenti in modo accurato e prendere decisioni informate sulla pubblicità e sul marketing.
Un'altra conseguenza di queste limitazioni è la perdita di efficacia nell'attribuzione delle conversioni e la difficoltà nel valutare il ritorno sull'investimento (ROI) dei canali di marketing. Questo rende essenziale l'uso dei dati per comprendere come indirizzare in modo efficace gli investimenti sia a livello di budget sia a livello di flussi di conversione.
La soluzione che propone Digital Pills è l'adozione di modelli di attribuzione personalizzati e data-driven, che tengano conto di tutte le interazioni degli utenti lungo il percorso di conversione. Attraverso un algoritmo di machine learning predittivo, viene assegnato uno scoring alle diverse azioni dell'utente, permettendo di valutare l'efficacia di ciascun canale pubblicitario in base ai dati reali e alle performance osservate.
Questo approccio "super partes" consente alle aziende di ottenere una visione più accurata delle performance dei canali di marketing e di prendere decisioni basate sui dati per ottimizzare le strategie pubblicitarie e di investimento.
Addio cookie di terza parte e altre limitazioni
Le restrizioni dei browser, gli adblocker e la dismissione progressiva dei cookie di terza parte stanno avendo un impatto significativo sul modo in cui le aziende raccolgono, tracciano e utilizzano i dati per le loro strategie di advertising.
In particolare molti browser popolari stanno implementando restrizioni sui cookie di tracciamento di terze parti e su altre tecnologie di monitoraggio. Come puoi vedere dall’immagine qui sotto si tratta di un percorso che è iniziato parecchi anni fa e che vedrà il suo culmine probabilmente nel 2024 con l’eliminazione da parte di Chrome dei cookie di terza parte.
Queste crescenti restrizioni portano ad alcune inevitabili conseguenze:
Meno dati di traffico per analizzare il comportamento degli utenti.
I cookie di terza parte vengono utilizzati per raccogliere dati sulle interazioni degli utenti con siti web e applicazioni al di fuori del dominio principale che stanno visitando e sono preziosi per gli inserzionisti, poiché consentono di seguire il percorso dell'utente attraverso diversi siti, capire interessi e comportamenti e identificare opportunità di remarketing. Con la limitazione o il blocco dell'uso dei cookie di terze parti, le aziende vanno incontro ad una diminuzione significativa dei dati di traffico provenienti da utenti non autenticati. Ciò può rendere più difficile analizzare il comportamento degli utenti in modo completo e accurato, riducendo la qualità delle informazioni disponibili per prendere decisioni informate sulla pubblicità e sul marketing.
Perdita di efficacia e attendibilità dell’attribuzione delle conversioni e difficoltà nel valutare il ritorno sull’investimento dei canali.
Con queste limitazioni le aziende avranno sempre più difficoltà a identificare con precisione quali canali di marketing stanno generando conversioni e a valutare il ritorno sull'investimento (ROI) di ciascun canale.
Senza una valutazione accurata del ROI, le aziende potrebbero sprecare risorse preziose su strategie poco performanti, prendere decisioni di marketing poco precise e a valutare approssimativamente l’efficacia delle campagne.
Quello che ne deriva è una esigenza da parte di chi si occupa di growth e acquisizione di usare i dati per capire come direzionare nel modo più efficace possibile gli investimenti, sia a livello di budget, sia a livello di flussi di conversione.
La maggior parte dei business digitali non ha una customer journey immediata, che è il motivo per cui molti investono in campagne digitali che hanno obiettivi di awareness e consideration, prima ancora che di conversion.
Ed è qui che nasce il problema: come attribuire un valore a quelle campagne che contribuiscono di certo alla conversione ma a cui, attraverso modelli di attribuzione standard, non viene riconosciuto nessun contributo?
Detto ancora meglio, da una Growth Manager con cui lavoriamo:
“Io ho tante campagne di awareness a cui secondo il modello last click in GA4 non vengono attribuite le conversioni, che però sono il punto di ingresso di una conversione che arriva successivamente. Ho bisogno di capire come ogni canale contribuisce alla conversione in real time perché ho necessità di essere veloce e meticolosa nelle scelte di budget.”
Necessità di un modello super partes
Ogni piattaforma di advertising e analisi ha il proprio modello di attribuzione, che determina come vengono assegnati i meriti alle diverse interazioni o touchpoint che un utente ha avuto prima di effettuare una conversione (ad esempio, un acquisto). Questi modelli di attribuzione possono variare notevolmente da una piattaforma all'altra - e spesso sono progettati per favorire quella stessa piattaforma.
Se ciascuna piattaforma attribuisce il merito delle conversioni alle proprie interazioni pubblicitarie, rende difficile confrontare in modo accurato le performance tra le diverse piattaforme: questa discrepanza può portare a conclusioni errate sulla redditività dei canali pubblicitari e sulla distribuzione del budget.
Sta emergendo sempre più chiaramente la necessità di avere un approccio "super partes" e basato sui dati: un modello di attribuzione che consideri tutte le interazioni che un utente ha avuto lungo il percorso di conversione, tenendo conto di ciò che avviene prima della conversione.
Quello di cui c’è bisogno è un modello che valuti l'efficacia di ciascun canale pubblicitario in base ai dati reali e alle performance osservate, piuttosto che affidarsi a regole predefinite o a modelli di attribuzione preconfezionati.
La soluzione: modello di attribuzione personalizzato data-driven
Nel momento in cui ci sono in atto crescenti limitazioni sulla possibilità di raccogliere e utilizzare una serie di dati e in cui ogni piattaforma ha un modo diverso di considerare l’attribuzione, la soluzione è creare modello attribuzione personalizzato che sia al 100% data-driven.
Invece che partire da formule standard incapaci di valutare performance di campagne che non portano direttamente alla conversione, abbiamo sviluppato una soluzione che riparte dalle singole azioni che l’utente fa sul sito.
Tutto parte da una semplice domanda: qual è il peso che ciascuna azione ha nel processo che porta alla conversione?
Grazie ad una mappatura iniziale identifichiamo, attraverso un algoritmo di machine learning predittivo, una serie di eventi che sono correlati positivamente (ad esempio visualizzazione immagini prodotto, aggiunta carrello) e negativamente (es. registrazione garanzia) all’acquisto, fornendo loro uno scoring: quanto le azioni contribuiscono da 1 a 10 alla conversione?
Ad esempio, posto che la conversione, come ad esempio l’acquisto, avrà uno score di 10 (ovvero il valore massimo), l’algoritmo potrebbe assegnare ad esempio uno score di 3 al click sulle immagini e di 8 all’aggiunta al carrello.
In seguito, verrà assegnato un punteggio alle singole sessioni, sulla base delle azioni effettuate dagli utenti. Le sessioni vengono poi raggruppate secondo le classiche configurazioni (canale, sorgente, mezzo, campagna).
Questo tipo di modello implica un modo diverso di guardare all’attribuzione: non si attribuisce ad un singolo canale il valore di una conversione, ma un peso sulla base delle interazioni. Ad esempio, se l’utente non converte nella sessione, ma fa delle azioni che hanno una correlazione positiva con l’obiettivo scelto (es. acquisto) viene assegnato comunque un punteggio alle sessioni provenienti da quel canale, che può essere alto o basso sulla base della correlazione con il goal.
Facciamo un esempio: immaginiamo di avere il seguente journey:
- Primo touchpoint Meta, con visualizzazione gallery
- Secondo Touchpoint Linkedin, con aggiunta prodotto al carrello
- Terzo Google Ads, con acquisto
Con un modello di attribuzione standard last click non direct in GA4 vedremo attribuito il peso della conversione al 100% a Google Ads, rischiando di arrivare alla conclusione errata che gli altri canali non abbiano contribuito in maniera efficace alla conversione.
La nostra soluzione, invece, ci dà informazioni sul valore, il punteggio appunto, che hanno i singoli canali.
Possiamo andare ad analizzare gli score delle sessioni in questo modo:
- Meta: session score 3, perché è stato fatto un click sulle immagini
- Linkedin: session score 8, perché c’è stata l’aggiunta al carrello
- Google Ads: session score 10, perché è stato effettuato il purchase
Con questo modello è possibile comprendere in che modo ogni canale abbia contribuito a portare alla conversione in modo da poter prendere decisioni su dove investire di più e dove investire di meno, decisioni davvero data-driven.
Ok, ma in che cosa consiste?
Forniamo al team marketing una dashboard in cui controllare in real time lo scoring dei canali e delle singole campagne, adatta ad analisi settimanali per l'ottimizzazione del budget e perfetta per poter intervenire tempestivamente in caso di canali e campagne poco performanti.
In questa pagina trovi tutte le informazioni sulla nostra soluzione, se vuoi parlarne con noi clicca qui sotto:
