Scopri la potenza del pannello Attribuzione e degli intervalli di lookback in Adobe Analytics per comprendere meglio il percorso dei tuoi clienti.

La prima volta che ho visto il pannello Attribuzione e l’intervallo di lookback, ho pensato subito al concetto di “viaggio nel tempo”; poi, ovviamente, ho pensato alla tipica reazione quando ci troviamo di fronte a molti nuovi strumenti come questi, ossia evitare di usarli perché sembrano così complicati.

Davvero: quante opzioni, switch, pannelli, dati e manopole. E poi, vogliamo parlare di tutti quelle cose complicate, luci lampeggianti, tubi, strumenti... Ma no! Non è il momento di distrarsi parlando di macchine del tempo, perché semplicemente non be abbiamo il... tempo, o no?

Ammetto che il  pannello Attribuzione è uno strumento abbastanza complesso; tuttavia, nel nostro lavoro di analisti, giorno dopo giorno, utilizziamo un altro dei nostri strumenti preferiti e altamente complessi per dare un’occhiata anche a ciò che è successo nel passato. Questo strumento si chiama Adobe Analytics! Quindi sì, per rispondere alla nostra domanda altamente pertinente, credo che abbiamo molto tempo.

Perché lasciarci intimorire dal provare strumenti così incredibili, sofisticati e potenti come questi, che ci permettono letteralmente di guardare  indietro  (o “look back”, come si dice appunto in inglese) nel tempo, ogni singolo giorno?

Dopotutto... Si tratta di VIAGGIARE NEL TEMPO!! E noi ci occupiamo proprio di questo tipo di cose. Giusto?

Quindi, cosa aspettiamo? Di trovarci sotto casa un’auto futuristica o una cabina telefonica vintage con un vecchio ombrello che fa da antenna?

Certo che no! Abbiamo qualcosa di ancora migliore, quindi allacciati la cintura e reggiti forte!

Vabbeh... hai capito cosa intento.

Ora che siamo carichi all’idea di un viaggio nel tempo, facciamo un respiro profondo e un passo indietro e vediamo cos’è davvero il  pannello Attribuzione e di cosa è composto:

Figura 1 - Numeri visualizzati in linea con il testo riportato di seguito

Nell’attribuzione, considera semplicemente il modo in cui eventi o azioni possano essere causati da una o più persone o da particolari eventi nel tempo.

Secondo Adobe, l’attribuzione  consente agli analisti di personalizzare il modo in cui a diversi elementi Dimensione  vengano attribuiti specifici eventi di successo.

Di fatto, raramente un dato percorso clienti è realmente lineare e tanto meno prevedibile. Ogni cliente procede secondo il proprio ritmo: spesso torna indietro, si ferma, inizia di nuovo o mostra altri comportamenti non lineari. Queste azioni organiche rendono difficile conoscere l’impatto effettivo delle attività di marketing lungo il percorso del cliente. Inoltre, ostacolano il ogni tentativo di collegare più canali di dati tra loro.

Esatto. Lasciamo da parte le analogie con il “domino” e apriamo la mente a concetti più simili all’effetto farfalla e alla teoria delle stringhe. Ma, come sempre, iniziamo dalle basi.

Modelli di attribuzione

Quando si utilizza il pannello Attribuzione, possiamo iniziare a osservare alcune cose. Ad esempio, i  modelli di attribuzione  ci dimostrano in che modo le conversioni  (ad esempio, ❶  metriche di successo) possono essere distribuite tra diversi  hit  in un dato gruppo.

In pratica, se  10 persone  premono un  GRANDE PULSANTE ROSSO  per varcare una porta, i modelli di attribuzione  ci diranno a quali di queste  10 persone  vogliamo attribuire il merito di aver premuto detto pulsante, o meglio quanto merito vogliamo attribuire loro,

Tenendo presente questo aspetto, ecco alcuni esempi di come i ❸  modelli di attribuzione  potrebbero influire su quelle  10 persone:

• Primo contatto: questo modello funziona esattamente come sembra, assegnando il 100% del merito  alla  prima  persona che ha varcato la porta. In genere, i marketer usano questo approccio per tattiche come social media o  display; tuttavia, è anche un’ottima tattica da utilizzare per l’efficacia dei prodotti consigliati nel sito.

• Ultimo contatto: questa tattica funziona esattamente come sembra, assegnando il 100% del merito all’ULTIMA persona che ha varcato la porta. Questo modello viene solitamente usato per analizzare elementi come  ricerca naturale (organica)  e altre campagne marketing con ciclo  a breve termine.

• Lineare: questo modello assegna lo stesso merito a OGNI SINGOLA PERSONA che ha varcato la porta.

• A forma di U: questo approccio assegna il  40%  del merito alla  prima persona  che varca la porta, poi distribuisce il 20%  del merito a  tutte altre eccetto l’ultima, e quindi dà il 40%  all’ultima  persona. Questo modello viene utilizzato soprattutto in situazioni con un lungo ciclo di conversione/vendita  contenente  diversi punti di contatto. In questo caso, l’obiettivo è principalmente quello di evidenziare la prima  e l’ultima  tattica di marketing che ha contribuito alla conversione del cliente.

• A forma di J  e  J inversa:

  • Rispetto al modello A forma di U, questo modello assegna il  60% del merito all’ultima persona  che varca la porta, il  20% alla prima, e quindi divide il rimanente 20% tra tutte le altre.  J inversa  fa esattamente l’opposto.

    L’obiettivo è quello di mettere in evidenza la fase iniziale o  finale della campagna, pur assegnando una certa quantità di merito all’elemento contribuente all’estremità opposta, e riconoscendo anche il contributo dei “piccoletti” nel mezzo.

• Decadimento nel tempo: anche questo merita di essere citato. Questo modello si basa letteralmente su un tempo di dimezzamento con decadimento esponenziale, nel tempo! In questo caso, il parametro predefinito  di questo modello è  7 giorni. Applica un certo  peso  a ciascun  canale di marketing,  in base al tempo  che passa tra il  punto di contatto iniziale  e il momento in cui si verifica la conversione.

  In genere, i modelli di attribuzione Decadimento nel tempo  e  A forma di U  vengono utilizzati per misurare le campagne a più lungo termine, ma come puoi vedere, hanno obiettivi leggermente diversi, in base a come viene pesato  il valore del risultato.

• Personalizzato: puoi scegliere tu chi attribuire il merito. È la tua campagna!

Per ulteriori informazioni su questi e altri modelli di attribuzione, fai clic qui.

Per rendere tutto questo ancora più interessante, parliamo di tornare indietro nel tempo!

Intervalli di lookback

Ora saliamo di livello. E aggiungiamo letteralmente l’elemento del viaggio nel tempo alla nostra analisi, sempre iniziando dalle basi.

Per Adobe, un ❹  intervallo di lookback indica “quanto tempo nel passato si deve considerare per includere i punti di contatto di una conversione. I modelli di attribuzione che assegnano più merito (o credito) alle prime interazioni presentano differenze più importanti quando si considerano diversi intervalli di lookback”.

In altre parole, gli  intervalli di lookback  determinano il periodo di tempo durante il quale le  conversioni vengono considerate e forniscono  contesto  all’analisi di attribuzione.  Adobe Analytics  offre tre tipi di  intervalli di lookback:

• Intervallo di lookback per visita:  viene considerato l’inizio di una visita in cui si verifica una conversione, fornendo insight sulle interazioni immediate che portano alle conversioni.

  In genere questo è l’intervallo di lookback  più breve da utilizzare.

• Intervallo di lookback per visitatore:  vengono considerate tutte le  visite  dal primo del mese entro l’intervallo date selezionato, per una visione molto più ampia delle interazioni del cliente. È utile per riconoscere specifici pattern nel tempo.

• Intervallo di lookback personalizzato: consente di estendere la finestra di attribuzione oltre l’intervallo di date del rapporto, fino a un massimo di 90 giorni. Fornisce flessibilità nell’acquisizione dei punti di contatto che si verificano oltre l’intervallo date selezionato, per un’analisi completa.

Regolando un dato  intervallo di lookback, gli analisti possono quindi esaminare l’impatto di uno o più punti di contatto entro un arco temporale specifico e ottenere informazioni più approfondite su come le diverse durate influiscono sui risultati di attribuzione.

Cosa significa tutto questo

Cosa significa tutto questo per noi analisti?

Il  pannello Attribuzione  e l’intervallo di lookback  ci consentono di guardare oltre i semplici dati e di esaminare il percorso dei clienti. La capacità di capire quali punti di contatto hanno avuto il maggiore impatto sulle  conversioni ci permette di prendere decisioni informate in merito alle strategie di marketing e di allocare le risorse in modo più efficace.

Una volta selezionati i modelli di attribuzione  e gli intervalli di lookback, puoi comunque manipolare ulteriormente i dati filtrandoli con un ❺  segmento o con qualsiasi altro componente. Inoltre, una volta riprodotto il pannello, hai a disposizione tutte le funzionalità di un’area di lavoro tradizionale.

Infine: mettere tutto in pratica

Ora che abbiamo trattato i vari concetti, immagina di eseguire una campagna di marketing e di voler capire quale canale sia il  più efficace  per conseguire più conversioni. Con l’aiuto del  pannello Attribuzione, non solo è possibile visualizzare l’ultimo contatto, ma anche il primo contatto, lo stesso contatto e qualsiasi altro  modello  per determinare quali  canali  sono  più efficaci  nel promuovere le  conversioni. Potrai quindi utilizzare queste informazioni per  ottimizzare  le tue campagne e migliorarne le prestazioni complessive, semplicemente tornando indietro nel tempo con l’intervallo di lookback  più adatto alle tue esigenze.

Ora che hai visto cosa può fare, non farti ingannare né intimidire dall’apparente complessità del pannello Attribuzione.  Affrontalo.  Abbraccialo.  Comprendilo.
MA SOPRATTUTTO -  Usalo a tuo vantaggio.  Il  pannello Attribuzione  e l’intervallo di lookback  ti aiuteranno a comprendere meglio i tuoi clienti e il loro percorso con il tuo marchio.

Ora possiamo viaggiare “indietro nel tempo” senza timore e sfruttare la potenza della nostra fidata macchina del tempo (alias  Adobe Analytics) per prendere decisioni basate sui dati.

Finalmente è arrivato il gran momento. Hai creato un documento di riferimento efficace per la progettazione della soluzioni (SDR, solution design reference). Si tratta di una guida da seguire per implementare le metriche e le dimensioni; che spiega come si chiamano, quando vengono attivate, e che piace molto ai tuoi sviluppatori. Hai completato l’intero processo di implementazione, scrivendo i criteri di accettazione, esaminando gli sprint, eseguendo il controllo qualità e tutto è pronto. Ha richiesto molto lavoro, e ora è fatto. La tua istanza di Adobe Analytics sarà molto utile ai reparti di marketing e dei prodotti: potranno immergersi nei dati, ottenere nuove informazioni sui clienti, trovare tutte le aree di successo e, beh, anche le altre. Eppure... Non senti gli applausi che ti aspettavi.

Anzi: non sono lamentele quelle che provengono da quell’angolo?

“Perché non riesco a capire il tasso di conversione per questo funnel?”

“Perché non c’è una metrica per questo?”

“Mi servono molti più dettagli! Una metrica sola non basta. Per capire le prestazioni, mi servono almeno tre dimensioni diverse. Perché non le hai inserite?”

Ma è un altro angolo che desta maggiore preoccupazione. Da lì, non si sente proprio nulla. E c’è di peggio: vedi dei grafici che provengono chiaramente dalla vecchia soluzione di analisi, quella che non viene più mantenuta, e ogni giorno affonda sempre più in una palude di vecchiume. Un senso di terrore ti invade al solo pensiero delle decisioni che potrebbero essere prese basandosi su quei dati caotici e obsoleti.

Cos’è che non ha funzionato? Perché tutte queste lacune nella misurazione? Perché i membri del tuo team non accettano questa nuova soluzione?

Comincerò col consolarti un po’. Ci sarà sempre da fare qualche revisione. Se il tuo sito o la tua app sono abbastanza complessi da richiedere una soluzione di analisi di livello enterprise, è praticamente certo che mancherà sempre qualcosa. Ma questo non spiega le lacune nella misurazione di cui parlo. Ciò che è andato storto è molto più difficile da inserire in un foglio di calcolo. Hai perso le prime possibilità di creare una cultura dei dati collaborativa esattamente nel momento in cui hai creato il tuo SDR. Ora descrivo il metodo che io e i miei colleghi abbiamo sviluppato sia per creare un SDR migliore con meno lacune, sia per coinvolgere gli utenti finali e magari anche per entusiasmarli con la nuova istanza di Adobe Analytics. Vediamo “come” e “perché”.

Come

La conferenza sulla misurazione:

1. riunisci tutti gli stakeholder, di persona o da remoto, con l’obiettivo di capire cosa misurare. Devono sere presenti anche alcuni dirigenti.
2. Prepara alcuni esempi già affissi sulla lavagna: ricavi, vendite o lead, in pratica i KPI di base di cui sei già a conoscenza. Fai lo stesso anche con le dimensioni, ad esempio stato di accesso, categorie di prodotti o termini di ricerca.
3. Chiedi a tutti i partecipanti di aggiungere le proprie note, raggruppandole in base alle esigenze.
4. Chiedi ai partecipanti di votare le metriche e dimensioni che ritengono importanti. Possono votarle anche tutte, perché forse sono tutte ugualmente importanti.
5. Per quelle che ricevono pochi voti, chiedi a chi le ha richieste di spiegare a cosa serviranno. Se il caso è convincente, non escluderle. Se esiste un modo migliore per ottenere i dati richiesti, non sono in grado di spiegare come verranno utilizzate oppure se c’è un altro buon motivo per escluderle, allora rimuovile dalla bacheca.
6. Aggiungi le metriche e le dimensioni concordate al documento SDR e chiedi ai presenti di farne una prima revisione.

La mappa dei funnel

1. Ottieni una visualizzazione di tutti i funnel, passaggio dopo passaggio e includendo ogni stato.
2. Con i designer e i product manager, esaminate ogni passaggio e parlate di ciò che debba essere considerato un successo per ogni funnel. Il tasso di conversione? La scelta di un percorso particolare? L’utilizzo di specifiche funzionalità?
3. Poni domande sulle metriche e le dimensioni necessarie per comprendere le prestazioni del funnel in ogni suo passaggio e nel suo insieme.
4. Sopra ogni passaggio del funnel, aggiungi le metriche e le dimensioni che verranno misurate per quel passaggio, incluse le metriche calcolate.
5. All’inizio di ciascun funnel, scrivi i rapporti da includere nella dashboard e che verranno utilizzati dal responsabile del prodotto per monitorarne le prestazioni, ad esempio un rapporto sull’abbandono, i tassi di conversione del mese corrente e delle tendenze, e così via.
6. Aggiungi al documento SDR le nuove metriche e dimensioni che hai individuato, e invialo agli stakeholder per una seconda revisione.

Le dashboard di anteprima

1. Utilizzando come guida la mappa dei funnel, crea delle dashboard di esempio.
2. Inseriscine una che fornisca una veduta generale, ad esempio Dashboard di riepilogo esecutiva, e altre dashboard per ciascuno dei funnel.
3. Ce ne saranno anche altre più specifiche per il tuo sito o la tua app, ad esempio per le prestazioni del prodotto o dei contenuti.
4. Distribuiscile agli stakeholder e ricevi i loro feedback su come si presentano.
5. Apporta gli aggiornamenti richiesti e, se sono necessarie nuove metriche o dimensioni, aggiungile al tuo SDR.
6. Invia le dashboard di anteprima e il documento SDR aggiornati per una revisione finale.

Strumenti per la democratizzazione dei dati

1. Crea un dizionari dei dati. Il documento SDR è pensato per il team di sviluppo. Il dizionario dei dati è invece destinato agli utenti finali. Rendilo quanto più leggibile possibile, affinché gli utenti finali possano facilmente individuare i dati disponibili e capire come utilizzarli. Questo documento dovrà essere approvato dagli utenti finali.
2. Annotazioni. In ogni organizzazione, alcune date contano ogni anno mentre altre saranno importanti solo in specifiche situazioni. Chiedi agli stakeholder quali solo le date rilevanti per loro e aggiungile come annotazioni: saranno utili per comprendere i dati visualizzati.
3. Selezione degli elementi da mostrare. Se il tuo documento SDR è piuttosto lungo, potrebbe spaventare alcuni utenti. L’imbarazzo della scelta non si applica solo ai tuoi clienti. Scopri cosa è importante per ogni gruppo di utenti e seleziona con cura gli elementi che vedranno.

Perché

Per ottenere i requisiti

Questo è piuttosto ovvio, ma esistono altri modi efficaci per ottenere i requisiti. Personalmente, ho usato colloqui individuali, questionari e revisioni di rapporti esistenti. Tutti questi metodi funzioneranno, ma forse non quanto quelli che ho appena citato. Ma non credo che esista un grande divario nella raccolta dei requisiti. Il metodo che ho descritto ti porterà al 95% dal tuo obiettivo, mentre questi ultimi ti porteranno al 90% dal tuo obiettivo. Allora, PERCHÉ?

Per creare una cultura dei dati

Con questo processo potrai:

• Portare i partecipanti a riflettere seriamente su come misurare il successo
• Creare un senso di ownership nelle parti interessate
• Rendere i dati più facilmente comprensibili per gli stakeholder

Riflettere seriamente sui dati

Molte persone della tua azienda lavorano sui dati. Li usano. Li analizzano. Ma non ci riflettono molto. Alcuni hanno ereditato dai loro predecessori rapporti e processi che non hanno modificato per necessità di continuità. Non hanno mai avuto bisogno di pensare al perché di quei dati.

Questo processo offre loro l’opportunità di comprendere a fondo i dati. Chiedi loro “Cosa è per voi il ‘successo’? Come capite se qualcosa ha avuto successo? Come capite cosa cambiare in caso di mancato successo?”. È un esercizio che dovrebbe essere fatto all’inizio della creazione di ogni sito, app e prodotto, ma troppo spesso non viene fatto. Ponendo queste domande, li aiuti a capire più a fondo non solo i dati, ma anche il loro prodotto.

Creare un senso di ownership sui dati

Questo non piove dall’alto. Non è il risultato di un incontro di trenta minuti tre mesi fa. Non è il risultato di un questionario così noioso che è stato rimandato per una settimana e quando finalmente è stato compilato, è stato fatto frettolosamente perché c’era da preparare una demo urgente per non mancare la data di rilascio dello sprint. È piuttosto il prodotto delle loro riflessioni e del loro lavoro con te e i loro colleghi. Hanno rivisto più volte il documento SDR, fornendo feedback continui; e dopo che i feedback sono stati incorporati, lo hanno approvato. È frutto del loro lavoro! Per forza è utile. Perché parla dei loro dati e hanno preso parte attivamente al processo con cui è stato creato.

Rendere i dati più facili da comprendere

Hai anche mostrato loro come useranno il documento SDR e come si presenterà attraverso le dashboard di anteprima. Ogni nuova soluzione è difficile. C’è molto da imparare e data l’enorme personalizzabilità di Adobe Analytics, la curva di apprendimento può essere piuttosto ripida. Ma hai appena rimosso l’80% delle difficoltà. Prima ancora che sia stata scritta la prima riga di codice, gli stakeholder sanno come saranno le loro dashboard. Sapranno come leggerle e capirne il significato. Sapranno come si presenta il successo perché ti hanno detto quali metriche e dimensioni definiscono il successo e tu hai spiegato loro come verrà visualizzato. La consegna delle dashboard stesse è solo un ripasso, non una nuova attività di apprendimento da affrontare.

Questo non è il modo più rapido per mettere insieme un documento SDR. Richiede molto lavoro e molta coordinazione, soprattutto perché è fondamentale che partecipino anche alcuni dirigenti. Ma in fin dei conti, una soluzione di analisi di livello enterprise rappresenta un enorme investimento di tempo e denaro e vuoi avere la certezza che venga pienamente adottate e che sia apprezzata dagli utenti. Seguendo questo metodo raggiungerai più rapidamente il tuo obiettivo.