到2019年，全球媒体支出预计将达到2.1万亿美元麦肯锡．但是，所有这些钱都能有效地提高投资回报率吗?不知道哪些渠道在推动销售，或者更具体地说，不知道哪些个人努力在起作用，营销支出就像一个黑盒子。
在当今的数字商务世界中，一笔交易涉及多达30个营销活动或“接触点”并不罕见。然而，许多营销人员走了一条方便的捷径，把每次购买都归功于销售前的最后一次接触点。为了正确地确定所有营销活动的影响，企业需要一种能够量化每个接触点对销售的影响的企业级方法。
为什么要担心营销归因
你可能知道你的营销总体上是“有效的”，但如果没有真正的归因，你就不知道哪些营销活动有最大的影响，哪些只是在消耗有限的营销预算。归因可以让你……
- 合理的营销预算和优化营销活动
- 为数字活动做出更明智的出价
- 有效衡量关键绩效指标
适当的归因解决了常见的营销低效问题
俗话说:“不衡量就无法改善。”很少或没有信息和分析的营销会导致营销成本的低效率和无效。正确的营销归因至少可以解决四个主要问题:
1.聚类分析可能导致有缺陷的目标
直到最近，市场营销的最佳实践要求使用聚类分析，这是一种统计技术，根据群体中个人的共同特征，将潜在客户和客户分配到群体或集群中。尽管聚类分析的目标是将具有相似特征的消费者分组到目标细分中，但实际上，聚类中的每个个体都只是个体。即使个人可能被归为同一类，他们的购买行为也可能完全不同。
尽管存在这些明显的限制，聚类分析还是变得流行起来，因为使用在当时的计算能力上运行的常用软件来计算聚类既简单又实用。基本上，有总比没有好。但是，随着商业竞争越来越激烈，客户已经习惯了定制，聚类分析不再足够。现代顾客希望被当作个体对待。
2.将销售归因于最后一个接触点是有缺陷的
行业的标准做法是将销售归因于最近的营销接触点。但通过创造品牌知名度，早期的接触点可能对消费者的购买决定产生了重大影响。事实上，无论消费者是否看到了最新的在线广告，他们都可能一直在计划购买。
3.分离多个接触点的影响是困难的
在当今的数字世界中，平均销售来自30多个接触点。如果没有更好的预测模型，营销人员根本不知道哪些活动最有效地推动了购买决策。
4.知道哪些广告到达了特定的消费者
在一个完美的世界里，我们会确切地知道哪些客户看到了特定的在线或电视广告。但是，到目前为止，这些信息很难或不可能得到。数字营销和媒体投放的本质往往与具有数据意识的营销专业人士格格不入。数字世界中的浏览量和点击量是聚合和匿名的，电视和印刷媒体只显示有关潜在影响的广泛人口统计信息。
营销人员被迫创建带有信息收集表单的登陆页面，但这种做法只有在访问者被激励提交表单的情况下才能提供具体的信息。如果访问者没有完成表单，你所剩下的就是网站分析——原始的数字，不能提供一个特定广告在多个接触点的整合活动中的全面影响的图片。
使用机器学习来绘制购买路径
为了有效的营销归因，营销人员需要开发高度准确的预测模型。统计方法是为每个单独的个人特征加一个分数，它不能胜任复杂人类行为建模的任务。但机器学习模型捕捉了人类行为的复杂性，分析了许多接触点的影响，并确定哪些营销活动对销售影响最大。
传统上，数据科学家手动构建机器学习算法。这个过程可能非常耗时，有些项目需要几个月才能交付。当算法准备好时，它可能已经过时了。
市场营销需要一种更快的方法来构建算法——一个不那么手动的过程。答案是自动机器学习(AML)，这种技术可以根据历史数据自动构建算法，有时只需几个小时，而不是几天或几个月。
属性精确地使用AML
“反洗钱”使各种技能水平的用户(包括营销人员)能够更快地做出更好的预测。通过自动化许多传统上仅由数据科学家应用的技能，AML为了解业务和数据的用户提供了通往数据科学成功的最快途径。
AML允许您创建复杂的营销归因模型，以执行复杂的“假设”分析，量化不同类型的营销活动和不同营销接触点组合的有效性。它可以帮助你……
- 从基线开始。首先，您需要确定一个基线，即在没有任何营销活动的情况下自然发生的销售。如果删除所有营销接触点，您可以使用AML分析对销售的影响。
- 确定市场营销对销售的贡献。这是实际销售额与计算出的基线销售额之间的差额。你的营销活动越有效，销售额就越能超过这个底线。
- 为每个接触点分配贡献。AML执行各种假设计算，以确定删除一个或多个接触点对销售的影响。
通过使用历史接触点和结果，AML自动查找模式，创建一个模型，根据应用于每个潜在客户的接触点来预测销售。使用该模型，您将使用不同的接触点运行许多“假设”场景，以预测不同的接触点组合如何影响销售。
以这种方式执行归因会照亮你的销售渠道，让你获得几年前不可能的见解。归因创建了一个清晰的指南，告诉你哪些营销计划值得花钱，哪些不值得。有了这些信息，你就可以做更多有效的事情，减少或消除无效的事情。
要了解更多信息，下载新报告或观看点播网络研讨会多渠道营销归因(Multichannel Marketing Attribution)，了解自动化机器学习如何轻松找到最准确的模型，以实现精确、有意义的归因。
