電商可以說是依賴於營銷帶來流量、轉化的一種產業。獲客成本（亦可稱為流量成本）在整體成本結構中佔比最大。

那中型電商企業的規模、資源都有限，怎麼做才能持續提升每一分錢的投資效益？

臺灣垂直特賣電商「創業家兄弟」的案例值得探究借鑑。

他們創立之初，智慧手機發展迅猛，於是將營銷的重點放在移動端的佈局上。但不久之後發現一個矛盾點，智慧手機的流量成本雖然低，但轉化效果並不好。從最終點選的歸因模式上來看，大部分轉化反而來自PC端。

這種情況下，還要不要堅持移動端作為主要的投放平臺？

這裡面其實忽略了一個點，就是最終點選歸因模式的計算所存在的“bug”。

它的計算方式是將轉化全部歸功給最後一個點選，試想一下，如果消費者在做出購物決定之前都會用手機查產品的資訊，然後再去PC端的網站進行購買。將所有功勞都歸為PC端，顯然不是很公平，也不全面，會導致忽略掉部分的資訊。

那在整個消費旅程中，怎麼判斷移動端對轉化的幫助程度？又該如何證明？

解決這個問題關鍵點就是能否避免掉最終點選的侷限，全面、真實的看到整個消費旅程中，每個接觸點的轉化情況。

只有這樣，才能真正的將營銷費用花在刀刃上。

「創業家兄弟」嘗試使用資料驅動歸因模型（Data Driven Attribution）。通過收集大量的資料，對比能夠帶來轉化以及未能成功轉化的路徑，從中找到每個接觸點實際上對最終轉換的影響力高低。

結果如何？

「創業家兄弟」發現，手機在目標受眾的消費路徑中所帶來的轉化效果顯著，高達55%。證明了押注移動端的營銷策略是正確的。

此外，他們通過DDA模型發現了一個被忽略的增長點——通用型關鍵字。實際上在轉化中，通用型關鍵字起到了很重要的作用。

而之前的搜尋廣告佈局中，「創業家兄弟」主要重點放在核心字詞上，比如品牌相關詞等等。

調整優化後，通用關鍵字帶來的轉化增長了13%，像「居家用品」這類通用字詞，轉化增長高達47%。這些也直接提升了整體廣告投放的效果，廣告投資回報率（ROAS）提升了10%。

雀巢曾經也用過同樣的方式。

當時，臺灣雀巢嬰幼兒營養事業部面臨數字營銷的挑戰，消費者路徑越來越複雜，只看單一點選很容易錯誤的評估媒體成效，判斷驗證每個接觸點真正的價值成為難點。

他們選擇怎麼做？如何瞭解到每個關鍵字的價值以及整合的消費者洞察？

舉個例子：（僅供參考，不代表廣告活動實際操作細節）

在領取「雀巢媽媽孕哺營養膠囊」的消費者路徑中，假如有一波使用者先是搜“媽媽孕哺”，然後點選了品牌字“雀巢媽媽膠囊”，完成註冊註冊轉化率為2%；但另一群使用者，跟上一組相比，多搜尋了“懷孕吃什麼”這個關鍵字，最終轉化率高達3%。基於這些資料，使用DDA模型進行轉化對比。

最終轉化率增長了7%，單筆轉化成本平均下降10%。

上面的兩個案例都用到了「以資料為依據的歸因模型」。

它和其他模型有何不同？

最顯著的一點就是它依據的是——你賬戶中的轉化資料。基於此，來計算轉化路徑上每次互動的實際貢獻。

所以想使用它，就需要滿足一定的資料門檻：

30天內，獲得的Google搜尋點選次數必須達到1.5萬次，並且轉化操作獲得的轉化次數必須達到600次。

正在使用的時候，在30天內獲得的Google搜尋點選次數下降到1萬次以下，或者轉化操作獲得的轉化次數下降到400次以下，那麼也將無法繼續使用該歸因模型。

如果資料量達到要求，想將現在使用的模型轉換為DDA模型，進行以下的操作即可：

1、登入你的Google Ads帳號。

2、點選工具標籤頁，然後選擇轉化。

3、在該表格中，選擇您要修改的轉化操作，然後點選修改設定。

4、點選歸因模型，然後從下拉選單中選擇以資料為依據的歸因。

5、點選完成，然後點選儲存。

還有另外一種方式，可以在“工具 > 歸因”中，通過“概覽”歸因報告更新歸因模型。只需點選頁面頂部的“升級到以資料為依據的歸因”橫幅，然後按照顯示的說明操作即可。

做完更改後，你可能會發現“廣告系列”標籤頁中的報告發生了變化。

像按比例分配的功勞，會根據你選擇的歸因模型，對於某個具體轉化，其功勞會在有貢獻的廣告互動之間進行分配。因此，“轉化次數”和“所有轉化次數”列中的資料將開始出現小數。

還有轉化耗時，Google Ads根據廣告互動的日期報告轉化資料。由於非最終點選歸因模型在多次互動之間分配轉化功勞，且每次互動都發生在不同的時間點，因此與“廣告系列”報告相關的轉化耗時可能會增加。

發生這種情況時，你可能會在更改歸因模型後的幾天內看到轉化次數暫時略有下降。

這時候，可以檢視“路徑指標”歸因報告中的“發生轉化所需的平均天數”檢視。比較建議耐心等一段時間，直到發生轉化所需的平均天數過去之後再評估效果。

此外，還需要對出價、目標進行更改，因為方式變了之後，可能導致出價過高或過低。如果僅使用人工出價，那就不用太擔心這個問題。

但要是用的“目標每次轉化費用”或“目標廣告支出回報率出價策略”，則更改目標就很重要了，一起來看個例子：

假設你使用的是目標每次轉化費用出價，並改用“以資料為依據”的歸因模型。過去兩週內，兩個廣告系列在“轉化次數”列中的最終點選效果如下所示：

“品牌”（漏斗下端）廣告系列：每次轉化費用為5美元，共200次轉化

“常規”（漏斗上端）廣告系列：每次轉化費用為20美元，共50次轉化

由於是目標每次轉化費用出價，所以上述目標也是出價中採用的目標。

現在，如果檢視“轉化次數（當前模型）”列（反映了過去以資料為依據的歸因的效果），將看到：

“品牌”（漏斗下端）廣告系列：每次轉化費用為6.67美元，共150次轉化

“常規”（漏斗上端）廣告系列：每次轉化費用為10美元，共100次轉化

當歸因模型從“最終點選”改為“以資料為依據”後，要是目標每次轉化費用的目標仍保持在5美元和20美元，那轉化次數的變化將意味著一系列的出價更改，因為針對“品牌”廣告系列的出價過低，而針對“常規”廣告系列的出價過高。

看到這兒，你會想方法好是好，但現在資料量達不到要求，還有哪些模型可以選擇？

直接上圖：

來自：觸脈諮詢