Understanding the True Customer Journey: A Branch Predictive Modeling Algorithm Use Case

Haley Lee

03月 04, 2020

アプリをインストールするまでにユーザーが辿る最も多い経路はどのようなもの? クリックからコンバージョンまでの道のりが短い場合、それに直接影響したチャネルは? ファネルの上流にあるマーケティング活動で、他と比べて影響力が強いのは?

A customer’s path to conversion is rarely — if ever — straightforward. Filling in the gaps to understand how users are interacting with your marketing activities prior to their “last touch” just became easier with Branch’s Predictive Modeling algorithm.

ラストタッチとマルチタッチ・アトリビューションの定義

ラストタッチ・アトリビューション:直前のクリックやインプレッションをコンバージョン・イベントとして評価する考え方。

マルチタッチ・アトリビューション:コンバージョンイベントに至るまでの様々なクリックやインプレッションをコンバージョンイベントとして評価する考え方。

ラストタッチ・アトリビューションでは、キャンペーンのパフォーマンスやマーケティングの費用対効果を評価する有力なデータが得られますが、コンバージョンに至るまでのカスタマー・ジャーニー全体を見ることはできません。仮にモバイルサイトのバナーをクリックしコンバージョンする前に、ユーザーが3つのブログのリンクをクリックし、さらにプロモーション・メールのリンクをクリックした場合、ラストタッチモデルではモバイルサイトのバナーのみがコンバージョンへ貢献したとして評価されます。これに対してマルチタッチ・レポーティングでは、ラストタッチのみならず、コンバージョンに貢献したマーケティング活動全体を明らかにします。ユーザーがアプリ・インストールにたどり着くまで、どんなに曲がりくねった導線であったとしても、その道のりを最初から最後まで把握できるのです。

では、なぜマルチタッチを採用して、より良いマーケティングを行わないのでしょうか?

それは、アトリビューションレポートにはマルチタッチが模範的であると考えられている一方、実際に利用するのが難しいためです。まず、多様なタッチポイントのすべてにおいて各ユーザーを識別しなければなりません。しかし、大多数のユーザーがログインした状態を保たない限り、これは困難なことです(どのようなユーザーか特定できないトラフィックと合わせて計測すると、さらに難しくなります)。また、そのようなデータ・ポイントを利用できたとしても、その情報を取り込み、チャネルを横断してそれぞれのステークホルダーが活用できるようなデータモデルが必要になります。つまり、マルチタッチ・レポーティングの真の価値を引き出すには、膨大な時間と費用がかかるのです。

Branchが可能にするマルチタッチ・インサイト

Branch has traditionally leveraged last touch attribution to award attribution credit to various marketing channels; however, the predictive modeling algorithm powering our attribution under the hood also enables us to stitch together multi-touch paths to conversion.

We’re exposing these powerful insights for the first time with a predictive modeling algorithm. This yields a single anonymous view that can stitch together events that you previously believed to be anonymous and untraceable (i.e. logged out web visitors, clicks that don’t convert, etc). You can use this view to better understand user interactions across touchpoints, information that can drive marketing strategy, mapping out the customer journey or building complex MTA models.

匿名化したユーザーデータで見るケーススタディ

We can look to the excerpted report below, based on anonymized data from a customer in the media space, to understand the type of business insights a predictive modeling algorithm can drive.

インストールまでのマルチタッチ・ジャーニー

こちらのBranchのお客様の場合、クリックからインストールまでのアトリビューションウィンドウにおいて、インストールするまでにおよそ25%のユーザーが2つ以上のチャネルでBranchのリンクにタッチしています

タッチポジションの分析

User acquisition isn’t just driven by acquisition-type touches. Sometimes shallow acquisition on mobile web followed by smart re-engagement is what a user needs to solidify intent to download. Using a predictive modeling algorithm, we’re able to better understand the touchpoints driving both top of funnel discovery and downstream re-engagement.

世界のラストタッチの視点

業界の現状としては、アプリのインストールに寄与したラストタッチについてレポートすることを良しとしているため、このケーススタディではまずその視点から見ていきましょう。どのレポーティング・ダッシュボードでもまず目にするのはこのようなグラフになります。モバイルサイトとJourneysからのアプリダウンロードのCTA は合計で53%と、このチャートの大部分を占めていますが、これはユーザーが既にダウンロードする意思があり、すぐにダウンロードしたいと考えているため、このような割合となっています。

ラストタッチをアシストしたチャネル

複雑なモデルでタッチポイントの重さを割り当てるより、アシストというコンセプトで考えれば非ラストタッチ・アトリビューションをシンプルに理解することができます。こちらのグラフはラストタッチ以外のすべてのタッチの内訳を表したものです。例えば、ユーザーがメールをクリックしてウェブページを閲覧し、アプリインストール用のバナーをクリックした場合、メールとウェブページのタッチはチャートに含まれますが、アプリインストール用のバナーはこれには含まれません。

CPIDで得られるデータからは、アシストタッチの内訳が分かるだけではありません。カスタマー・ジャーニー全体を考慮に入れて、マーケティング活動を評価することもできるようになります。例えば、このお客様の場合、30%以上の貢献度がほかのマーケティング活動に割り当てられていることから、メールは低く評価されていることが下の表から読み取れますが、実際はメールのアシストタッチにより、アトリビューションウィンドウ内でのインストールが促進されています。

1上位8つのマーケティング活動から抜粋したデータ
2ラストタッチのインストール数/ラストタッチとアシストによるインストール数から算出

マルチタッチ・ジャーニー全体を理解する1

Using last touch attribution, it’s nearly impossible to gain insight into how a user engaged with your marketing activities prior to conversion. Branch’s predictive modeling algorithm helps fill in this view by giving insight into all the touches leading up to the last touch. This chart reflects a percent breakdown by feature of where users engaged along the path to install. For example, if a user shared content, then clicked on an email link, before ultimately installing via a blog post, the sharing, email, and blog touches would be captured as LT-2,  LT-1, and Last Touch respectively.

1上位8機能から抜粋したデータ
2LT-1のメールタッチ数/LT-1タッチ数から算出

インストールコンバージョンの機能毎の有効性(%)1 

下の表では、各タッチ回数においてそのマーケティング活動がどの程度インストールに有効だったかが計測されています。Journeysのバナーとモバイルサイトのゲームはどちらも90%以上のファーストタッチがインストールに至っていることから、どちらもクリックからコンバージョン達成までの経路短縮に非常に効果的であったことが分かります。一方で、サイトのリンクは、すぐにダウンロードしなかったユーザーに対して効果があったようです。

1上位8つのマーケティング活動から抜粋したデータ
2インストールに至ったメールのファーストタッチ数/アトリビューションされたメールのファーストタッチ数から算出
3ラストタッチから見た相対的なタッチの順番ではなく、ユーザーがタッチした順番

Recommendations Discovered via a predictive modeling algorithm and MTA

Ultimately, our predictive modeling algorithm empowers marketing teams to make data-driven decisions with the complete user journey in mind, without building a multi-touch attribution model from scratch.

このお客様の場合、半数以上のファーストタッチはサイト(Journeysまたは埋め込みリンク)からのもので、どちらもインストールを促進するのにかなり効果がありました。しかし、すぐにコンバージョンに至らなかったユーザーに対しては、メール(およびメールからモバイルサイトへの訪問)の価値が非常に高かったと言えます。

これらのインサイトから、次のようなアプローチが推奨できます。

  • サイトマップ全体でJourneysを展開して、ブランドの認知を高める
  • メールを重要な再エンゲージメント・チャネルとして注力する
  • モバイルサイト全体にファーストタッチの結果が良かったゲームを展開する

If you’re interested in learning more about a predictive modeling algorithm, contact your Customer Success Manager or Branch Sales for more information!

モバイルの成長のヒント、業界の最新情報、製品の発表を含む毎週のブログダイジェストを今すぐ購読してください!