Analytics cung cấp các mô hình phân bổ mặc định sau trong Công cụ so sánh mô hình. Bạn cũng có thể tạo mô hình tùy chỉnh của riêng mình trong công cụ.

Mô hình phân bổ mặc định

Mô hình Tương tác cuối cùng phân bổ 100% giá trị chuyển đổi cho kênh cuối cùng mà khách hàng đã tương tác trước khi mua hàng hoặc chuyển đổi.

Mô hình này hữu ích khi nào: Nếu quảng cáo và chiến dịch của bạn được thiết kế để thu hút mọi người tại thời điểm mua hàng hoặc doanh nghiệp của bạn chủ yếu là giao dịch với chu kỳ bán hàng không liên quan đến giai đoạn xem xét, thì mô hình Tương tác cuối cùng có thể phù hợp.

 

Mô hình Nhấp chuột gián tiếp cuối cùng bỏ qua lưu lượng truy cập trực tiếp và phân bổ 100% giá trị chuyển đổi cho kênh cuối cùng mà khách hàng đã nhấp qua trước khi mua hàng hoặc chuyển đổi. Analytics sử dụng mô hình này theo mặc định khi phân bổ giá trị chuyển đổi trong các báo cáo không phải Kênh đa kênh.

Mô hình này hữu ích khi nào:

Do mô hình Nhấp chuột gián tiếp cuối cùng là mô hình mặc định được sử dụng cho các báo cáo không phải Kênh đa kênh, nên mô hình này cung cấp điểm chuẩn hữu ích để so sánh với kết quả từ các mô hình khác.

Ngoài ra, nếu bạn coi lưu lượng truy cập trực tiếp là từ khách hàng mà bạn đã giành được thông qua một kênh khác, thì bạn có thể muốn lọc ra lưu lượng truy cập trực tiếp và tập trung vào hoạt động tiếp thị cuối cùng trước khi chuyển đổi.

 

Mô hình Nhấp chuột Google Ads cuối cùng phân bổ 100% giá trị chuyển đổi cho quảng cáo mới nhất mà khách hàng đã nhấp vào trước khi mua hàng hoặc chuyển đổi.

Mô hình này hữu ích khi nào: Nếu bạn muốn xác định và tính tín dụng cho quảng cáo gần với hầu hết các chuyển đổi, thì hãy sử dụng mô hình Nhấp chuột Google Ads cuối cùng.

 

Mô hình Tương tác đầu tiên phân bổ 100% giá trị chuyển đổi cho kênh đầu tiên mà khách hàng đã tương tác.

Mô hình này hữu ích khi nào: Mô hình này phù hợp nếu bạn chạy quảng cáo hoặc chiến dịch để tạo nhận thức ban đầu. Ví dụ: nếu thương hiệu của bạn không nổi tiếng, thì bạn có thể ưu tiên từ khóa hoặc kênh mà khách hàng đã tiếp xúc đầu tiên với thương hiệu.

 

Mô hình Tuyến tính chia đều tín dụng cho mỗi tương tác kênh trên đường dẫn đến chuyển đổi.

Mô hình này hữu ích khi nào: Mô hình này hữu ích nếu chiến dịch của bạn được thiết kế để duy trì liên lạc và nhận thức với khách hàng trong toàn bộ chu kỳ bán hàng. Trong trường hợp này, mỗi người liên hệ có tầm quan trọng như nhau trong quá trình xem xét.

 

Nếu chu kỳ bán hàng chỉ liên quan đến giai đoạn xem xét ngắn, thì mô hình Giảm dần theo thời gian có thể phù hợp. Mô hình này dựa trên khái niệm về giảm dần theo cấp số nhân và tính tín dụng nhiều nhất cho những người liên hệ xảy ra gần nhất với thời gian chuyển đổi. Mô hình Giảm dần theo thời gian có chu kỳ phân nữa mặc định là 7 ngày, có nghĩa là người liên hệ xảy ra trước chuyển đổi 7 ngày sẽ nhận được 1/2 tín dụng của người liên hệ xảy ra vào ngày chuyển đổi. Tương tự như vậy, người liên hệ xảy ra trước chuyển đổi 14 ngày sẽ nhận được 1/4 tín dụng của người liên hệ xảy ra vào ngày chuyển đổi. Giảm dần theo cấp số nhân sẽ tiếp tục trong cửa sổ xem lại của bạn (mặc định là 30 ngày).

Mô hình này hữu ích khi nào: Nếu bạn chạy chiến dịch quảng cáo một ngày hoặc hai ngày, thì bạn có thể muốn cung cấp nhiều tín dụng hơn cho các tương tác trong những ngày quảng cáo. Trong trường hợp này, các tương tác đã xảy ra trước đó một tuần chỉ có giá trị nhỏ so với những người liên hệ gần chuyển đổi.

 

Mô hình Dựa trên vị trí cho phép bạn tạo kết hợp của các mô hình Tương tác cuối cùng và Tương tác đầu tiên. Thay vì tính tất cả tín dụng cho tương tác đầu tiên hoặc tương tác cuối cùng, bạn có thể phân chia tín dụng giữa chúng. Một trường hợp phổ biến là chỉ định mỗi 40% tín dụng cho tương tác đầu tiên và tương tác cuối cùng và chỉ định 20% tín dụng cho các tương tác trung gian.

Mô hình này hữu ích khi nào: Nếu bạn đánh giá cao nhất những người liên hệ đã giới thiệu khách hàng đến với thương hiệu của bạn và những người liên hệ cuối cùng dẫn đến bán hàng, hãy sử dụng mô hình Dựa trên vị trí.

Tài nguyên có liên quan

• Tổng quan về tạo mô hình phân bổ
• Giới thiệu về Công cụ so sánh mô hình

* Nguồn: Google Analytics