什么是数据驱动归因部分和部分转化

mousumimouo

数据驱动归因 ( DDA ) 是 Google Ads 中使用的一种归因模型，它利用机器学习来分析转化功劳并将其分配给整个客户旅程中的各个接触点。该模型根据您帐户的历史数据，考虑每个营销接触点在推动转化方面的实际贡献。

与其他依赖于预定义规则来分配转化功劳的归因模型不同，数据驱动归因会考虑客户与广告的独特互动，并相应地调整功劳分配。通过分析每个接触点的实际影响，DDA 可以更准确地反映营销渠道的绩效，帮助您就预算分配和营销活动优化做出更明智的决策。

要在 Google Ads 中使用数据驱动的归因，您的帐户必须满足某些要求，例如特定时间范围内的最低转化次数，以确保有足够的数据供机器学习算法进行有效分析。

数据驱动归因的优点和缺点。
借助数据驱动归因模型，广告商希望了解这将如何影响他们的可衡量洞察力，以及 DDA 对他们的广告系列的未来意味着什么。

优点
消除人为错误：使用 Google AI 来了解每个消费者接触点的独特影响，从等式中完全消除人为偏见，以识别导致转化的模式。
更高的支出效率：将 DDA 与自动出价策略相结合，可以更好地将支出分配给从统计数据上更有可能推动转化和商业价值的广告。

：通过 DDA，转化“功劳”在每个消费者接触点之间分配，允许跨多个营销活动或部分网络归因进行部分功劳。
缺点
隐形归因模型： DDA 不提供有关使用哪些百分比或公式来将转化归功于接触点的见解或数据，而是一种基于帐户历史记录的隐形算法。
有限的用户旅程统计： DDA 无法避免跨浏览器和跨设备旅程 BTC 号码数据 的跟踪困难。而且，虽然更加以隐私为中心，但受到 cookie 政策的限制。
数据驱动归因分析有关导致转化的消费者旅程的所有相关数据和消费者互动。DDA 考虑了多种信号，包括广告格式以及广告互动和转化之间的时间。

然后，该模型对消费者路径上最有价值的交互给予相应的信用。




您现在可以做什么
提前计划：利用 Google Ads 模型比较工具来评估 DDA 或最终点击是否是您业务的更好选择。DDA 考虑部分转化，而不是提供整数转化数据（例如最终点击）。如果您的营销工作是跨渠道的，Google 已升级非 Google 资源的网络转化的部分归因，使您能够规划更完整的渠道归因。
随时了解情况：如果转化量一直是切换到 DDA 的限制因素，我们建议继续前进，因为 Google 已删除了之前的数据要求（300 次转化或 3,000 次点击）。由于 DDA 以隐私为中心，因此请务必随时了解您在转换中可能获得/失去哪些类型的见解。及时了解 Google 对更多转化类型（包括应用内转化和离线转化）以及 Discovery 格式（例如PMax）的扩展支持。
继续评估：由于大多数广告商已经在使用 DDA，因此对于大多数帐户来说这并不是一个重大转变。但是，我们建议定期测试您选择的模型是否能为您的业务获得最准确的结果。DDA 并不是适合所有广告商的灵丹妙药，但我们相信它可以更好地洞察互动点如何影响消费者旅程，并允许您的企业更有效地分配预算和资源。