实现全面归因分析是个漫长的过程

由媒体社区成员著写的“数据驱动思考”,包含了有关媒体数字变革的新鲜想法。

今天的专栏由 Goodway Group 的首席运营官 Jay Friedman 编写。

一个不断在会议中被营销者和代理提出的问题是简化和标准化的需求 - “只要告诉我们衡量什么和怎么衡量。”

这些简化的迫切愿望中,最主要的是将一个广告活动的成功归因的能力。当询问一组营销人员,在他们最近的(营销)活动中什么表现最好?这组人很可能会分成两组:不知道的和错的。

如今我们也没有在解决归因的问题上比几年前更近一步。其答案,我想我们应该看看有重大进步的领域:Amazon 的 Alexa ,它代表了自然语言处理和人工智能的总体推进的巨大进步。

这个领域的成功和进步可以给营销人员上一门他们可能从未考虑过的课。创建Alexa 背后的软件和生态是独特的,单调,需要这个时代真正的人才为这样的项目做贡献。就像归因,Alexa 需要解读意图,而不是数据

你能否想象如果Amazon的工程师像营销人员一样开始 Alexa 项目?“只要告诉我们做什么,这太难了。”当然,他们不会这样做,因为Alexa 背后有拥有这个星球最好学府的数据科学、数学、统计和计算科学学历的聪明头脑。

相较来说,谁在解读数字营销活动结果和决定该把钱花到哪里?有人告诉我我很擅长解读营销活动的结果因为我有一个公立学校的新闻学学历。天哪!

去年底Methbot 欺诈引起了行业注意,再次提醒我们衡量广告效果的需求经常被外部因素迷惑和阻挠。例如,大部分营销人员仍旧使用(被点击或观看)的“最后的广告”归因,而不是整个路径的归因。这意味着当一个欺诈广告是最后一个被看过的广告,机器将优化欺诈的来源。但是欺诈不是唯一一个困扰最后广告归因的问题。独立阅读(独立访客)广告,cookie-bombed 的展示也同样是问题。

我们有一个极其困惑的问题,那就是在我们这个拥有前所未有的数据的数字时代,我们的极具复杂性的生态系统中,每个人都同意需要简化归因的话题。

从噪音里分辨信号是每个行业都有的一个问题。媒体的挑战是即使噪音好像被消除了,仍旧有比正确的信号更多的令人误解的信号。广告技术数据科学家告诉我:“我在许多行业中工作中,没有其他行业的数据如广告技术行业一样被污染和令人误解的。

我们现在面对的是比Alexa 开发者开发自然语言处理和人工智能生态系统更复杂的挑战吗?我认为争论这个远比我们落地容易。

如果真如此复杂,营销人员和代理要做什么呢?带着可能不比开发如Alexa这样的人工智能系统容易的认识来解决这个问题。解决人类行为归因需要一些能够运用超过我们大部分人理解的数学和科学概念的极其聪明的头脑。

归因的挑战大部分是人类行为及其复杂,判定其原因的过程也很复杂。即使我们有前所未有的多的数据,我们仍旧在猜想意图而不是(确实的)知道。这是一个我们没有的及其重要的数据点。

谁应该来主导这个?代理商是最适合迎接这个挑战的人选,因为他们能够雇佣分派到大量客户的资源。结合这个和跨类别学习,一个代理能够收集和运用,并且有能力到一个他们几年来所在的最强的位置。当然,这会有代价,但是营销人员可能愿意为了消除巨大的浪费,更准确的归因买单。

Follow Jay Friedman (@jaymfriedman) and AdExchanger (@adexchanger) on Twitter.

翻译来源:https://adexchanger.com/data-driven-thinking/holistic-attribution-will-not-achieved-anytime-soon/?mkt_tok=eyJpIjoiTURnNVptVmtNelF4WkRZeSIsInQiOiJ5UFhYNkxkU25PNUlyTGloeFpKYnArbVdSWFNLdkpBTEJDZ3RuSWMzWWpOUHhseEVINWVnWE80RmlXWlpzeHF1YkprQTdQVFwvWEtXVGp5a2QxNkRqd0M1TmcwK3dBRTRZQ24wOWNXQk9JeU02Q3ppaE5EaytzNHZpWDlRMXpmOFAifQ%3D%3D

流量作弊归因分析

赞 (0)

添加新评论