机器学习能解决归因问题吗？丨 MarTech专栏

如果你的数字营销团队正在努力解决归因问题，那么你肯定不是唯一的一个要解决这个问题的人。根据尼尔森的报告，只有四分之一的营销者能够自信地将所获得的收入分别归因于他们的数字营销，所以这个比例是不是让你觉得很吃惊？

对于营销团队和销售团队来说，归因是一个紧迫的问题，可能是一个严重的挑战。通过不同的平台激活跨渠道的活动会导致在不同的、断开的系统中隔离数据。Martech堆栈的持续增长可能会带来重大挑战，包括归因的准确性。但是，尽管面临这些挑战，你的团队仍然需要能够信心十足地地跟踪ROI并要跟你的老板沟通这么做的意义和价值到底在哪里。

许多营销人员每天都感到沮丧，而归因差异往往暴露出更大的组织挑战。如果营销人员不能向他们的领导展示他们的数字营销背后的投资回报率，他们怎么能要求进一步的Martech投资？

单点接触很可能是最常用的模式，在这种模式中，属性被归因于最终带来转化的接触点。另一方面，多点接触属性模型则是根据营销人员认为每个接触点对整个客户旅程的转化有多大的可能性来分配不同的加权值。

“确定你的归因模式以及在哪里分配权重是我们作为营销人员面临的最大挑战，”SmartSearch市场营销公司的战略数字营销顾问Natasha Humphrey表示，“然而，在归因模型中低估某一个来源的价值，在我们需要领导层认同该来源并持续投资时，就有可能会带来挑战。”

CaliberMind的首席执行官Raviv Turner表示，这一挑战的一部分是当今大多数营销人员使用的标准归因方法。“许多组织已经从单一接触属性转变为多点接触属性模型，但如果没有良好、干净的数据集，就会产生复杂的挑战。我们需要在未来开始使用基于连锁的模型。”

在客户旅程中给通道分配权重的做法在很大程度上依赖于人的偏见-我们认为重驱动转化的渠道分配的权重最大。“但如果我们不把人的偏见带到谈判桌上，而是回到领先地位，逆向设计客户之旅呢？”Turner问。

这就是机器学习的来源。

在过去五年里，人工智能、机器学习和自然加工的进步对营销人员来说已经变得更加显而易见，但许多人仍然难以理解如何将它们应用到我们的市场营销中。“有了机器学习模型，我们就能消除人类的偏见，”CaliberMind市场营销副总裁Chris Nixon说。“这个模型通过你的数据来了解不同的结果诸如收入、管道、领导生成等等，并在整个客户旅程中识别触点。“

Nixon补充说：“机器学习模型分析了一段时间以来的购买模式，并确定了影响一系列事件的模式。”“如果你看到的是来自‘关闭/赢得或关闭/失去’机会的收入，那么每一个机会的路径是什么？”基于链的模型从结果开始，回顾整个过程中为驱动最终结果而采取的步骤。

自动化和机器学习在Martech领域都有很强的优势，但是CaliberMind的基于链的归因工具采取了不同的方法。该工具连接独立平台，从结果开始跟踪ROI，并向后工作以了解客户旅程的每一步的整体影响。这种方法可以提高我们所获得的营销智慧和洞察力的质量。市场营销者对于数字如何影响业绩有十分精确的认知，以便与决策者进行充分的信息沟通和讨论。

Humphrey认为，采用这种方法对营销人员来说可能是向前迈出的一大步。“以连锁为基础的方式可能会对那些需要领导认可、继续投资于价值被低估的资源的营销人员产生重大影响。”“我们需要洞察力，为领导和客户提供投资回报率，并了解全漏斗是如何归因于这段旅程的。基于连锁的归因可以很好地做到这一点。”

MarTech专栏