คำถามแรกที่คุณสามารถหาคำตอบได้ไม่ยากจากรายงานที่มีอยู่ใน GA4 ข้อนึงก็คือ "ผู้ใช้เข้ามาที่เว็บหรือแอปมือถือของคุณจากช่องทางไหนบ้าง?
ในรายงานคุณก็จะเห็นได้ว่ามาจาก Organic Search กี่คน? มาจากโฆษณาบน Facebook กี่คน? มาจากคลิป TikTok ของคุณกี่คน? เป็นต้น
ซึ่งตัวเลขเหล่านี้คุณสามารถหาได้จากรายงานที่อยู่ในส่วนของ Acquisition ใน GA4
คำถามต่อมาก็คือ “แล้วช่องทางไหนที่ทำให้ผู้ใช้กลายมาเป็นลูกค้า หรือที่เรียกว่าคอนเวอร์ชั่น (Conversion) ได้มากที่สุด?“
คำตอบนี้คุณก็สามารถหาดูได้ไม่ยากจากตัวเลข Conversion ที่มีอยู่ใน GA4
ถึงตรงนี้คุณอาจจะคิดว่า Data ต่างๆ ที่คุณนำมาวิเคราะห์นี้ครบถ้วนแล้ว
แต่ถ้าผมบอกว่า Data ที่คุณได้จากการตอบคำถามเพียงแค่ 2 ข้อนี้ยังไม่พอ!
ถ้าหากว่าคุณยังไม่ได้วิเคราะห์ในส่วนของรายงานที่อยู่ในส่วนที่เรียกว่า ‘การระบุแหล่งที่มา (Attribution)‘ ด้วย
ในโพสนี้เรามาทำความเข้าใจกันครับว่า Attribution คืออะไร? ทำไมถึงต้องวิเคราะห์ข้อมูลในส่วนของ Attribution นี้? แล้วจะนำเอาไปใช้ประโยชน์กับธุรกิจออนไลน์ของเรากันได้ยังไงบ้าง?
ถ้าพร้อมแล้ว ก็ลุยเลยครับ 👊
Table of Contents
Attribution คือเรื่องของการให้เครดิตกับ 'แหล่งที่มาต่างๆ' ของผู้ใช้ที่ทำให้เกิด Conversion
‘แหล่งที่มา‘ ในที่นี้มีความหมายเดียวกันกับ แชเนล, ช่องทาง, ทัชพอยต์ (Touchpoint), เว็บไซต์, แพลตฟอร์มโฆษณาต่างๆ ที่เป็นจุดที่ทำให้ผู้ใช้เข้ามาที่เว็บ/แอปฯ ของคุณได้
คือคุณสามารถรู้ได้ว่าผู้ใช้เข้ามาจากช่องทางไหน แล้วก็รู้ว่าช่องทางไหนที่ทำให้เกิด Conversion ได้ จากรายงาน User Acquisition กับ Traffic Acquisition
ทีนี้เรามาวิเคราะห์กันต่อว่า แล้วช่องทางไหนจริงๆ ที่ทำให้เกิด Conversion กันแน่ เพราะอย่าลืมนะครับว่า คนที่เข้าเว็บของเราได้นั้น ไม่ได้เข้ามาเพียงแค่ช่องทางใดช่องทางนึงเท่านั้น!
บางคนเข้ามาที่เว็บครั้งแรกผ่านทาง Facebook อีกวันก็เข้ามาผ่านทาง Google อีกวันเข้ามาผ่านทางโฆษณาดิสเพลย์ ฯลฯ จะเห็นได้ว่ามีหลากหลายช่องทางมากเลยที่ผู้ใช้สามารถเข้ามาที่เว็บของเราได้
ด้วยความที่ผู้ใช้เข้ามาที่เว็บได้จากหลากหลายช่องทาง ดังนั้นการวิเคราะห์ให้เห็นได้ว่า ช่องทางไหนบ้างที่มีผลที่ทำให้ผู้ใช้เหล่านั้นกลายมาเป็นลูกค้าของเราได้จึงเป็นเรื่องสำคัญ เพื่อที่เราจะได้เข้าไปทำการตลาดได้อย่างถูกคน ถูกที่ และถูกเวลานั่นเอง
เมื่อคุณวิเคราะห์เรื่องของ Attribution คุณก็สามารถที่จะ…
- เข้าใจผู้ใช้ได้ดีขึ้น เพราะว่ามี ‘มิติของข้อมูล‘ ที่เกี่ยวกับแหล่งที่มามากกว่า
- เข้าใจ ‘การทำงานร่วมกัน‘ ของแหล่งที่มาต่างๆ ว่าสนับสนุนและส่งเสริมกันยังไง
- เข้าใจ ‘เส้นทางการซื้อของลูกค้า (Customer Journey)‘ ได้ดีมากยิ่งขึ้น
- ช่วยใน ‘การวางแผนโฆษณา‘ โดยการนำเงินไปใช้ในแหล่งที่มาที่มีประสิทธิภาพ และตรงตามวัตถุประสงค์ที่วางเอาไว้ เป็นต้น
3 ตัวแปรหลักในเรื่องของ 'การระบุแหล่งที่มา'
ในการวิเคราะห์เรื่องของ ‘การระบุแหล่งที่มา‘ มันจะมีตัวแปรอยู่ 3 ตัวที่คุณจะต้องตอบให้ได้ระหว่างทำการวิเคราะห์
1. Conversion อะไร?
คุณต้องรู้ก่อนว่า “Conversion ที่คุณกำลังวิเคราะห์อยู่นี้คืออะไร?“
อย่าลืมว่า ใน GA4 คุณสามารถที่จะวัด Conversion ได้มากกว่าแค่การซื้อ (purchase) หรือที่เรียกว่าเป็น ‘คอนเวอร์ชั่นหลัก (Macro-Conversion)‘
คุณยังสามารถที่จะวัด Conversion อื่นๆ ที่สำคัญรองลงมาได้เรียกว่า Micro-Conversion เช่น คนกรอกแบบฟอร์ม (generate_lead) คนคลิกที่ปุ่มโทรบนหน้าเว็บเพื่อติดต่อกลับ (click_to_call) คนที่กดปุ่ม Add LINE (add_line) เป็นต้น
คุณสามารถที่จะนำ GA4 มาใช้วัด Conversion ต่างๆ เหล่านี้ได้จาก Event ที่สำคัญต่อธุรกิจของคุณ
2. แหล่งที่มาจากไหน?
ผู้ใช้เข้ามาจากแชเนลอะไร? เว็บอะไร? แพลตฟอร์มโฆษณาอะไร?
คือเรื่องของการระบุแหล่งที่มามันจะง่ายมากเลย ถ้าผู้ใช้ของพวกเราเข้ามาได้จากช่องทางเดียว!
แต่อย่างที่เรารู้กันดีว่าในยุคนี้ ผู้ใช้ที่เข้ามาที่เว็บของพวกเรานั้น เข้ามาได้จากหลากหลายช่องทาง…
เช่น บางคนเข้ามาผ่านการค้นหาที่ Google บางคนคลิกเข้ามาผ่านทางโฆษณาบน Facebook บางคนคลิกลิงค์จากอีเมลที่เราส่งไป ฯลฯ
ซึ่งในการวิเคราะห์ Attribution นี้ก็จะทำให้คุณเห็นถึง “ช่องทางต่างๆ เหล่านั้นตลอดทั้งเส้นทางของผู้ใช้” ที่ทำให้เกิด Conversion ได้
3. กรอบเวลามองย้อนกลับ (Conversion Window) กี่วัน?
‘จำนวนของวันที่มองย้อนกลับเพื่อดูว่าผู้ใช้ที่ทำให้เกิด Conversion นั้นมาจาก ‘แหล่งที่มา’ ต่างๆ อะไรบ้าง
ซึ่งจำนวนของวันย้อนกลับตรงนี้ใน GA4 เค้าจะตั้งต้น (Default) เอาไว้ที่ 90 วัน นั่นหมายความว่า…
สมมุติว่าวันนี้คุณเห็นตัวเลข Conversions ใน GA4 มีอยู่ 10 Conversions
ระบบก็จะทำการนำเอา Data ที่เกี่ยวกับ ‘แหล่งที่มา’ ต่างๆ ที่เกิดขึ้นระหว่างวันที่ย้อนหลังไปอีก 90 วัน ที่มีส่วนทำให้เกิด 10 Conversions นั้นมาคำนวนให้
คือมันเป็นไปได้ว่า (ต้องบอกว่าเป็นไปได้สูงมากๆ เลยดีกว่า) ว่าระยะเวลา 90 วันที่ย้อนกลับไปนั้น ผู้ใช้ได้เข้ามาที่เว็บมากกว่า 1 ช่องทาง
โดยในรายงาน Attribution นี้จะเฉลยให้คุณเห็นได้ว่า “พวกเค้าเข้ามาจากช่องทางไหนบ้าง? ในระหว่างช่วงเวลาที่มองย้อนกลับไป” นั่นเอง
นั่นจึงเป็นเหตุผลที่ว่า ทำไมเราถึงต้องทำความเข้าใจในการวิเคราะห์เรื่องของ Attribution นี้ให้เป็น
เข้าใจ 'การทำงานร่วมกัน' ของแหล่งที่มาต่างๆ
ผมขอขยายความในเรื่องของ ‘การทำงานร่วมกัน‘ ของแหล่งที่มาต่างๆ นิดนึงครับ เพราะว่านี่คือหัวใจหลักในเรื่องของการวิเคราะห์ Attribution
คือก่อนที่ลูกค้าจะซื้อหรือว่ากลายมาเป็นลูกค้าของเราได้นั้น พวกเค้าก็อาจจะคลิกผ่านแคมเปญโฆษณาของคุณจากหลากหลายช่องทาง บางคนอาจจะคลิกเข้ามาจาก Social, Email, Affiliate, Display ฯลฯ
ซึ่งในฐานะของนักการตลาด เราก็อยากจะรู้ให้ได้ว่าแชเนลหรือว่าช่องทางไหนที่ทำให้มีลูกค้ามากขึ้น มีผลลัพธ์ที่ดีกว่าช่องทางอื่นๆ มากน้อยกว่ากันยังไง เพื่อที่เราจะได้เอาเงินไปใช้กับช่องทางที่มีประสิทธิภาพ ช่วยทำให้ได้รับผลตอบแทนกลับคืนมาให้ได้มากที่สุด
ส่วนช่องทางไหนที่ไม่ได้ผล ก็จะได้หาวิธีแก้ไขปรับปรุงเพื่อให้ได้ผลลัพธ์ที่ดีขึ้น หรืออาจจะหยุดใช้เงินกับมันซะ!
ซึ่งในรายงานของ Attribution นี้ จะช่วยให้คุณเห็นภาพของการทำงานร่วมกันของแต่ละช่องทางว่าเป็นยังไงได้
คุณจะเห็นภาพของ ‘เส้นทางของลูกค้า (Customer Journey)‘ ได้ชัดขึ้น ทำให้เข้าใจกระบวนการซื้อของลูกค้าได้มากขึ้น ครบถ้วนขึ้น ชัดเจนขึ้น นำไปสู่การวางแผนแคมเปญการตลาดให้ได้ผลดีมากขึ้นกว่าเดิม
จะเห็นได้ว่า ยิ่งมีแหล่งที่มาหลากหลาย ก็ยิ่งยากในการที่จะให้เครดิตว่าแหล่งที่มาไหนที่ทำให้เกิด Conversion
เลยเป็นที่มาของ ‘การตั้งกฏ‘ ในการให้เครดิตกับแหล่งที่มาต่างๆ เหล่านี้ โดยเรียกว่าเป็น ‘รูปแบบการระบุแหล่งที่มา (Attribution Modeling)‘
รูปแบบการระบุแหล่งที่มาต่างๆ ของ GA4 (Attribution Modeling)
คือจะเป็นเหมือนกับกฏ (Rules) ต่างๆ ในการนำมาให้เครดิตเพื่อตอบว่า “แหล่งที่มาไหนบ้างที่ทำให้เกิด Conversion?“
1. การระบุแหล่งที่มาจากข้อมูล (Data-Driven Attribution)
Data-Driven Attribution เรียกสั้นๆ ว่า DDA จะใช้ Machine Learning เป็นตัวคำนวนในการให้เครดิต คือระบบจะทำการเก็บ Data ทั้งในส่วนที่ทำให้เกิด Conversion และไม่เกิด Conversion มาใช้ในการคำนวน รวมไปถึง Data ของผู้ใช้ที่เกี่ยวกับ อุปกรณ์ เวลา การคลิกโฆษณา ลำดับการแสดงโฆษณา ตัวโฆษณา ฯลฯ
ซึ่งในแต่ละบัญชี GA4 ก็จะมี Data ในส่วนของ Conversion ที่แตกต่างกัน ทำให้การคำนวน Conversion ในส่วนของ Data-Driven Attribution ของแต่ละบัญชีแตกต่างกันไป
โดยรูปแบบ DDA นี้จะทำให้คุณจะเห็นเส้นทางการซื้อของลูกค้าได้แม่นยำกว่า ช่วยให้การวัดประสิทธิภาพของช่องทางการตลาดต่างๆ ได้ดีขึ้น นำไปสู่การใช้เงินกับช่องทางการตลาดที่จะช่วยทำกำไรให้ดีขึ้น
เพราะเป็นการวางแผนการตลาดที่อิงจาก ‘แหล่งที่มาต่างๆ’ ที่ช่วยทำให้เกิด Conversion ได้ใกล้เคียงกับความเป็นจริงมากกว่ารูปแบบการระบุแหล่งที่มาอื่นๆ
โดย DDA จะเป็นการนำเอา Data ของ Conversion ที่เกิดขึ้น โดยให้เครดิตกลับไปยัง ‘ทุกแหล่งที่มา‘ ของผู้ใช้ที่เข้าเว็บ ซึ่งจะไม่เหมือนกับรูปแบบของ First Click Attribution หรือ Last Click Attribution ที่ล้าสมัยไปแล้ว
ตัวอย่างง่ายๆ คือ DDA จะทำการคำนวนดูว่า ถ้า ‘แหล่งที่มา’ นี้ไม่ได้อยู่ในเส้นทางการซื้อของลูกค้า หรือ Conversion Path แล้ว จะมีผลทำให้ Conversion เพิ่มขึ้นหรือว่าลดลง?
คือถ้ามันไม่ได้ช่วยเพิ่มจำนวนของ Conversions ก็หมายความว่าแหล่งที่มานั้นไม่ได้มีผลที่ทำให้เกิด Conversion ระบบก็จะให้เครดิตกับแหล่งที่มานั้นน้อยกว่า
แต่ถ้าจำนวนของ Conversion ลดลงไปมาก ก็หมายความว่าแหล่งที่มานั้น มีผลทำให้เกิด Conversion ระบบก็จะทำการให้เครดิตกับแหล่งที่มานั้นมากกว่านั่นเอง
*หมายเหตุ: DDA จะเป็นค่าตั้งต้น (Default) ในส่วนของ Attribution ใน GA4
2. อิงตามกฎแบบข้ามแชแนล (Cross-Channel Rules-Based)
ทีนี้มาดูในส่วนของรูปแบบของ Attribution อื่นๆ โดยจะมีการตั้งกฏเกณฑ์ต่างๆ ขึ้นมาเพื่อนำมาใช้ในการให้เครดิต
2.1 คลิกสุดท้ายข้ามแชแนล (Cross-Channel Last Click)
รูปแบบนี้จะไม่สนใจการเข้าชมโดยตรง (Direct) และจะให้เครดิต Conversion ทั้งหมด 100% กับ ‘แหล่งที่มาสุดท้าย’ ที่ผู้ใช้คลิก (หรือการดูอย่างมีส่วนร่วมผ่าน YouTube*) ก่อนที่จะเกิด Conversion
จะเห็นได้ว่า ‘จุดอ่อน‘ ของรูปแบบนี้ก็คือ ระบบจะไม่ได้พิจารณาถึงแหล่งที่มาอื่นๆ ที่ทำให้ผู้ใช้เข้ามาที่เว็บในช่วงแรกๆ แต่จะให้เครดิตกับ ‘แหล่งที่มาสุดท้าย‘ เท่านั้น
ทำให้เราไม่ได้นำ ‘การทำงานร่วมกัน‘ ของแหล่งที่มาต่างๆ มาใช้วิเคราะห์ ก็คือวิเคราะห์ได้ไม่ครบเส้นทางของลูกค้านั่นเอง
ตัวอย่าง:
– นาย ก เข้าเว็บมาจาก โฆษณาดิสเพลย์ > โฆษณาโซเชียล > โฆษณาจากการค้นหา > การค้นหาทั่วไป
การระบุแหล่งที่มาจะให้เครดิต 100% ว่ามาจาก ‘การค้นหาทั่วไป‘
– นาย ข เข้าเว็บมาจาก โฆษณาดิสเพลย์ > โฆษณาโซเชียล > การค้นหาที่เสียค่าใช้จ่าย > อีเมลระบุแหล่งที่มา 100% ว่ามาจาก ‘อีเมล‘
– นาย ค เข้าเว็บมาจาก โฆษณาดิสเพลย์ > โฆษณาโซเชียล > การค้นหาที่เสียค่าใช้จ่าย > โดยตรงระบุแหล่งที่มา 100% ว่ามาจาก ‘การค้นหาที่เสียค่าใช้จ่าย**‘
หมายเหตุ:
*การดูอย่างมีส่วนร่วมผ่าน YouTube (Engaged-View Conversions – EVC) หมายถึง
- ดูโฆษณาเป็นเวลา 30 วินาที (หรือจะดูจนจบหากสั้นกว่า 30 วินาที)
- คลิกการ์ดทีเซอร์
- คลิกแบนเนอร์ที่แสดงร่วมกันหรือแผงวิดีโอ
- คลิกวลีที่เป็นคํากระตุ้นการตัดสินใจ
- คลิก End Screen
- คลิกเพื่อเข้าชมเว็บไซต์ของผู้ลงโฆษณา
**ระบบจะไม่ให้เครดิตกับผู้ใช้ที่เข้ามาโดยตรง (Direct) นอกจากจะเป็นแหล่งที่มาที่เป็นโดยตรงตลอดทั้งเส้นทาง
2.2 คลิกแรกข้ามแชแนล (Cross-Channel First Click)
ให้เครดิตทั้งหมด 100% สำหรับ Conversion แก่ ‘แหล่งที่มาแรก’ ที่ลูกค้าเข้ามาที่เว็บไซต์แล้วเกิด Conversion
รูปแบบนี้เหมาะกับการวัดผลในเรื่องของแชเนลที่ช่วยทำให้เกิด ‘การรับรู้‘ ในช่วงแรกของเส้นทางลูกค้า
2.3 เชิงเส้นข้ามแชแนล (Cross-Channel Linear)
2.4 ตามตําแหน่งข้ามแชแนล (Cross-Channel Position-Based)
ให้เครดิต 40% แก่แหล่งที่มาแรกและแหล่งที่มาสุดท้าย และจะกระจายเครดิต 20% ที่เหลือให้แก่แหล่งที่มาในช่วงตรงกลางเท่าๆ กัน
2.5. ลดลงตามเวลาแบบข้ามแชแนล (Cross-Channel Time Decay)
ให้เครดิตแก่แหล่งที่มาที่ใกล้กับเวลาที่เกิด Conversion มากกว่าแหล่งที่มาอื่นๆ
3. แหล่งที่มาจาก Google Ads (Ads-Preferred Model)
3.1 คลิกสุดท้ายที่ระบุว่ามาจาก Google Ads (Ads-Preferred Last Click)
ระบบจะให้เครดิต Conversion ทั้งหมด 100% กับ ‘แหล่งที่มาโฆษณา Google’ ล่าสุดที่ลูกค้าคลิกก่อนเกิด Conversion
แต่ถ้าไม่มีการคลิกที่โฆษณา Google การระบุแหล่งที่มาก็จะเปลี่ยนไปใช้เป็นรูปแบบ ‘คลิกสุดท้ายข้ามแชแนล‘ แทน
ตัวอย่าง:
– นาย ง เข้าเว็บมาจาก ดิสเพลย์ > โซเชียล > โฆษณา Google > การค้นหาทั่วไป
ระบุแหล่งที่มา 100% ว่ามาจาก ‘โฆษณา Google‘
– นาย จ เข้าเว็บมาจาก ดิสเพลย์ > โซเชียล > อีเมล > โดยตรง
ระบุแหล่งที่มา 100% ว่ามาจาก ‘อีเมล‘ เพราะว่าไม่มีคลิกจากโฆษณา Google ทำให้การระบุแหล่งที่มาเปลี่ยนไปใช้ ‘คลิกสุดท้ายข้ามแชแนล‘ แทน
*หมายเหตุ: ทาง Google จะยกเลิกรูปแบบการระบุแหล่งที่มาที่เป็น First-Click, Linear, Position-Based และ Time-Decay
สรุปคือจะเหลือแต่รูปแบบ DDA, Cross-Channel Last Click กับ Ads-Preferred Last Click ให้เลือกใช้
รายงานการเปรียบเทียบรูปแบบ (Model Comparison Report)
ใน GA4 คุณสามารถที่จะนำเอารูปแบบของ Attributions ต่างๆ ด้านบน มาวิเคราะห์เพื่อเปรียบเทียบกันได้ด้วย
คุณสามารถวิเคราะห์ Conversion ต่างๆ ที่เกิดขึ้น โดยใช้รูปแบบการระบุแหล่งที่มาที่แตกต่างกันได้
ทำให้คุณเห็น ‘คุณค่า (Conversion Value)‘ ที่เกิดขึ้นของแหล่งที่มาต่างๆ จากมุมมองของรูปแบบของ Attributions ที่แตกต่างกัน
ยกตัวอย่างเช่น แหล่งที่มาที่เป็น ‘โฆษณาดิสเพลย์‘ อาจจะไม่ได้ทำให้เกิด Conversion แบบ Last Click มากนัก แต่พอคุณเปลี่ยนรูปแบบเป็น First Click ก็จะทำให้เห็นว่า เป็นแหล่งที่มาที่ช่วยทำให้เกิด Conversion ได้มากขึ้นจริงๆ
คือถ้าคุณดูรายงานที่ใช้รูปแบบเป็นแบบคลิกสุดท้ายข้ามแชแนล (Last Click) คุณก็อาจจะตีความได้ว่า โฆษณาดิสเพลย์’ มันไม่ได้ผล!
แต่ถ้าคุณวิเคราะห์โดยเปลี่ยนรูปแบบไปเป็น First Click แล้ว แล้วคุณเห็นจำนวนของ Conversion ที่มาจาก โฆษณาดิสเพลย์ เพิ่มขึ้น นั่นหมายความว่ามันสามารถช่วยทำให้เกิด Conversion ได้เหมือนกัน
ถ้าให้ตีความก็คือ โฆษณาดิสเพลย์ เป็นแหล่งที่มาที่ทำหน้าที่เป็นเหมือน ‘ตัวช่วย (Assist)‘ มากกว่า ‘ตัวปิด (Closer)‘ นั่นเอง
เวลาในการรายงาน (Reporting Time)
ตอนดูรายงานใน GA4 คุณสามารถที่จะเลือกดูได้ 2 แบบ
1. เวลาที่เกิด Conversion (Conversion time) (ค่าเริ่มต้น)
จะแสดงเครดิตที่ระบุ ‘แหล่งที่มาทั้งหมด’ ที่เกิดขึ้นใน ‘กรอบเวลามองย้อนกลับ (Lookback Window)’ ก่อนที่จะเกิด Conversion
ตัวอย่างเช่น คุณเลือกช่วงเวลาในรายงานเป็น ‘วันนี้’ คุณก็จะเห็นว่ามี ‘จำนวน Conversion ที่เกิดขึ้นในวันนี้‘ เท่าไหร่?
ระบบก็จะดูต่อว่า คุณตั้งกรอบเวลามองย้อนกลับไว้กี่วัน? สมมติว่าตั้งไว้ 30 วัน ระบบก็จะมองย้อนกลับไปจากวันนี้ 30 วัน เพื่อดูว่ามีแหล่งที่มาอะไรที่ทำให้เกิด Conversion ในวันนี้บ้าง
นั่นหมายความว่า เป็นไปได้ที่ Conversion ที่เกิดขึ้นในวันนี้ จะมีแหล่งที่มาที่เกิดขึ้นย้อนหลังไปนานมากกว่า 30 วันได้ เพียงแต่ระบบจะไม่ได้นำมาใช้คำนวนให้ (ตามที่คุณตั้งค่าไว้ในส่วนของกรอบเวลาย้อนกลับ)
เห็นมั๊ยครับว่า เรื่องของ Attribution ไม่ใช่เรื่องที่จะคำนวนได้ง่ายเลยจริงๆ ยิ่งธุรกิจไหนที่มีเส้นทางการซื้อที่ใช้เวลานานๆ ก็จะยิ่งทำให้วิเคราะห์ Attribution ยากขึ้น
2. เวลาในการโต้ตอบ (Interaction Time)
โดยระบบจะอิงจาก ‘แหล่งที่มาทั้งหมด’ ที่มีผู้ใช้เข้ามาในช่วงเวลาที่ระบุในรายงาน
เช่น คุณเลือกช่วงเวลาเป็นวันนี้ ก็จะตีความได้ว่า ผู้ใช้ที่เข้ามาจาก ‘แหล่งที่มาต่างๆ ในวันนี้‘ แล้วทำให้เกิด Conversion ขึ้น
ซึ่งเป็นไปได้ว่า แหล่งที่มาที่คุณเห็น แต่ไม่ได้ทำให้เกิด Conversion ในวันนี้ตามที่คุณระบุในรายงาน ก็มีโอกาสที่จะเกิด Conversion ในอีก 30 วันหลังจากวันนี้ได้
สรุปคือถ้าคุณเลือกแบบ Interaction Time ระบบก็จะอิงจาก ‘เวลาที่คลิกเข้ามาของแหล่งที่มา’ นั้น โดยไม่ได้อิงจาก ‘เวลาที่เกิด Conversion’ เหมือนในแบบที่หนึ่ง
ปกติผมก็จะใช้ตัวเลือกเป็น ‘เวลาที่เกิด Conversion‘ ครับ ผมว่าเข้าใจได้ง่ายกว่า ตรงไปตรงมาดี
รายงานเส้นทาง Conversion (Conversion Paths Report)
คุณจะเห็นได้ว่าแหล่งที่มาอะไรที่เป็น ‘ตัวเริ่มต้น (Early Touchpoints)‘, ‘ตัวสนับสนุน (Mid Touchpoints)‘ และ ‘ตัวปิด (Last Touchpoints)‘ ของ Conversion
มิติข้อมูลที่ระบุแหล่งที่มาไม่ได้
เวลาที่คุณดูรายงาน คุณอาจจะเห็นค่าแปลกๆ เหล่านี้…
- (not set) จะเป็นค่าที่ GA ใช้เมื่อไม่มี Data ในส่วนของมิติข้อมูล (Dimension) ที่คุณเลือก อย่างเช่นไม่มี Data ในส่วนของ แคมเปญ แหล่งที่มา หรือสื่อ เพราะว่าไม่มีการทำ UTM Tracking เพื่อเพิ่มมิติของข้อมูล
- Unassigned คือค่าที่ GA จะแสดงเมื่อไม่มีกฎแชแนลอื่นๆ ที่ตรงกับข้อมูลของเหตุการณ์
- Direct คือค่าที่ GA แสดงเมื่อไม่มี Data ในส่วนของแหล่งที่มา เช่น ไม่มีข้อมูล Referral ส่งมา หรือเป็น Data ที่เกิดจากการนําเข้าข้อมูล (Import) เป็นต้น
- Unattributable คือ GA ไม่สามารถให้เครดิตสําหรับมิติข้อมูลที่คุณเลือก
- (Other) คือค่าที่ GA แสดงเป็นแถวรวม เนื่องจากขีดจํากัดเกี่ยวกับจํานวนรวมของค่าเฉพาะสำหรับมิติข้อมูลหนึ่งๆ ที่เรียกว่า Cardinality
จุดสำคัญมากๆ ในการที่จะทำให้รายงานในเรื่องของ Attribution Model มีความถูกต้องมากยิ่งขึ้น ก็คือการทำ UTM Tracking เพื่อที่จะได้รู้แหล่งที่มาของผู้ใช้ได้อย่างละเอียดถูกต้องมากยิ่งขึ้น
โดยเฉพาะแหล่งที่มาจากแพลตฟอร์มอื่นๆ ที่ไม่ใช่ของ Google เช่น Social, Email, Affiliate ฯลฯ พวกนี้จะต้องใช้ UTM Tracking เป็นตัวช่วยเพื่อเพิ่มมิติของข้อมูลที่เกี่ยวกับแหล่งที่มาได้ครบถ้วนมากขึ้น
วิธีการตั้งค่า Attribution Model ใน GA4
จะอยู่ในส่วนของผู้ดูแลระบบโดยให้คลิกที่เมนู Admin > Attribution Settings โดยคุณสามารถเลือก ‘รูปแบบของ Attribution และกรอบเวลามองย้อนกลับ‘ ได้ตามที่คุณต้องการ
สรุปในเรื่องของการระบุแหล่งที่มา (Attribution)
ยิ่งมี ‘แหล่งที่มา‘ มากเท่าไหร่ ก็ยิ่งทำให้การระบุแหล่งที่มามีความซับซ้อนมากขึ้นเท่านั้น
การเลือก ‘กรอบเวลาย้อนกลับ‘ ที่นานกว่า ก็จะทำให้มีแหล่งที่มาเพิ่มมากขึ้น ทำให้การระบุแหล่งที่มายากขึ้น
การเลือกใช้ ‘รูปแบบ Data-Driven Attribution (DDA)‘ ที่นำ Machine Learning มาใช้วิเคราะห์ ก็จะช่วยทำให้การวิเคราะห์การระบุแหล่งที่มา มีความแม่นยำมากยิ่งขึ้น ช่วยให้คุณเห็นเส้นทางของลูกค้าได้ใกล้เคียงกับความเป็นจริงมากกว่า ทำให้คุณมีข้อมูลเชิงลึกที่นำไปใช้ในการตัดสินใจได้ดียิ่งกว่า
โดยเฉพาะในเรื่องของการจัดสรรงบประมาณของช่องทางต่างๆ ก็จะทำได้อย่างมีประสิทธิภาพมากยิ่งขึ้น
ซึ่งถ้าคุณดูรายงานอย่าง User Acquisition หรือ Traffic Acquisition อย่างเดียว โดยมองข้ามการวิเคราะห์เรื่องของ Attribution ไป ก็อาจจะทำให้คุณมองภาพของเส้นทางของลูกค้าได้ไม่ถูกต้องหรือครบถ้วนเท่าที่ควร
ดังนั้นรายงานต่างๆ ที่อยู่ในส่วนของ Attribution จึงเป็นเหมือนกับส่วนเติมเต็ม ที่จะช่วยให้คุณวิเคราะห์ Data ของผู้ใช้ได้ละเอียดครบถ้วนมากยิ่งขึ้น
แล้วเจอกันในบทความต่อไปครับ
ขอบคุณครับ
อรรถทวี (Attribution to the Rescue) เจริญวัฒนวิญญู
Konvertive – Delivering Your Business Conversions with Digital Marketing
