Display leads increase 10% while cost per lead remains flat thanks to Data-Driven Attribution

技术

分析与建模 - 预测分析

适用行业

电信

适用功能

销售与市场营销

用例

需求计划与预测

服务

数据科学服务

挑战

一家大型电信公司利用数字广告来提高品牌知名度和推动销售，该公司希望了解展示广告如何与其他渠道相结合，帮助吸引中小型企业客户。作为互联网广告的主要客户，该公司求助于 Google Analytics Premium 和 MaassMedia，以利用先进的数据驱动归因模型。通过采用这种方法，它旨在衡量展示接触点对潜在客户生成的影响，并就预算分配和优化做出更好的决策。营销部门希望将其覆盖范围扩大到新的客户群。展示广告提供了一个重要的新库存来源，但传统上很难衡量其对潜在客户生成的影响。纯粹基于点击的指标表明展示广告没有提供足够的广告支出回报。同时，浏览量指标没有考虑到展示广告如何与其他渠道（如付费搜索、联属网络营销和电子邮件）配合使用。该团队希望找到一种能够在整个客户旅程中正确归功于展示接触点的方法。

关于客户

客户是一家大型电信公司，利用数字广告来提高品牌知名度和推动销售。该公司的 B2B 营销部门负责在中小型企业客户中吸引潜在客户。该公司是一家重度互联网广告客户，使用各种营销渠道，包括付费搜索、电子邮件和展示广告。该公司希望扩大其覆盖范围，吸引新的客户群，并将展示广告视为重要的新库存来源。然而，该公司传统上很难衡量展示广告对潜在客户产生的影响。

解决方案

将所有数据集中到一起后，该团队与 Google 合作，利用自定义数据驱动归因模型。该模型会不断构建和更新，计算每个接触点对转化概率的影响。该模型区分了展示展示和路径中其他接触点的存在如何影响客户填写潜在客户表单以表达对服务的兴趣的可能性。有了这个新的归因基础，修订后的每潜在客户成本 (CPL) 指标针对展示广告系列的每个方面进行了计算。营销团队将基于现有最后点击率模型的 CPL 与新归因的 CPL 数字进行了比较，并发现了估值存在巨大差异的特定网络、展示位置和创意。在某些情况下，某些展示位置产生的潜在客户比之前的最后点击模型多 58%。

运营影响

After implementing the changes, the team saw leads from display campaigns increase 10% above projections, while the cost per lead remained flat.
Optimized display placements saw a doubling of conversion rates.
The results of the model provided a framework for ongoing optimization, giving the team confidence that it could make truly data-driven decisions about display advertising.

数量效益