什么是转换提升？

转化跟踪

自从转化概念诞生以来，我们衡量在线营销有效性的方法并没有发生重大变化。如果用户点击广告，然后在称为转化窗口的时间内进行交易，我们认为该广告转化为销售额。

我们可以将任何预算分配给转化营销活动，只要它们能产生积极的投资回报。搜索引擎广告的流行和谷歌的财力都是建立在这个概念之上的。

所有效果营销和联盟计划均基于点击转化。

展示广告或视频广告中的点击后转化通常看起来不太好。实际上，我们应该从这些广告相对较少被点击的事实开始。有时他们的点击率只有百分之几。考虑到搜索引擎广告的点击率通常为两位数，这个值可以忽略不计。

另一方面，没有人点击街头广告牌、报纸、广播或电视广告。但这并不能阻止广告商在其中投资数十亿美元。我们知道这些广告是有效的。

但是，当展示广告后的转化出现在我们的报告中时，我们会谨慎处理。是的，广告已展示，但它可见吗？用户注意到了吗？如果是这样，这在多大程度上影响了他的决定？

图1.视频广告的点击率较低，与搜索引擎广告的点击率相比可以忽略不计。另一方面，没有人点击户外、广播或电视广告，但它们却影响着观众。

此外，您将获得挖掘数据库、财务总监、行政级别，并且您需要 C级执行名单 与所有高管协调工作，我们为您提供最好的电子邮件列表，您可以从中获得 100% 真实的 C 级高管列表，我们带来了我们的为您提供的服务将会改善很多。

多渠道漏斗

2019年，多渠道转化路径的概念不再新鲜。我们知道，转化通常是许多互动的结果 – 点击，但也包括导致看到或听到广告的观看次数。

归因建模使我们能够划分产生的收入并将其归因于各个渠道。我们有许多现成的模型可供使用：线性、时间分布、位置考虑——仅举最重要的几个。 Google Analytics 中还提供自定义模型，我们可以在其中决定将转化分配给特定交互的规则。

另请阅读

归因建模中的 Shapley 值

维托尔德·沃达尔奇克

图 2. 该路径包括各种广告的点击次数和展示次数。从转换中获得的收入可以使用各种归因模型归因于他们。

这些模型有一个共同的缺点。需要任意决定选择哪个模型、为各个来源分配什么权重以及如何处理点击、视图和其他交互。

为了解决这个问题，人们创建了算法模型，例如谷歌使用的数据驱动模型或其他基于马尔可夫链的模型。他们使用博弈论的元素来确定代表来源、活动或关键词的个体“参与者”的重要性。算法的数据来源是对导致和不导致转化的路径的分析，这使您可以估计给定渠道在生成转化方面的重要性。图 3 显示了 Google 使用的数据驱动模型的方法。

图 3. 数据驱动的归因方法。转化路径的比较表明，路径中展示广告的出现可将转化概率提高 50%。

然而，算法模型并不是万能的，常常会导致错误的结论。为什么？它们基于相关性分析，在此基础上提出关于交互和转换之间存在因果关系的假设。但是，如果给定的交互频繁出现在漏斗中，是的，这可能表明它对转化有影响，但这并不能证明这一点。

图 4。相关性可能是一个前提，但它并不是因果关系的证据。在这种情况下，使用数据驱动的归因方法得出的结论是，鹳增加了婴儿出生的可能性。

请看图 4。应用于人口统计数据的数据驱动方法得出的结论是，鹳的存在有助于人口增长。这样的“归因模型”会告诉我们：“让我们创造更多的鹳栖息地，这将导致更多的鹳出生！”

当然，我们知道鹳与此无关。只是有更多的孩子出生在 柯达如何在 19 世纪发明了快照，让每个人都能成为摄影师 农村，而鹳鸟——出于完全不同的原因——通常会定居在农村地区。在类似条件下减少或增加鹳数量的实验不会显示人类生育能力的变化。

我们真正想要实现什么？

归因建模的目标不是创建复杂的模型。营销人员只需要回答所选营销活动实际增加了多少销售额的问题。如果此活动受到限制，我们会失去多少客户？如果我们停止广告，有多少比例的客户仍会购买？

要衡量给定广告系列的销售额增加了多少，您可以将看到广告的用户与统计上相同的未看到广告的对照组进行比较。

不幸的是，这在技术上并不总是可行的。虽然我们能够跟踪观看广告的用户的转化情况，但在监控与我们的广告没有接触的对照组时会出现问题。

到目前为止，此类测量仅在再营销中可行，因为在这里广告商拥有自己的 cookie，并且可以创建将被阻止看到广告的用户列表（参见例如bit.ly/测试再营销）。 Facebook 和 Google 提供的转化提升工具使得此类研究可以在勘探活动中进行。

转化提升，即测试转化的增加

转化提升是一项实验，根据定位标准确定潜在的广告接收者，将其分为两组：测试组和对照组。测试组中的用户可以正常看到广告。在对照组中，当广告系统使广告有资格显示时（例如，由于赢得拍卖），广告的显示被阻止。相反，用户将看到不同的广告，但借助 cookie 和登录数据，我们将能够跟踪该用户的后续行为。

实验完成后，比较两组的转化率。在对照组中，我们将记录即使没有展示广告也发生转化的用户。通过从观看广告的测试组中的转化次数中减去这个数字，我们将得到由于广告而实现的转化次数的增加。

图5. 转换升力实验的操作原理。测试组和对照组的转化之间 CUB目录 的差异描述了给定广告活动产生的转化，不包括与其无关的转化。

这是一种凭经验衡量转化增长的简单方法。这是对特定渠道在效果营销方面的盈利能力问题的精确且基本上无可辩驳的答案。令人惊讶的是，我们等待了这么久，广告巨头才推出它。

转化提升决定了给定广告系列产生的转化次数，不包括与其无关的转化次数。

案例研究

罗马尼亚旅行社 Vola.ro 开展了 YouTube 活动。广告称，一月份是购买未来旅行机票的最佳时间，因为统计数据显示，此时的机票价格是最优惠的。

• 该活动收到了 1700 万次观看，观看率为 47%（这些数字仅供参考，其中一些数据可能已被修改以维护客户数据的机密性）。
• Google Ads 系统在观看广告后统计出 1,832 次转化。
• 此外，跳过或停止观看广告的用户还记录了 635 次转化。
• 只有 16 次点击后转化（根据 Google Analytics 数据）。

与广告活动成本相比，点击后效果较差。另一方面，观看后的转化量也很大。然而，该活动的覆盖范围达到了数百万，这意味着它可能还覆盖了许多已经处于转化路径上的用户（例如，他们点击了搜索引擎中的广告，或者只是知道该品牌，并且这是他们购买机票时的首选） 。

事实上，只有 4% 的用户将 YouTube 广告活动纳入转化渠道，这是唯一的互动方式。其余的还与其他广告渠道进行了互动。因此，这些转化很大程度上可能不是 YouTube 广告活动的结果，而是其他广告活动的结果。这些客户中有多少比例会在不观看 YouTube 视频的情况下进行购买？

只有转换升力实验才能回答这个问题。他的结果如下：

• 测试组中有 2,495 人转变。
• 在对照组中，记录了 1,831 次转变。

差别是 664 次转换。这是由于对 YouTube 活动的投资而增加的销售额。出于比较目的，还使用各种归因模型进行分析，包括基于马尔可夫链的模型。

图 7. YouTube 活动结果。转化提升表明，YouTube 广告系列的影响远大于点击后效果，但比算法归因模型产生的影响几乎低两倍。

实验表明，YouTube 广告系列非常有效，其销售额的增长比少数点击后转化高出许多倍。另一方面，人们的担忧得到了证实，即广告活动的影响力远低于观看广告后的转化率（相差三倍）。该实验还显示了算法模型的弱点（马尔可夫模型显示转化参与度比转化提升测量高出 87%）。

适合所有人的转化提升

转化提升研究提供了广告活动有效性（或无效性）的确凿证据。尽管使用转换升力实验的可能性仍然相当有限，但这种方法的引入是一个突破。如果优化算法更广泛地采用它，那么它们将能够实际验证有关各个通道对于生成转化的重要性的假设。让我们希望这会在不久的将来发生。