قامت LinkedIn بإجراء بعض التحسينات على خدماتها نماذج إسناد الإعلان، وذلك لضمان أن تكون بياناتها أكثر تمثيلاً للاستجابة الفعلية للإعلان، على عكس افتراضات منهجيات الإعلان التقليدية.
لأنه كما يعلم المسوقون، تعتمد معظم نماذج الإحالة على نماذج افتراضية، مثل إحالة النقرة الأخيرة، والتي لا تأخذ في الاعتبار في الواقع الفروق الدقيقة في كيفية استجابة مستخدمي الويب الحديثين للمحتوى ذي الصلة والتفاعل معه.
وينطبق هذا بشكل خاص على حملات B2B، والخبز والزبدة في LinkedIn، ومن أجل معالجة هذه المشكلة، تطرح LinkedIn الآن منهجية إسناد جديدة تتخذ نهجًا مختلفًا تمامًا.
كما أوضح ينكدين:
“تأخذ المنهجيات مثل إسناد اللمس المتعدد (MTA) ونمذجة المزيج التسويقي (MMM) في الاعتبار مجموعة واسعة من العوامل وتوفر رؤية أكثر توازناً لرحلة العميل، بدءًا من الوعي الأولي وحتى التحويل النهائي. في LinkedIn، نستفيد من القيمة التكميلية لكل من نهجي MMM وMTA وقمنا بتطوير نظام موحد يربط بين المنهجيتين في حزمة الإسناد الخاصة بنا. لقد نجحنا في نشر النظام للتسويق الداخلي لدينا (أي تسويق منتجات LinkedIn)، وسوف نستفيد من هذه المنهجية للمعلنين على منصة LinkedIn Advertising and marketing Options.
يستخدم النهج الجديد، الذي يأخذ عناصر من أنظمة التتبع البديلة هذه، المزيد من نقاط البيانات ضمن عملية تقييم LinkedIn، من أجل قياس استجابة المستخدم بشكل أفضل عبر كل هذه العوامل، بدلاً من وضع افتراضات من خلال أخذ عينات محدودة.
على الرغم من أن الشرح الكامل تقني جدًا.
على سبيل المثال:
“يتم دمج التمثيلات الموضعية مع بيانات نقطة الاتصال التسلسلية التي ينشئها الأعضاء. يتم تغذية هذه التسلسلات من خلال وحدة الاهتمام الذاتي. نقوم بربط تمثيلات الأعضاء والشركة ونقوم بتغذيتها من خلال طبقة كثيفة لإنشاء تمثيل للعضو القائم بأعمال. يتم الجمع بين تمثيل العضو ومخرجات طبقات الانتباه وتغذيتها من خلال رأس تصنيف لمهمة التعلم.
نعم، لم يتم تصميمه ليكون صديقًا للشخص العادي، ولكن إذا كان هذا التسلسل من الكلمات يؤلمك، فإن ما تقوله LinkedIn هو أنها أنشأت نظامًا يأخذ في الاعتبار المزيد من العوامل، المرتبطة معًا عبر شبكة عصبية، والتي يمكنها تتبع وتتبع بشكل أفضل قياس استجابة الجمهور للعروض الترويجية، من أجل إسناد أداء الحملة بشكل أكثر دقة.
وفي اختبارها الأولي، تقول LinkedIn إنها أدت إلى تحسينات كبيرة في النتائج.
“على سبيل المثال، لاحظت الشركة (في الاختبار) أداء كلا النموذجين لحملات المسار العلوي والمتوسط الموجودة في إعلانات الفيديو والعرض الرقمي ووسائل التواصل الاجتماعي. عند مقارنة كلا النموذجين للقنوات غير البحثية، تمكنت الإسناد النموذجي من التعرف على الفضل وتقديمه بينما ظلت النقرة الأخيرة ثابتة. ويرجع ذلك إلى قدرة النموذج على دمج مرات الظهور من هذه الحملات في رحلة المستخدم، وهو ما لا تستطيع نماذج RBA القيام به. تُظهر النتائج الأولية زيادة قدرها 150 ضعفًا في الرصيد الموجود في الإحالة المستندة إلى النموذج، وهو ما يتوافق بشكل جيد مع زيادة إنفاق التسويق خلال هذا الإطار الزمني.
بمعنى آخر، تمكنت عملية التتبع المحسنة في LinkedIn من تتبع استجابات المستخدمين بشكل أفضل استنادًا إلى التتبع والإسناد على نطاق أوسع، مما يوفر رؤية أكثر دقة حول كيفية تحفيز الإعلانات لاستجابة المستخدم الفعلية.
وهو أمر بالغ الأهمية لضمان تخصيص الإنفاق الإعلاني للعناصر الصحيحة.
“لقد اعتمد تسويق LinkedIn تاريخيًا على الإحالة المستندة إلى القواعد (RBA) استنادًا إلى النقرة الأخيرة، حيث تم منح الرصيد الكامل لنقطة التحويل لحدث النقرة الأخيرة. يؤدي هذا إلى الإفراط في فهرسة الرصيد تجاه القنوات ذات المسار المنخفض التي تحول الطلب، مثل البحث أو البريد الإلكتروني. ومع ذلك، فإن إحالة النقرة الأخيرة تقلل من قيمة القنوات العليا والمتوسطة مما يحرم المسوقين من القدرة على رؤية أدائهم أو كيفية تحسينه.“
لذا، بدلًا من التركيز على العناصر التي قد لا تكون المحرك الرئيسي لنتائجك، سيكون لديك الآن المزيد من المعرفة التي يمكنك من خلالها اتخاذ قرارات الإنفاق الخاصة بك.
الأمر الذي ينبغي أن يؤدي إلى تحسين النتائج.
تقول LinkedIn إنها تطرح هذه المنهجية الجديدة لجميع المعلنين.
