Adopción de un modelo de atribución basado en datos

¿Por qué un modelo de atribución de comportamiento es más efectivo que otros?

A quick example tells more than a long explanation : imagine a conversion with several touchpoints, including an SEA click, let’s assume that this SEA click generated a bounced visit (low engagement). In most data-driven models, this SEA click will receive a significant credit for the conversion, but not in platform X as the behavioural analysis algos will detect the low value and allocate a small credit.

Each user is different from the other, and attribution models need to reflect individual behaviors. This is the purpose of the attribution/contribution algorithm based on behavioral analysis developed by our Data Science teams.

In addition to this MTA (Multi-Touch Attribution) approach, our algorithm integrates an MMM (Media Mix Modelling) component to estimate the post-impression and in-app navigation effects of social networks, display, programmatic etc.
Un ejemplo rápido vale más que mil palabras: imagina una conversión con varios puntos de contacto, incluido un clic de SEA; supongamos que este clic de SEA generó una visita rebotada (baja participación). En la mayoría de los modelos basados en datos, este clic de SEA recibirá un crédito significativo por la conversión, pero no en la Plataforma X, ya que los algoritmos de análisis del comportamiento detectarán el valor bajo y asignarán un crédito pequeño.

Cada usuario es diferente de los demás y los modelos de atribución deben reflejar comportamientos individuales. Este es el propósito del algoritmo de atribución/contribución basado en el análisis del comportamiento desarrollado por nuestros equipos de ciencia de datos.

Además de este enfoque MTA (Multi-Touch Attribution), nuestro algoritmo integra un componente MMM (Media Mix Modelling) para estimar los efectos de la navegación en la aplicación y la posimpresión de las redes sociales, la publicidad gráfica, la publicidad programática, etc.