รูปแบบการระบุแหล่งที่มาหลายจุดสัมผัส
เปรียบเทียบรูปแบบการระบุแหล่งที่มาและเลือกแนวทางที่เหมาะสมกับส่วนผสมทางการตลาดของคุณ
รูปแบบการระบุแหล่งที่มาหลายจุดสัมผัส เป็นบทเรียน Digital Marketing Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Digital Marketing Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Digital Marketing Academy มีบทเรียนทั้งหมด 4 บทเรียน
เหตุใดการระบุแหล่งที่มาจากคลิกสุดท้ายจึงมีข้อบกพร่อง
การระบุแหล่งที่มาจากคลิกสุดท้ายกำหนดคุณค่าของการเปลี่ยนเป็นลูกค้า 100% ให้กับจุดสัมผัสทางการตลาดสุดท้ายก่อนการซื้อ โดยไม่สนใจปฏิสัมพันธ์ก่อนหน้านั้นทั้งหมดที่มีอิทธิพลต่อการตัดสินใจของลูกค้า
สิ่งนี้สร้างอคติอย่างเป็นระบบให้กับช่องทางช่วงปลายของกระบวนการ (การค้นหาแบรนด์ การกำหนดเป้าหมายซ้ำ) และลดคุณค่าของช่องทางช่วงต้น (โฆษณาแบบดิสเพลย์ การสร้างการรับรู้ผ่านสื่อสังคม เนื้อหา) ทำให้แบรนด์ลงทุนน้อยเกินไปกับการสร้างการรับรู้และลงทุนมากเกินไปกับกลยุทธ์การเปลี่ยนเป็นลูกค้า
การระบุแหล่งที่มาจากคลิกแรกและกรณีการใช้งาน
การระบุแหล่งที่มาจากคลิกแรกกำหนดคุณค่าทั้งหมดให้กับจุดสัมผัสแรกที่ลูกค้ามีปฏิสัมพันธ์ด้วยก่อนเปลี่ยนเป็นลูกค้า โดยมุ่งเน้นทั้งหมดไปที่สิ่งที่สร้างการรับรู้และการค้นพบในระยะแรก
โมเดลนี้มีประโยชน์มากที่สุดสำหรับแบรนด์ที่มุ่งเน้นการหาลูกค้าใหม่ เพราะช่วยให้เข้าใจว่าช่องทางใดนำลูกค้าใหม่เข้ามา แต่จะไม่สนใจสิ่งที่เกิดขึ้นระหว่างการค้นพบกับการซื้อ จึงมีมุมมองเพียงด้านเดียวเช่นเดียวกับการระบุแหล่งที่มาจากคลิกสุดท้าย
โมเดลการระบุแหล่งที่มาแบบเชิงเส้น
โมเดลการระบุแหล่งที่มาแบบเชิงเส้นจะแจกจ่ายคุณค่าของการเปลี่ยนเป็นลูกค้าให้กับจุดสัมผัสทั้งหมดในเส้นทางของลูกค้าอย่างเท่าเทียมกัน หากมีจุดสัมผัสห้าจุด แต่ละจุดจะได้รับคุณค่า 20%
การระบุแหล่งที่มาแบบเชิงเส้นยอมรับว่าหลายช่องทางมีส่วนทำให้เกิดการเปลี่ยนเป็นลูกค้า และสื่อสารกับผู้มีส่วนได้ส่วนเสียได้ง่าย แต่การให้น้ำหนักเท่ากันจะไม่คำนึงถึงบทบาทและน้ำหนักในการโน้มน้าวที่แตกต่างกันของจุดสัมผัสแต่ละจุด
โมเดลการระบุแหล่งที่มาที่ลดทอนตามเวลา
โมเดลการลดทอนตามเวลาจะให้คุณค่ามากกว่าแก่จุดสัมผัสที่เกิดขึ้นใกล้กับเหตุการณ์การเปลี่ยนเป็นลูกค้า โดยคุณค่าจะลดลงแบบทวีคูณเมื่อจุดสัมผัสอยู่ห่างจากเหตุการณ์นั้นออกไปในอดีตมากขึ้น
โมเดลนี้สอดคล้องกับแนวคิดที่ว่าปฏิสัมพันธ์ล่าสุดมีความเชื่อมโยงเชิงเหตุและผลกับการตัดสินใจซื้อมากกว่าปฏิสัมพันธ์ในช่วงแรก จึงมีประโยชน์สำหรับวงจรการขายระยะสั้น สำหรับวงจรการขายระหว่างธุรกิจกับธุรกิจระยะยาว โมเดลนี้ยังอาจประเมินคุณค่าของการสร้างการรับรู้ในช่วงต้นต่ำเกินไป
การระบุแหล่งที่มาตามตำแหน่งแบบรูปตัว U
โมเดลการระบุแหล่งที่มาแบบรูปตัว U (ตามตำแหน่ง) กำหนดคุณค่า 40% ให้กับจุดสัมผัสแรก 40% ให้กับจุดสัมผัสที่ทำให้ผู้มุ่งหวังเปลี่ยนเป็นลูกค้า (หรือจุดสัมผัสสุดท้าย) และแจกจ่ายคุณค่าที่เหลือ 20% ให้กับจุดสัมผัสตรงกลางอย่างเท่าเทียมกัน
โมเดลนี้ยอมรับความสำคัญของทั้งการหาลูกค้า (จุดสัมผัสแรก) และการปิดการขาย (จุดสัมผัสสุดท้าย) ขณะเดียวกันก็ยังให้คุณค่าบางส่วนแก่ปฏิสัมพันธ์เพื่อบ่มเพาะลูกค้า จึงได้รับความนิยมในหมู่นักการตลาดระหว่างธุรกิจกับธุรกิจที่ให้ความสำคัญกับทั้งช่องทางการหาลูกค้าและช่องทางการเปลี่ยนเป็นลูกค้า
การระบุแหล่งที่มาแบบรูปตัว W สำหรับกระบวนการที่ยาวขึ้น
โมเดลแบบรูปตัว W เพิ่มตำแหน่งสำคัญจุดที่สามให้กับรูปตัว U ได้แก่ จุดสัมผัสที่สร้างโอกาสทางการขาย ซึ่งเป็นเวลาที่เปิดโอกาสทางการขายอย่างเป็นทางการ โดยแบ่งคุณค่า 30/30/30 ให้กับจุดสัมผัสแรก จุดสัมผัสที่สร้างโอกาสทางการขาย และจุดสัมผัสที่ปิดการขาย แล้วแจกจ่ายอีก 10% ให้กับจุดสัมผัสอื่นทั้งหมด
โมเดลสามหลักชัยนี้เหมาะเป็นพิเศษสำหรับองค์กรระหว่างธุรกิจกับธุรกิจที่มีขั้นตอนส่งต่องานจากการตลาดไปยังฝ่ายขายอย่างชัดเจน และมีบัญชีลูกค้าเป้าหมายที่ระบุชื่อ ซึ่งมีปฏิสัมพันธ์ทางการตลาดหลายครั้งก่อนสร้างโอกาสทางการขายอย่างเป็นทางการ
โมเดลการระบุแหล่งที่มาแบบอิงข้อมูล
การระบุแหล่งที่มาแบบอิงข้อมูล (เรียกอีกอย่างว่าการระบุแหล่งที่มาแบบอัลกอริทึม) ใช้การเรียนรู้ของเครื่องวิเคราะห์เส้นทางของลูกค้าจริงหลายพันเส้นทาง และจัดสรรคุณค่าเป็นสัดส่วนให้กับจุดสัมผัสแต่ละจุดตามส่วนที่คำนวณได้ว่าจุดสัมผัสนั้นมีส่วนต่อความน่าจะเป็นที่จะเปลี่ยนเป็นลูกค้ามากเพียงใด
ต่างจากโมเดลที่อิงกฎ การระบุแหล่งที่มาแบบอิงข้อมูลจะอนุมานจากข้อมูลของคุณเองโดยตรง โดยเรียนรู้ว่าลำดับจุดสัมผัสและการผสมผสานช่องทางใดสัมพันธ์กับอัตราการเปลี่ยนเป็นลูกค้าที่สูงกว่า แต่ต้องมีปริมาณการเปลี่ยนเป็นลูกค้าเพียงพอ (อย่างน้อย 3,000 ครั้งต่อเดือน) จึงจะมีความน่าเชื่อถือทางสถิติ
ควรใช้โมเดลการระบุแหล่งที่มาแต่ละแบบเมื่อใด
ใช้การระบุแหล่งที่มาจากคลิกสุดท้ายสำหรับการตัดสินใจจัดสรรงบประมาณตามประสิทธิภาพในแคมเปญที่มุ่งเน้นการเปลี่ยนเป็นลูกค้า ใช้การระบุแหล่งที่มาจากคลิกแรกเพื่อประเมินช่องทางการหาลูกค้า ใช้การระบุแหล่งที่มาแบบเชิงเส้นหรือแบบลดทอนตามเวลาเพื่อแสดงภาพกระบวนการอย่างง่าย
ใช้แบบรูปตัว U หรือรูปตัว W สำหรับกระบวนการหลายขั้นตอนระหว่างธุรกิจกับธุรกิจ ใช้แบบอิงข้อมูลเป็นโมเดลหลักเมื่อมีปริมาณการเปลี่ยนเป็นลูกค้าเพียงพอ เพราะเป็นภาพสะท้อนที่แม่นยำที่สุดของส่วนร่วมที่แท้จริงของแต่ละช่องทางตลอดรูปแบบเส้นทางทั้งหมด
การตั้งค่าการระบุแหล่งที่มาใน GA4 และโฆษณากูเกิล
GA4 ใช้การระบุแหล่งที่มาแบบอิงข้อมูลเป็นค่าเริ่มต้นสำหรับการเปลี่ยนเป็นลูกค้าเมื่อมีข้อมูลเพียงพอ และจะย้อนกลับไปใช้การระบุจากคลิกสุดท้ายเมื่อข้อมูลไม่เพียงพอ คุณสามารถเปลี่ยนโมเดลการระบุแหล่งที่มาได้ที่ ผู้ดูแลระบบ > การตั้งค่าการระบุแหล่งที่มา
ในโฆษณากูเกิล การดำเนินการเปลี่ยนเป็นลูกค้าแต่ละรายการสามารถใช้โมเดลการระบุแหล่งที่มาของตนเองได้ โดยทั่วไปการเปลี่ยนจากคลิกสุดท้ายเป็นแบบอิงข้อมูลในโฆษณากูเกิลจะเพิ่มมูลค่าที่รายงานของคำค้นหาช่วงต้น และทำให้การเสนอราคาอัจฉริยะมุ่งไปยังกลุ่มผู้ชมที่กว้างขึ้น
การเปรียบเทียบโมเดลการระบุแหล่งที่มาใน GA4
รายงานการเปรียบเทียบโมเดลการระบุแหล่งที่มาของ GA4 ช่วยให้คุณเห็นว่าโมเดลการระบุแหล่งที่มาแบบต่าง ๆ จะจัดสรรคุณค่าให้แต่ละช่องทางอย่างไร โดยแสดงเคียงข้างกันและใช้ข้อมูลการเปลี่ยนเป็นลูกค้าในอดีตชุดเดียวกัน
รายงานนี้มีประโยชน์อย่างยิ่งในการให้ความรู้แก่ผู้มีส่วนได้ส่วนเสียเกี่ยวกับทางเลือกด้านวิธีการระบุแหล่งที่มา และในการคำนวณว่าการจัดสรรงบประมาณใหม่จะมีเหตุผลเพียงใดหากเปลี่ยนจากการระบุแหล่งที่มาจากคลิกสุดท้ายเป็นแบบอิงข้อมูล
ช่วงเวลาการระบุแหล่งที่มาและผลกระทบ
ช่วงเวลาย้อนดูของการระบุแหล่งที่มากำหนดว่าโมเดลจะย้อนกลับไปไกลเพียงใดจากการเปลี่ยนเป็นลูกค้า เพื่อค้นหาจุดสัมผัสที่มีส่วนร่วม โดยช่วงเวลาที่พบบ่อย ได้แก่ การคลิกภายใน 7 วัน การคลิกภายใน 30 วัน และการเห็นภายใน 1 วันสำหรับการระบุแหล่งที่มาจากการเห็นโฆษณา
ช่วงเวลาที่สั้นกว่าจะนับส่วนร่วมของช่องทางช่วงต้นต่ำเกินไปและให้คุณค่ากับช่องทางที่ถูกใช้ใกล้กับการเปลี่ยนเป็นลูกค้า ส่วนช่วงเวลาที่ยาวกว่าอาจให้คุณค่ากับช่องทางที่เกิดขึ้นนานมาแล้วจนไม่แน่ใจว่าแท้จริงมีอิทธิพลต่อการตัดสินใจเปลี่ยนเป็นลูกค้าหรือไม่ การเลือกช่วงเวลาที่เหมาะสมต้องอาศัยความเข้าใจเกี่ยวกับความยาวของวงจรการซื้อที่เกิดขึ้นจริง
แบบตรวจสอบความรู้เรื่องโมเดลการระบุแหล่งที่มา
ทดสอบความเข้าใจเกี่ยวกับโมเดลการระบุแหล่งที่มาหลายจุดสัมผัส
สรุปการระบุแหล่งที่มาหลายจุดสัมผัส
โมเดลการระบุแหล่งที่มามีตั้งแต่แบบจุดสัมผัสเดียว (คลิกแรก คลิกสุดท้าย) ไปจนถึงแบบหลายจุดสัมผัส (เชิงเส้น ลดทอนตามเวลา รูปตัว U รูปตัว W) และแบบอัลกอริทึม (อิงข้อมูล) โดยแต่ละแบบมีจุดแข็งและกรณีการใช้งานที่เหมาะสมแตกต่างกัน
การระบุแหล่งที่มาแบบอิงข้อมูลเป็นโมเดลที่แม่นยำที่สุดเมื่อมีปริมาณการเปลี่ยนเป็นลูกค้าเพียงพอ ส่วนรายงานการเปรียบเทียบโมเดลของ GA4 ช่วยคำนวณผลกระทบทางธุรกิจของการเปลี่ยนวิธีการระบุแหล่งที่มา
เรียนรู้ Digital Marketing Academy ด้วย AI tutor — ฟรี
เขียนและเรียกใช้โค้ดจริงในเบราว์เซอร์ของคุณ รับความช่วยเหลือทันทีจาก AI tutor 24/7 และเรียนรู้ต่อจากที่คุณหยุดบนเว็บหรือในแอป
- คอร์ส
- 63
- บทเรียน
- 239
คำถามที่พบบ่อย
บทเรียน “รูปแบบการระบุแหล่งที่มาหลายจุดสัมผัส” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “รูปแบบการระบุแหล่งที่มาหลายจุดสัมผัส” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Digital Marketing Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Digital Marketing Academy มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “รูปแบบการระบุแหล่งที่มาหลายจุดสัมผัส”
เปรียบเทียบรูปแบบการระบุแหล่งที่มาและเลือกแนวทางที่เหมาะสมกับส่วนผสมทางการตลาดของคุณ คุณปฏิบัติ Digital Marketing Academy ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Digital Marketing Academy หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน Digital Marketing Academy บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน
บทเรียน “รูปแบบการระบุแหล่งที่มาหลายจุดสัมผัส” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน Digital Marketing Academy นี้ได้ไหม
ได้ บทเรียน Digital Marketing Academy ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- รูปแบบการระบุแหล่งที่มาหลายจุดสัมผัส
- Google Analytics 4 ขั้นสูงและ BigQuery
- การสร้างแบบจำลองส่วนผสมทางการตลาด
- การสร้างแดชบอร์ดการตลาดสำหรับผู้บริหาร