Nell’era digitale, l’efficacia delle campagne pubblicitarie è sempre più legata alla capacità di attribuire correttamente il merito delle conversioni ai vari touchpoint del customer journey. Mentre modelli come il “last-click” o il “first-click” semplificano l’attribuzione, questi approcci spesso non colgono la complessità delle interazioni che portano un utente a compiere un’azione desiderata.
È qui che entra in gioco la Shapley Value, un concetto mutuato dalla teoria dei giochi cooperativi, che promette di offrire un metodo equo e matematicamente rigoroso per attribuire il valore ai diversi touchpoint di una campagna.
Cos’è la Shapley Value?
La Shapley Value prende il nome da Lloyd Shapley, matematico e premio Nobel per l’economia, e si utilizza per determinare come dividere il valore generato da una coalizione tra i suoi partecipanti. In un contesto pubblicitario, i “partecipanti” sono i vari touchpoint (ad esempio, annunci su Google, post su Instagram, email marketing, ecc.), e il “valore” è rappresentato dalla conversione finale.
L’idea chiave è calcolare l’impatto marginale di ciascun touchpoint, considerando tutti i possibili ordini in cui i touchpoint potrebbero aver contribuito alla conversione. Questo garantisce una suddivisione equa del valore generato.
Come funziona la Shapley Value nell’attribution?
Per applicare la Shapley Value nel contesto dell’attribution delle campagne pubblicitarie, vengono seguiti questi passaggi:
Definizione del set di touchpoint: si identificano tutti i canali e i punti di contatto che hanno partecipato al customer journey di un utente.
Calcolo del valore marginale: si misura il contributo di ciascun touchpoint calcolando quanto il valore complessivo (la conversione) cambierebbe se quel touchpoint fosse rimosso.
Considerazione di tutte le combinazioni: vengono analizzate tutte le possibili permutazioni dei touchpoint e il loro contributo in ciascun ordine, per garantire un’attribuzione bilanciata.
Distribuzione del valore: ogni touchpoint riceve una quota del valore complessivo proporzionale al suo impatto marginale medio su tutte le combinazioni.
Un esempio pratico
Immaginiamo una campagna pubblicitaria con tre touchpoint principali:
Un annuncio su Google Ads
Un post sponsorizzato su Facebook
Una email di follow-up
Se una conversione ha un valore di 100 euro, la Shapley Value calcola quanto ogni touchpoint contribuisce al risultato, analizzando scenari come:
Conversione senza l’annuncio su Google
Conversione senza il post su Facebook
Conversione senza la email
Supponiamo che i calcoli determinino che:
Google Ads contribuisce per 40 euro
Facebook per 35 euro
Email per 25 euro
La Shapley Value garantisce che ogni touchpoint riceva il merito proporzionato al suo contributo, evitando di sovrastimare o sottovalutare il ruolo di uno specifico canale.
Confronto con altre metodologie di attribution
Shapley Value vs. Markov Chain Attribution
Un’altra metodologia avanzata per l’attribution è il modello basato su catene di Markov. Questo approccio analizza le probabilità di transizione tra i diversi touchpoint, identificando il contributo di ciascun canale rimuovendolo dal percorso del cliente.
Ecco un confronto tra i due metodi:
Complessità: La Shapley Value richiede il calcolo di tutte le permutazioni dei touchpoint, rendendola computazionalmente più costosa rispetto alle catene di Markov, che analizzano solo i percorsi effettivamente osservati nei dati.
Approccio: La Shapley Value è basata sulla teoria dei giochi e considera ogni possibile ordine di interazione, mentre le catene di Markov si focalizzano sulle probabilità condizionali tra i touchpoint.
Equità: La Shapley Value è progettata per garantire una distribuzione equa del valore, ma le catene di Markov possono essere più pratiche per identificare canali sottovalutati o sovrastimati.
Dati richiesti: Entrambi i metodi necessitano di dati dettagliati, ma le catene di Markov sono più adatte per dataset con percorsi brevi o incompleti.
Shapley Value vs. Modelli Euristici
I modelli euristici, come il “last-click” o il “linear attribution”, sono molto più semplici e meno costosi da implementare, ma mancano di precisione e profondità analitica.
Precisione: I modelli euristici spesso sottovalutano i contributi indiretti, mentre la Shapley Value attribuisce il valore in modo più dettagliato.
Facilità d’uso: I modelli euristici sono immediati da applicare, ma la loro semplicità è uno svantaggio nei percorsi complessi.
Vantaggi dell’utilizzo della Shapley Value
I benefici della Shapley Value includono:
Equità: Ogni touchpoint viene valutato in base al suo reale contributo, senza pregiudizi legati alla posizione nel funnel.
Rigorosità matematica: L’approccio è basato su una solida teoria economica e matematica, garantendo risultati affidabili.
Adattabilità: Può essere applicata a una vasta gamma di scenari, dai customer journey semplici a quelli più complessi.
Sfide e soluzioni
Nonostante i suoi vantaggi, la Shapley Value presenta alcune sfide pratiche:
Complessità computazionale: Calcolare tutte le permutazioni diventa oneroso quando il numero di touchpoint aumenta. Tuttavia, algoritmi avanzati e tecnologie di machine learning possono semplificare questo processo.
Necessità di dati completi: La Shapley Value richiede dati dettagliati e accurati sui customer journey. Investire in sistemi di tracciamento robusti è essenziale.
La Shapley Value rappresenta un salto avanti nel modo in cui attribuiamo valore ai vari touchpoint delle campagne pubblicitarie. Con un approccio basato su equità e rigore matematico, questo modello consente di prendere decisioni più informate e di ottimizzare le strategie di marketing digitale. Rispetto a metodi tradizionali o ad altri modelli avanzati come le catene di Markov, la Shapley Value si distingue per la sua precisione e la capacità di cogliere le interazioni complesse tra i canali. Per le aziende che vogliono massimizzare l’efficienza dei loro investimenti pubblicitari, adottarla potrebbe essere una scelta vincente.
Fonti:
