Facebook ir Google Analytics duomenų skirtumai

Meta vs Google Analytics

Skaitmeninė rinkodara yra neatsiejama šiuolaikinio verslo dalis, kurios dėka įmonės gali pasiekti tikslines auditorijas tinkamu laiku, tinkamoje vietoje, naudojant tikslines žinutes, taip kuriant stipresnį ryšį su vartoju ir didinant prekės ženklo žinomumo vertę.  Viena iš pagrindinių skaitmeninės rinkodaros sričių – reklama. Būtent šiandien apie ją, o jei tiksliau – Meta reklamą ir dažną galvos skausmą – duomenų skirtumus. Šiuo metu gan drąsiai galiu teigti, kad vieni iš populiariausių reklamos analitikos įrankių bent jau Lietuvoje  yra Facebook Ads Manager ir Google Analytics. Šios dvi platformos gan skirtingai pateikia duomenis apie vartotojų elgseną po sąveikavimo su reklamos kampanijomis, jų atliktus veiksmus svetainėje, į kurią jie buvo nukreipti po reklamos paspaudimo arba apsilankė joje, naudojant kitus srauto kanalus. Savo pirmajį blogo įrašą noriu pradėti šia tema, nes asmeniškai  vis dar tenka susidurti su gan kategoriškais žmonėmis, kurie yra linkę diskredituoti Facebook reklamos rezultatus remdamiesi tik GA4  duomenimis.  Taigi, pasistengsiu paaiškinti kodėl šie skirtumai atsiranda ir kaip jie gali paveikti skaitmeninės reklamos kampanijų rezultatus. Taip pat, pateiksiu praktinių patarimų, kurie, mano nuomone, turėtų padėti  sumažinti šiuos skirtumus.

Kaip duomenų skirtumai veikia reklamos kampanijas

Ar duomenų skirtumai tarp Facebook Ads Manager ir Google Analytics (GA)  gali turėti didelę įtaką skaitmeninės reklamos kampanijoms? Gali!  Nors šie duomenų neatitikimai yra gan įprastas reiškinys, labai svarbu indeksuoti ir sekti atvaizduojamų duomenų paklaidą. Jei duomenų skirtumas yra labai didelis kaip pvz: Facebook reklamos paskyroje matote, kad kampanija sugeneravo pardavimų už 10.000 eur , o GA atvaizduojami tik keli šimtai eur, panašu, kad turime problemą.

Štai keletas pagrindinių priežasčių, kodėl šie skirtumai yra svarbūs:

Biudžeto valdymas: Skirtingi matavimo metodai gali sukelti klaidingus sprendimus dėl biudžeto paskirstymo. Pavyzdžiui, jei Facebook rodo aukštesnį grįžtamąjį investicijų (ROI) lygį nei GA, gali atrodyti, kad verta daugiau investuoti į Facebook reklamas. Jei šie skaičiai yra netikslūs ar klaidingai interpretuojami, tai lems neefektyvų biudžeto panaudojimą.

Atribucijos modeliavimas: Facebook ir GA naudoja skirtingus atribucijos modelius. Facebook linkęs suteikti kreditą bet kokiai reklamai, kuri buvo matoma arba paspausta prieš konversiją, o GA gali naudoti paskutinio sąlyčio taško atribuciją arba sudėtingesnius modelius. Netinkamas šių skirtumų supratimas gali sukelti klaidingas išvadas apie tai, kurios reklamos kampanijos yra veiksmingiausios.

Konversijos sekimas: Skirtingi konversijos sekimo metodai gali sukelti nesutapimus duomenyse, pavyzdžiui, Facebook indeksuoja „minkštasias” konversijas, tokias kaip puslapio peržiūros ar laiko praleidimas svetainėje, kaip sėkmės ženklus, tuo tarpu GA  koncentruojasi tik į „kietasias“ konversijas, pavyzdžiui, pardavimus. Tai gali sukelti klaidingą kampanijos veiksmingumo įvertinimą.

Auditorijos supratimas: Facebook suteikia išsamią informaciją apie vartotojų demografiją ir interesus, remdamasis savo duomenimis. Jei šie duomenys nesuderinami su GA ataskaitomis, tai gali sukelti problemų suprantant tikrąją savo auditoriją ir jos elgesį.

Optimizavimo strategijos: Netikslūs ar skirtingi duomenys gali vesti prie neteisingų optimizavimo sprendimų, pavyzdžiui, klaidingai modifikuojant kampanijų turinį, taikinius ar biudžetus remiantis klaidinga duomenų analize.

Kaip Meta ir Google atribucijos modeliai veikia duomenų ataskaitas

Facebook Ads Manager ir Google Analytics naudoja skirtingus atribucijos modelius tad, norint matyti platesnį vaizdą yra svarbu pasigilint į jų veikimo principus.

Facebook atribucijos modeliai:

1) 7 Day Click – 1 Day View: Šis modelis priskiria konversiją, jei vartotojas spustelėjo reklamą per pastarąsias 7 dienas arba ją matė per pastarąsias 24 valandas prieš atlikdamas konversijos veiksmą. Tai reiškia, kad bet kokia vartotojo atlikta konversija (pirkimas, prekės pridėjimas į krepšelį ir kt.), atlikta šiame laikotarpyje, bus priskirta Facebook kampanijai.

2) 7 Day Click: Šis modelis priskiria konversiją Facebook tik tuomet, jei vartotojui paspaudus reklamą, jis buvo nukreiptas į svetainę ir per 7 dienas  atliko konversijos veiksmą.

3)1 Day Click: Konversija priskiriama Facebook, jei vartotojas paspaudė reklamą ir per 24 valandas po paspaudimo atliko konversijos veiksmą.

Google naudojami atribucijos modeliai:

1) Data Driven: Šis modelis naudoja dirbtinio intelekto algoritmus, kad nustatytų, kaip skirtingi rinkodaros kanalai ir lietimo taškai prisidėjo prie galutinės konversijos. Jis analizuoja duomenis apie tai, kokie veiksmai labiausiai tikėtina, paskatino konversijas, ir priskiria vertę atitinkamai.

2) Last Click: Paskutinio paspaudimo modelis priskiria visą konversijos vertę paskutiniam srauto kanalui, per kurį vartotojas atėjo į svetainę prieš atlikdamas konversiją. Tai reiškia, kad jei vartotojas paskutinį kartą naudojosi Google paieška prieš atlikdamas pirkimą, visa konversijos vertė bus priskirta šiam srauto kanalui.

Kaip sumažinti Meta ir GA duomenų duomenų skirtumus

Suprasti ir palyginti naudojamus atribucijos modelius: Svarbu žinoti, kokius atribucijos modelius kiekviena platforma naudoja ir atsižvelgti į tai, analizuojant duomenis.

Nustatyti panašius atribucijos langus abiejose platformose: Kaip įmanoma, bandykite suderinti atribucijos langus Meta ir Google Analytics, kad duomenų palyginimas būtų tikslesnis.

Eksperimentuoti su skirtingais atribucijos modeliais GA: Eksperimentuojant su Google Analytics siūlomais atribucijos modeliais, galima mokintis   apie tai, kaip skirtingi lietimo taškai prisideda prie konversijų, ir galbūt rasti modelį, kuris jums tiksliausiai atvaizduos Facebook kampanijų duomenis.

Dažnas duomenų stebėjias ir koregavimas: Reguliariai peržiūrėkite ir lyginkite duomenis iš abiejų platformų, kad galėtumėte greitai pastebėti ir koreguoti neatitikimus, taip gerinant duomenų tikslumą ir rinkodaros veiksmų efektyvumą.

Praktinis pavyzdys: Facebook kampanija ir GA duomenų skirtumai

Įsivaizduokite, kad administruojate Facebook reklamos kampaniją, kurios tikslas yra  prekių/paslaugų pardavimas internetinėje svetainėje. Kampanija buvo sukurta naudojant „7 Day Click – 1 Day View“ atribucijos modelį. Po savaitės Facebook reklamos paskyroje matome, kad reklama sugeneravo 50 pardavimų, tačiau, kai lyginame tos pačios kampanijos rezultatus naudojant Google Analytics, pastebime, kad ten atvaizduojama tik 30 konversijų. Kodėl taip nutinka?

Situacija: Vartotojas pamato produkto X reklamą Facebook programėlėje ir spusteli ant jos, tačiau šio svetainės vizito metu neatlieka pirkimo veiksmo. Po trijų dienų, tas pats vartotojas, sugrįžta į svetainę naudodamasis organinę Google  paiešką ir šio vizito metu atlieka pirkimo veiksmą . Facebook Ads Manager, remdamasis „7 Day Click – 1 Day View“ atribucijos modeliu, šią konversiją priskirs Facebook reklamai, nes pirkimo veiksmas įvyko per 7 dienas po reklamos paspaudimo. Tuo tarpu Google Analytics, šią konversiją priskirs organinės paieškos srauto kanalui, nes tai buvo paskutinis kanalas, per kurį vartotojas tiesiogiai atėjo į svetainę prieš atlikdamas pirkimo veiksmą.

Problemos indeksavimas:

Skirtingi atribucijos modeliai: Facebook „7 Day Click – 1 Day View“ modelis vertina reklamos paspaudimus ir peržiūras. Google Analytics indeksuoja paskutinį srauto kanalą per kurį atėjęs .

Vartotojų elgsenos įvairovė: Vartotojai gali sugrįžti į svetainę įvairiais būdais, kuriuos konversijų atveju skirtingai interpretuoja kiekviena iš platformų.

Kaip ši situacija veikia reklamos kampanijos biudžetą? Ženklus duomenų skirtumas gali sukelti iššūkių vertinant kampanijos efektyvumą ir sugeneruotą finansinę grąžą. Negana to, Facebook Pixel su kiekvienu pardavimu mokosi atpažinti potencialų vartotoją, galimai priskiria jį prie tam tikros auditorijos, optimizuoja pardavimo kaštus ir dar daro begalę kitų dalykų, bet apie tai kitą kart.

Sprendimai:

Integruoti duomenis iš abiejų platformų naudojant trečiųjų šalių įrankius.

Atpažinti ir analizuoti skirtingų vartotojų svetainės keliones bei jų poveikį konversijoms, remiantis abiejų platformų teikiamais duomenimis.

Koreguoti reklamos strategijas remiantis išsamiais duomenimis, optimizuoti biudžeto paskirstymą ir kampanijų veiksmingumą.

UTM parametrų taikymas

Norint gauti tikslesnius duomenis apie Meta vartotojų kelionę ir analizuoti juos GA4 , vienas iš efektyviausių būdų yra UTM (Urchin Tracking Module) parametrų naudojimas. Įtraukiant UTM parametrus į Facebook reklamos kampanijos URL nuorodą (nuoroda į kurią nukreipiamas vartotojas po reklamos paspaudimo). Šie parametrai indeksuoja srauto šaltinį (source), terpę (medium), kampanijos pavadinimą (campaign), turinį (content) ir raktinius žodžius (term). UTM parametrų pridėjimas prie Facebook reklamų URL nuorodų leidžia ne tik matyti, srauto skaičių, bei suteikia galimybę analizuoti skirtingų Meta kampanijų rezultatus, skelbimų grupes, bei konkrečius vizualus, taip nustatant, kuris iš jų buvo efektyviausias.  Taip pat, UTM parametrų naudojimas padeda geriau suprasti vartotojų elgseną, jų kelionę, bei demografinius lankytojų rodiklius.

Facebook Conversion API

Facebook Conversion API (CAPI)  tai papildomas Facebook įrankis, kuris siunąčia įvykius tiesiai iš svetainės serverio į Facebook, taip apeinant kliento pusėje esančias sekimo technologijas, tokias kaip coockies. Tai yra ypač naudinga dėl dabartinių privatumo apsaugos įstatymų ir individualių naršyklių technologijų, kurios riboja trečiųjų šalių slapukų veikimą. Serverio pusės sekimas padeda išlaikyti duomenų tikslumą ir patikimumą, kadangi perduodami duomenys yra mažiau priklausomi nuo vartotojo naršyklėje atliekamų veiksmų.

Facebook Conversion API nauda yra dvejopa: pirma, tai padidina duomenų tikslumą, nes sekimas vyksta serverio lygmenyje, todėl duomenys yra mažiau paveikti vartotojo naršyklės aplinkos pakeitimų. Antra, tai leidžia sukurti tikslesnes, suasmenintas reklamos kampanijas, nes galima sekti sudėtingesnes vartotojų elgsenas ir konversijas, kurios anksčiau galėjo būti nesusekamos. Be to, CAPI padeda sumažinti duomenų neatitikimus tarp Facebook ir kitų analitikos platformų, suteikiant galimybę efektyviau valdyti privatumo politikos iššūkius ir užtikrinant, kad svarbiausi įvykiai būtų užfiksuoti ir perduoti.

Taigi, suprantant skirtingus atribucijų veikimo principus ir naudojant šiuos du metodus – UTM parametrus ir Facebook Conversion API, galite ženkliai pagerinti gaunamų duomenų kokybę, bei analizuoti duomenis iš dviejų skirtingų duomenų šaltinių taip optimizuojant skaitmeninės rinkodaros strategijas.

Pirmas mano blynas. Ačiū už skirtą laiką.