Giới Thiệu

Trong thế giới số ngày nay, khách hàng hiếm khi đưa ra quyết định mua hàng chỉ sau một tương tác. Thay vào đó, họ thường trải qua nhiều điểm tiếp xúc trước khi hoàn thành một giao dịch - điều này đặc biệt phổ biến trong thương mại điện tử. May mắn thay, những điểm tiếp xúc này dễ dàng được theo dõi hơn bao giờ hết.

Khi marketing ngày càng trở nên tập trung vào người tiêu dùng, việc hiểu rõ các kênh nào ảnh hưởng đến tỷ lệ chuyển đổi trở nên rất quan trọng. Bằng cách xác định các kênh phù hợp, các công ty có thể phân bổ ngân sách hiệu quả và tương tác với khách hàng tại đúng nơi, đúng thời điểm.

Tuy nhiên, nhiều doanh nghiệp thường tập trung không cân đối vào kênh cuối cùng trước khi chuyển đổi, bỏ qua những tương tác trước đó cũng đóng vai trò quan trọng. Để nắm bắt được cái nhìn toàn diện này, các marketer dựa vào mô hình phân bổ đa kênh.

Trong hướng dẫn này, chúng ta sẽ khám phá khái niệm phân bổ kênh, xem nó kết nối như thế nào với chuỗi Markov, và đi qua một nghiên cứu trường hợp thực tế trong lĩnh vực thương mại điện tử. Chúng ta cũng sẽ triển khai phương pháp này trong R để cho thấy cách thức hoạt động của nó trong thực tế.

Mục Lục

1. Phân Bổ Kênh Là Gì?
2. Hiểu Về Chuỗi Markov
3. Hiệu Ứng Loại Bỏ
4. Nghiên Cứu Trường Hợp: Một Công Ty Thương Mại Điện Tử
5. Triển Khai Trong R

Phân Bổ Kênh Là Gì?

Theo Google Analytics, một mô hình phân bổ định nghĩa cách tín dụng cho doanh số hoặc chuyển đổi được phân bổ giữa các điểm tiếp xúc trong hành trình của khách hàng. Ví dụ:

• Mô hình Tương Tác Cuối: Cung cấp 100% tín dụng cho điểm tiếp xúc cuối cùng trước khi chuyển đổi.
• Mô hình Tương Tác Đầu: Gán toàn bộ tín dụng cho điểm tiếp xúc đầu tiên đã khởi đầu hành trình của khách hàng.

Hãy xem xét một ví dụ đơn giản. Giả sử một khách hàng bắt đầu thông qua kênh C1 hoặc C2, mỗi kênh có xác suất 50%. Xác suất chuyển đổi có thể được tính toán như sau:

$$P(conversion) = P(C1 → C2 → C3 → Conversion) + P(C2 → C3 → Conversion)$$

$$0.5 × 0.5 × 1 × 0.6 + 0.5 × 1 × 0.6 = 0.45$$

Điều này có nghĩa là có 45% khả năng chuyển đổi qua các con đường đã cho.

Hiểu Về Chuỗi Markov

Một chuỗi Markov mô tả sự chuyển tiếp từ một trạng thái này sang trạng thái khác với xác suất liên quan. Nó có ba yếu tố chính:

• Không gian trạng thái: tất cả các trạng thái có thể (trong marketing, đó là các kênh).
• Xác suất chuyển tiếp: khả năng di chuyển từ trạng thái này sang trạng thái khác.
• Phân phối trạng thái hiện tại: khả năng ở trong bất kỳ trạng thái nào tại thời điểm bắt đầu.

Hành trình của khách hàng giống như một quá trình Markov vì khả năng đạt đến một kênh mới chỉ phụ thuộc vào kênh hiện tại, không phụ thuộc vào chuỗi quá khứ.

Hiệu Ứng Loại Bỏ

Một ứng dụng thực tiễn của chuỗi Markov trong phân bổ marketing là hiệu ứng loại bỏ. Kỹ thuật này đo lường sự đóng góp của một kênh bằng cách loại bỏ nó khỏi mô hình và quan sát sự giảm sút trong chuyển đổi.

Ví dụ, nếu việc loại bỏ C1 làm giảm chuyển đổi từ 45% xuống 30%, hiệu ứng loại bỏ là:

$$0.3 / 0.45 = 0.666$$

Điều này cho thấy rằng C1 có tác động đáng kể, mặc dù chuyển đổi vẫn có thể xảy ra mà không có nó. Ngược lại, việc loại bỏ C2 hoặc C3 dẫn đến không có chuyển đổi nào, cho thấy vai trò quan trọng của chúng trong hành trình.

Tại đây, các kênh hoạt động như các trạng thái chuyển tiếp, trong khi xác suất di chuyển giữa chúng là các xác suất chuyển tiếp. Cùng nhau, chúng tạo thành một đồ thị Markov có định hướng đại diện cho hành trình của khách hàng.

Nghiên Cứu Trường Hợp: Một Công Ty Thương Mại Điện Tử

Một nhà bán lẻ thương mại điện tử đã tiến hành khảo sát để hiểu nơi khách hàng tương tác với sản phẩm của họ trước khi mua hàng. Dữ liệu bao gồm 19 kênh, theo sau là ba kết quả cuối cùng:

• 20 – khách hàng đã chọn một thiết bị
• 21 – khách hàng hoàn tất giao dịch
• 22 – khách hàng chưa quyết định

Các kênh trải dài qua nhiều danh mục như:

• Website (1–3): trang của công ty hoặc đối thủ
• Báo cáo Nghiên cứu (4–8)
• Đánh giá Trực Tuyến (9–10): công cụ tìm kiếm, diễn đàn
• So sánh Giá (11): các trang tổng hợp
• Bạn bè (12–13): mạng xã hội
• Chuyên gia (14): tư vấn trực tuyến/offline
• Cửa hàng Bán lẻ (15–17)
• Khác (18–19): chương trình khuyến mãi, chiến dịch

Thách thức: Công ty nên đầu tư vào những kênh nào để đạt được tác động tối đa? Để trả lời điều này, chúng ta sẽ chuyển sang R để triển khai.

Triển Khai Trong R

Chúng ta sẽ sử dụng tập dữ liệu đã cung cấp, làm sạch và xử lý nó, sau đó áp dụng cả mô hình heuristic (tương tác đầu, cuối, phân bổ tuyến tính) và mô hình chuỗi Markov để có cái nhìn sâu sắc hơn.

Bước 1: Cài Đặt và Tải Thư Viện

install.packages(c("ChannelAttribution", "ggplot2", "reshape", "dplyr", "plyr", "reshape2", "markovchain", "plotly"))
library(ChannelAttribution)
library(ggplot2)
library(reshape)
library(dplyr)
library(plyr)
library(reshape2)
library(markovchain)
library(plotly)

Bước 2: Chuẩn Bị Dữ Liệu

• Đọc tập dữ liệu.
• Tạo một biến đường dẫn đại diện cho mỗi hành trình của khách hàng.
• Đếm số lượng chuyển đổi cho mỗi đường dẫn.

Bước 3: Áp Dụng Các Mô Hình

• Mô Hình Heuristic: gán tín dụng dựa trên tương tác đầu tiên, cuối cùng hoặc các điểm tiếp xúc bằng nhau.
• Mô Hình Markov: đánh giá đóng góp của kênh bằng cách sử dụng xác suất chuyển tiếp và hiệu ứng loại bỏ.

Bước 4: Trực Quan Hóa Kết Quả

• Sử dụng ggplot2, chúng ta so sánh kết quả giữa các mô hình.

Kết Quả

Từ phân tích:

• Tầm quan trọng của tương tác đầu tiên: Các kênh 10, 13, 2, 4 và 9 nổi bật.
• Tầm quan trọng của tương tác cuối cùng: Kênh 20 chiếm ưu thế (như mong đợi vì nó đánh dấu giai đoạn quyết định).
• Phân bổ tuyến tính: Các kênh 20, 4 và 9 nổi lên như là các kênh chính.
• Chuyển đổi tổng thể: Các kênh 10, 13, 20, 4 và 9 liên tục đóng vai trò quan trọng.

Kết Luận

Thông qua nghiên cứu trường hợp này, chúng tôi đã xác định được các kênh ảnh hưởng nhất trên các mô hình phân bổ khác nhau. Mô hình chuỗi Markov cung cấp một khung dữ liệu để hiểu cách mỗi kênh đóng góp vào chuyển đổi.

Đối với các công ty thương mại điện tử, những hiểu biết này cho phép phân bổ ngân sách thông minh hơn, đầu tư có mục tiêu và chiến lược marketing hiệu quả hơn. Kết hợp với phân tích nâng cao và tư vấn AI, các doanh nghiệp có thể biến dữ liệu phân bổ thành các chiến lược hành động tối đa hóa ROI.