TRANSKRYPCJA VIDEO
Dariusz Ciesielski
GA4 8 Zagadnienie modelowania atrybucji
Opis wygenerowany przez Skrybot
Dla tego filmu nie wygenerowano opisu.
Transkrypcja wygenerowana przez Skrybot
Zostaw komentarz, zacznij poruszać się z tym filmem. Cześć, witaj na kolejnej lekcji kursu z analityki internetowej z wykorzystaniem Google Analytics 4. Jeśli udało Ci się dotrzeć do tej lekcji i żyjesz to gratuluję wytrwałości, masz moje pełne uznanie. Na poprzednich lekcjach, zaślepiliście, zapisaliście i zacznijcie z tej lekcji. Na poprzednich lekcjach, naszych 6 ostatnich lekcjach, omawialiśmy kwestie fundamentalnych podstaw analityki internetowej i zagadnienia związane z wykorzystaniem danych z Google Analytics 4 do optymalizacji naszych działań biznesowych. Na ostatniej lekcji poruszyliśmy ważny temat segmentacji, bez którego analizowanie danych rzadko pozwala wyciągać konstruktywne wnioski, a częściej raczej może powodować błędne decyzje na podstawie zebranych ogólnych danych.
Z kolei dzisiaj porozmawiamy sobie o jeszcze jednej bardzo istotnej i często różnie rozumianej kwestii, czyli o tzw. atrybucji, czy może precyzyjnej o modelowaniu atrybucji. Wiem, wiem, często mówię, że coś co omawiamy jest krytyczne lub bardzo istotne na tym kursie, no ale tak faktycznie jest. Tak więc dziś także zachęcam do skupienia całej możliwy uwagi, bo odczarowujemy trochę temat, który jest takim tematem, o którym często się mówi, ale po pierwsze niewiele osób naprawdę ma prawidłowe i zdrowe podejście do tego tematu, czyli tematu atrybucji, a po drugie niewiele osób wykorzystuje tą tzw. atrybucję naprawdę w praktyce. Zobaczmy, czy dzisiaj uda nam się trochę tę rzeczywistość zmienić. No to do roboty, ale najpierw co? Oczywiście tak, kawa, kawusia, kawunia.
Temat atrybucji jest dość ogólnie popularny w krajach marketingowych, pytanie tylko czy popularny znaczy praktykowany. Często np. słyszę od swoich klientów, słuchaj, jesteśmy już chyba gotowi na atrybucję, chcemy właśnie zacząć ją robić, no to jak, umawiamy się na jutro? No właśnie, co to znaczy właściwie robić atrybucję? Aby to wszystko wyjaśnić, musimy zacząć od samego początku.
Co właściwie to całe pojęcie atrybucji oznacza i co chodzi w tym całym zagadnieniu? Pamiętasz jak mówiłem, że nowa generacja Google Analytics, czyli Google Analytics 4 w odróżnieniu od poprzedniej wersji jest skoncentrowana wokół klienta albo wśród klientów, a nie tylko klientów, a w odróżnieniu od poprzedniej wersji jest skoncentrowana wokół klienta albo szerzej użytkownika? To całe podejście, które nazywam klientocentrycznym służyć ma lepszemu zarządzaniu biznesem i tworzeniu lepszych, długokresowych strategii marketingowych przez dość fundamentalne zmiany w podejściu do zrozumienia relacji z klientami. I tu GA4 odpowiada właśnie na kilka głównych wyzwań, jakie stoją przed firmami, które chcą prowadzić efektywnie działania marketingowe. Między innymi Google Analytics pozwala zmierzyć się z powszechnym i istotnym zjawiskiem, które nazywamy zjawiskiem multi-channel.
Dla przypomnienia z lekcji numer 2, multi-channel to zjawisko wykorzystania wielu różnych mediów do kontaktu z firmą przed podjęciem decyzji zakupowej. Konsumenci tacy jak ty czy ja przed podjęciem decyzji porównują oferty w internecie i często wielokrotnie odwiedzają stronę różnych sklepów w różnych fazach zakupu aż do momentu podjęcia decyzji o zakupie. Istnieje coraz więcej branż, gdzie aby użytkownik dokonał zakupu potrzebne jest nawet więcej niż 10-20 kontaktów użytkownika z firmą czy z daną ofertą przed podjęciem decyzji o zakupie. Takie kontakty odbywają się oczywiście za pomocą wielu różnych mediów takich jak wyszukiwarka, social media czy inne źródła, które wykorzystuje dana firma w swoich działaniach marketingowych.
Powszechny problem jaki w takim przypadku zawsze się musi w końcu pojawić w danej firmie to do jakiegoś źródła pochodzenia użytkownika przypisać sukces w postaci tej naszej sprzedaży czy innego rodzaju konwersji. Czemu to jest istotne? Sprawa jest dość prosta, bo chodzi o pieniądze. A jak chodzi o pieniądze to sprawa zawsze jest istotna. Przypisywanie zasługi konwersji albo może bardziej precyzyjnie udziału w wygenerowaniu konwersji pozwala nam określić wagę istotności danego źródła pozyskania, a następnie w procesie optymalizacji dowiedzieć się gdzie inwestować środki marketingowe, a gdzie nie. Z kolei takie działania bezpośrednio wpływają na zwrot z inwestycji w marketing i zwiększają rentowność naszego biznesu czy danego biznesu.
Dlaczego jeszcze tak ważne jest przypisywanie wkładu poszczególnych elementów ścieżki do zakupu? Dlatego, że jest ono podstawą patrzenia na biznes przez pryzmat wartości całej relacji z klientem i skupienie się na maksymalizacji wartości firmy w oparciu właśnie o tą całkowitą wartość jaką generują klienci w relacji z naszą firmą. Żeby to wszystko mogło się zadziać musimy przede wszystkim rozumieć jaki wpływ na taką relację z klientem mają nasze wszystkie aktywności marketingowe. To znaczy ogólnie rzecz ujmując jak bardzo poszczególne aktywności przekładają się na pozyskanie i utrzymanie wartościowych klientów. Powinniśmy być świadomi reagować na dane czy prowadzona przez nas na przykład dana kampania marketingowa faktycznie ma, i jeśli tak to jaki, udział w pozyskaniu czy utrzymaniu wartościowych użytkowników.
I tu właśnie przychodzi nam z pomocą nauka, którą nazywamy powszechnie atrybucją lub modelowaniem atrybucji. A co dokładnie znaczy i na czym polega ta cała atrybucja? Według Wikipedii atrybucja to przypisywanie czegoś komuś lub czemuś. Z kolei w marketingu mianem atrybucji czy raczej modelowaniem atrybucji określa się proces określania w jakim stopniu poszczególne elementy marketingu wpływają na tworzenie wartości dla firmy poprzez realizację głównych celów biznesowych. Na przykład generowania sprzedaży czy pozyskiwania klientów. Z kolei następstwem określenia modelu atrybucji powinien być proces alokowania lub przesuwania odpowiednich zasobów. Tutaj na przykład budżetów reklamowych albo chociażby zasobów ludzkich zgodnie ze stopniem wpływu tych elementów na generowanie finalnej wartości.
Innymi słowy modelowanie atrybucji powinno nam być w stanie pomóc odpowiedzieć jak na sprzedaż i budowanie wartości firmy wpływają na przykład nasze poszczególne akcje marketingowe czy też bardziej ogólnie wykorzystywane przez nas źródła pozyskania klientów. Tutaj oczywiście wliczają się w to nie tylko same rodzaje mediów ale także udział wykorzystywanych urządzeń w procesie generowania wartości. Czyli na przykład urządzeń których używają nasi klienci do odwiedzenia naszej strony i generowania konwersji. W naszym przypadku kiedy mówimy o atrybucji będziemy mówić głównie o źródłach pozyskania klientów bo w większości przypadków tak zwana atrybucja w internecie sprowadza się właśnie do jednego głównego aspektu marketingu czyli przypisywania wartości źródłem ruchu.
Nie jest to jednak jedyny obszar w którym możemy przypisywać wartość w procesie atrybucji. Co bardziej zaawansowane firmy w tym aspekcie także biorą pod uwagę analizowanie i modelowanie atrybucji w innych obszarach takich jak chociażby przypisywanie wartości do konkretnych produktów czy na przykład poszczególnych elementów czy treści strony lub innych ważnych elementów wpływających na wzrost wartości ale też na generowanie kosztów. Wszystko po to aby jeszcze lepiej dystrybuować zasoby w organizacji i zwiększać rentowność całego biznesu. Wydaje się to wszystko trochę skomplikowane? Jeśli tak to zaraz mam nadzieję że to wszystko będzie trochę bardziej jasne bo omówimy sobie te kwestie atrybucji na pewnym przykładzie. Musimy tutaj jednak jeszcze wspomnieć o pierwotnym psychologicznym aspekcie zachowań konsumenta.
Założenie takie mówi że użytkownik aby stać się klientem musi przejść przez pewien proces podejmowania decyzji. Ten proces zawsze przebiega mniej więcej tak samo dla każdego użytkownika. Może się on różnić oczywiście ze względu na doświadczenia danego osobnika i wagi podejmowanej decyzji ale generalnie aby podjąć jakąkolwiek decyzję o zakupie wszyscy przechodzimy zawsze podobny proces. Ten proces często nazywamy procesem IDA którego nazwa jest skrótem od słów awareness, interest, desire, action. Ta koncepcja IDA jest takim fundamentem na którym opiera się dziś marketing i mimo że on ma wiele modyfikacji i w różnych wersji to myśl pierwotna pozostaje ta sama. Użytkownik potrzebuje przejść przez etapy tego procesu podejmowania decyzji zanim dokona jakiegoś działania.
Zwłaszcza kiedy to działanie jest obarczone jakimś ryzykiem. A propos właśnie tego procesu i specyfiki zachowań użytkowników w internecie. Pamiętasz mam nadzieję przykład z lekcji numer 3 gdzie omawialiśmy ścieżkę zakupową użytkownika który porusza się pomiędzy urządzeniami na swojej drodze do konwersji. W naszym przykładzie korzystał on z telefonu, aplikacji oraz komputera stacjonarnego. Jeśli dodamy do tego przykładu jeszcze różne wykorzystywane media przez tego użytkownika to robi nam się całkiem skomplikowana matryca elementów wpływających na efekt końcowy czyli tą naszą konwersję. Z kolei my jako osoby związane z marketingiem potrzebujemy być w stanie ocenić wpływ każdego elementu jaki wykorzystujemy w działaniach nagenerowaną przez nas wartość.
Musimy wiedzieć jaką rolę grają poszczególne elementy w całej ścieżce decyzyjnej na poszczególnych jej etapach po to aby móc następnie odpowiednio te elementy zoptymalizować i tym samym podnieść efektywność działań z których najczęściej jesteśmy bezpośrednio rozliczani. Aby to wszystko stało się jasne weźmy na tapetę taki prosty przykład. Zacznijmy od kwestii mediów bo to najpopularniejszy przykład wykorzystania modelowania atrybucji. Klient przed dokonaniem zakupu odwiedza stronę firmy 4 razy wykorzystując do tego różne media reklamowe. W takiej sytuacji my jako marketingowcy, analitycy czy osoby odpowiedzialne za wzrost biznesu musimy w jakiś sposób ocenić teraz wpływ poszczególnych wybranych mediów na decyzję o zakupie przez klienta.
Potrzebujemy tego aby ocenić nie tylko rentowność naszych działań marketingowych ale też po to aby zrozumieć lepiej zachowania naszych klientów w celu optymalizacji przekazów reklamowych. Aby tego dokonać musimy przyjąć jakieś wstępne założenia. Czy na przykład liczył się tu bardziej pierwszy czy może ostatni kontakt klienta z naszą firmą na ścieżce decyzyjnej a może wszystkie kontakty użytkownika z firmą były równie ważne do podjęcia decyzji. Czy też wreszcie może jest jakaś inna kompozycja udziału poszczególnych źródeł w podjęciu decyzji o zakupie przez tego danego konsumenta. Aby odpowiedzieć na takie pytania większość narzędzi analitycznych oferuje coś co nazywamy standardowymi modelami atrybucji według których te narzędzia przypisują konwersje, przychody lub inne zrealizowane cele do poszczególnych źródeł pozyskania użytkownika.
Najbardziej popularnym do trzyszcza z modelem atrybucji jest tak zwany model last click w którym całą zasługę za wygenerowanie konwersji przypisuje się ostatniemu kontaktowi klienta z firmą. Przy czym model ten ignoruje wszystkie inne kontakty poprzedzające moment konwersji. Taki model last click a właściwie można powiedzieć prawie taki model jest na przykład wykorzystywany przez większość raportów Google Analytics w wersji Universal.
I teraz ważne pytanie czy mimo że model ten jest najbardziej popularny to czy jest to model który jest faktycznie dobry i ma sens? Wydaje mi się że właściwie jestem całkiem pewien że na podstawie tego co do tej pory powiedzieliśmy o zachowaniach użytkowników internetu możemy z całą pewnością powiedzieć że model last click nie ma wiele wspólnego z rzeczywistością. Co gorsza wykorzystanie modelu last click jako tego słusznego w organizacji może nieść za sobą dość drastyczne konsekwencje. Jeśli firma decyduje się oprzeć decyzje optymalizacyjne na modelu właśnie last click istnieje duże ryzyko zaistnienia zjawiska które nazywamy często spiralą śmierci. Pozwól że wyjaśnię Ci co to znaczy spirala śmierci na przykładzie z życia.
Weźmy sobie mały sklep osiedlowy na Mokotowie w Warszawie. Zakładając że taki sklep nie ma licencji na sprzedaż alkoholu to co się w takim sklepie może najlepiej sprzedawać zazwyczaj? Ja wiem że akurat tu w przykład jest troszeczkę abstrakcyjny bo bez alkoholu taki sklep nie ma szansu się utrzymać ale przez chwilę załóżmy że tak jest. Co w takiej sytuacji najlepiej się sprzedaje w takim osiedlowym sklepie? Możemy z dużą pewnością powiedzieć że zapewne będzie to pieczywo. Przy okazji kupowania tego pieczywa mieszkańcy kupują też inne podstawowe produkty pierwszej potrzeby. Dla warszawiaka będzie to na pewno taki hummus, jarmusz, oliwa z oliwek oraz na przykład wegańskie parówki.
I teraz mądry właściciel sklepu patrząc z perspektywy rentowności biznesu i optymalizacji działań widzi że z tym pieczywem jest po pierwsze dużo roboty, po drugie jest mała marża, z kolei na takim hummusie przebitka jest prawie 300%. Co więc postanawia? Eliminujemy chleb i dostawiamy kolejną półkę z produktami Eko Wysokiej Marży. To dość sensowne ponieważ jednak wszyscy w tym mieście, w stolicy żyją na kredyt i szukają najtańszego hummusu w Warszawie, a z kolei chleba nie ma w danym sklepie kosiedlowym to po prostu przestają w ogóle tam ten sklep odwiedzać. W ten sposób eliminując chleb, czyli teoretycznie coś co nie przyniosło zysków, właściciel sam wpędził się w spiralne śmierci próbując podnosić zwroty z inwestycji swojego sklepu.
Istnieje taka naturalna tendencja do eliminowania elementów całej układanki, które bezpośrednio i jasno same w sobie nie generują wartości, ale bez tych elementów inne części układanki nie mogą same tworzyć żadnej wartości. To samo dokładnie także tyczy się elementów marketingowych w procesie do zakupu w internecie jeśli działamy zgodnie z modelem atrybucji last click. Ponieważ nie widzę, że źródło numer jeden na ścieżce ani drugie, ani trzecie nie generowało konwersji, to przestaję w nie inwestować. Jednak bez tych elementów ścieżka podejmowania decyzji jest wybrakowana i prawdopodobnie klient zostanie przed zakupem przechwycony przez konkurencję na wcześniejszych etapach tej ścieżki.
W takiej sytuacji nie jest istotne ile możemy zapłacić za pozyskanie klienta w ostatniej fazie, bo może tam już nikogo do pozyskania po prostu nie być. Zwyczajnie nie będzie kogo pozyskać, bo klient w procesie decyzyjnym wcześniej został przechwycony przez konkurencję. Z kolei nawet jeśli nam się uda takiego klienta pozyskać, to odbędzie się to na tyle dużym kosztem, że może to dla nas po prostu być nieopłacalne. W tak skomplikowanym obecnie świecie, gdzie konsumenci są prosumentami, którzy mają wolność i łatwość w porównywaniu ofert i usług w internecie, model last click bardzo szybko może nas wpędzić we wspomnianą przeze mnie spiralnej śmierci, co finalnie może być przyczyną utraty inicjatywy i finalnie zakończyć się wypadnięciem firmy z rynku.
Tak więc kończąc ten przydługi wywód dotyczący modelu last click, jest to jeden z najgorszych modeli atrybucyjnych, a jednak ciągle najczęściej stosowany. Czemu w takim razie model last click jest tak bardzo popularny cały czas? Głównie z powodów historycznych, ale nie tylko, bo z powodu poważnego wyzwania jakim jest mierzenie całej ścieżki klienta do konwersji, prawidłowe atrybuowanie wartości jest trudne i firmy często wolą mieć zakrzywiony obraz sytuacji, ale go w ogóle w jakikolwiek sposób mieć. Gdzieś w końcu te sukcesy, porażki i koszty trzeba przypisać. Ktoś musi być odpowiedzialny, prawda? Pierwszy model standardowy mamy więc już omówiony.
Oprócz tego modelu last click, o którym powiedzieliśmy przed chwilą, istnieje jeszcze co najmniej kilka innych modeli standardowych, popularnych w naszym świecie marketingowym. Na przykład model first click, gdzie całą wartość przypisuje się do pierwszego źródła pochodzenia klienta na ścieżce. Także dość niebezpieczny jako powiedzmy sobie źródło prawdy jest ten model w działaniach marketingowych, jeśli będzie badany osobno. Ale może jednak przynieść dość ciekawe wnioski o tym jakie źródła bardziej odpowiadają za rozpoczęcie procesu decyzyjnego do konwersji, a jakie mniej. Dość ciekawymi też do porównania są z kolei modele liniowy uwzględniający pozycję oraz model spadku udziału z upływem czasu.
W modelu liniowym system rozdziela udział w konwersji porówno na wszystkie kanały, w których klient przed konwersją klikał czy kontaktował się z naszą firmą. Lub wywołał na przykład też wyświetlenie angażujące w przypadku YouTube'a. Z kolei w modelu z uwzględnieniem pozycji w wielu kanałach system przypisuje po 40% udziału pierwszej i ostatniej interakcji, a pozostałe 20% udziału rozdziela porówno między środkowe interakcje, ile by ich nie było. W modelu atrybucji spadek udziału z upływem czasu system przypisuje większy udział punktom w styku z klientem bliższym momentowi wykonania konwersji. Udział jest przypisowany z uwzględnieniem średniodniowego okresu połowicznego zaniku.
Oznacza to, że kliknięciu które miało miejsce 8 dni przed konwersją przypisuje się o połowę mniejszy udział w konwersji niż kliknięciu które nastąpiło jeden dzień przed konwersją. W Google Analytics 4 istnieje także model, który preferuje kanał, jakim jest czy są reklamy w Google. Jeśli większość naszych działań marketingowych opiera się właśnie o takie reklamy, to warto taki model także wziąć pod uwagę. W tym modelu system przypisuje 100% wartości do ostatniego kliknięcia z kanału Google Ads na ścieżce. Jeśli na ścieżce nie było kanału Google Ads, to system wraca do zwykłego modelu last click. I teraz wisinka na torcie atrybucji.
Ostatnim, ale za to najbardziej przyszłościowym według mnie dostępnym modelem atrybucji z jakim będziemy mieć styczność w obrębie jako systemu Google, tutaj zarówno GA4 i Google Ads, jest tzw. model data driven, czyli model oparty o dane. Model ten automatycznie i arbitralnie w oparciu o zbierane sygnały przypisuje wartość do poszczególnych punktów styku klienta z firmą na ścieżce do konwersji. Algorithm tego modelu wykorzystuje możliwości uczenia maszynowego, czyli po polsku machine learning, w ocenie wielu czynników wpływających na prawdopodobieństwo konwersji przez danego użytkownika. Czynniki brane pod uwagę w tworzeniu modelu data driven to m. in. czas między interakcjami, typy formatów reklamowych i wiele innych sygnałów jakie zbiera Google Analytics 4.
System Google w modelu DDA działa na zasadzie testów i porównuje do siebie różne konfiguracje ścieżek na których wystąpiła konwersja lub nie. Na bazie wyników takich testów system zasila danymi algorytm, który przypisuje części pojedynczych konwersji do każdego punktu styku klienta z firmą na ścieżce zgodnie z ich wkładem w realizację każdej konwersji. Podstawowe kwestie związane z zagadnieniem atrybucji i jej najpopularniejszych modeli standardowych Będziemy jeszcze wracać do kwestii strategicznych, ale teraz możemy już przejść do omawiania funkcjonalności Google Analytics 4 związanych z zagadnieniem atrybucji. Przechodząc do interfejsu Google Analytics 4 dane dotyczące atrybucji w raportach znajdują się przede wszystkim w sekcji reklamy w menu głównym.
Jak wspomniałem w momencie omawiania interfejsu Google Analytics 4, ta sekcja reklamy ma być takim centrum danych związanych z działaniami marketingowymi w naszym biznesie. Mamy tutaj w tej chwili dostępne dwa raporty z zakresu atrybucji, czy takiej szeroko pojętej atrybucji zaangażowania poszczególnych mediów w tworzenie wartości. Pierwszy raport to porównanie modeli atrybucji, a drugi to analiza punktów w styku z naszą firmą na ścieżce do konwersji. Dla osób, które przesiadają się w tej chwili z wersji Universal Analytics, to te dwa raporty są taką skompilowaną i poprawioną wersją raportów sekcji ścieżek wielokanałowych w Universal Analytics. Zacznijmy z raportu dotyczącego porównania modeli. Przejdziemy się na początku temu raportowi z dużego obrazka i poznajemy wszystkie jego funkcjonalności.
W głównym miejscu mamy tutaj dostępną tabelę z metrykami konwersji i przychodów dla wybranych dwóch modeli atrybucji do porównania. Z kolei po lewej stronie mamy dostępny wymiar źródeł pozyskania na różnych poziomach szczegółowości, takich jak grupowanie kanałów, źródło, medium, czy chociażby kampania. Umówiliśmy kwestię wymiarów jeszcze na czwartej lekcji, mam nadzieję, że pamiętasz. W pierwszym kroku, kiedy analizujemy dane w bardziej ogólnej formie, polecam zostawić tutaj wymiar grupowania kanałów. Później w miarę potrzeby możemy wybierać bardziej szczegółowe wymiary, takie jak chociażby źródło medium, który jest i był zawsze lubiany przez większych użytkowników Google Analytics. W obecnej wersji GA4 standardowe grupowanie kanałów działa dużo precyzyjniej niż w poprzedniej wersji, mam nadzieję, że to pamiętasz.
I pozwala to lepiej ocenić dużego obrazka, specyfikę i wartość ruchu ze względu na jego rodzaj. Jeśli nie pamiętasz albo masz trudności z rozumieniem oznaczeń standardowego grupowania kanałów, to umieszczam link do szczegółowego opisu tego grupowania w opisie tej lekcji poniżej. Z kolei ponad tabelą z danymi mamy tutaj do wyboru kilka ustawień dla prezentowanych poniżej danych. Przede wszystkim jakie rodzaje konwersji, które mamy ustawione w usłudze bierzemy pod uwagę. I tutaj kłania się temat omawianych przez nas w lekcji trzeciej, tak zwane kwestie konwersji makro i mikro. Mam nadzieję, że pamiętasz, że nie należy ich mieszać w analizach, bo mają one zasadniczo różne wartości dla biznesu.
Zapisy na newsletter nie są na przykład równe w dokonaniu zakupu w sklepie i tak dalej. Rozwaliśmy o tym na lekcji właśnie numer 3. Tak więc tutaj wybierzmy takie konwersje do analizy jakie są adekwatne pod względem wartości lub po prostu jedną najważniejszą konwersję na początek, na przykład zakup lub pozyskanie tak zwanego leader dla biznesów typu lead generation. W ten sposób będziemy w stanie pozyskać wiarygodne informacje, co tak naprawdę tworzy wartość do naszej firmy w postaci tych konwersji makro. Jakie nasze działania tworzą wartość i jaką rolę na ścieżce do konwersji poszczególne działania pełnią. W naszym przypadku wybieramy tutaj po prostu konwersje pod postacią zdarzenia zakupu, czyli zdarzenie purchase. Kolejnym ustawieniem jest kwestia wyboru czasu raportowania.
Domyślny czas raportowania równy czasowi konwersji oznacza, że bierzemy pod uwagę i przypisywamy wartość do wszystkich zdarzeń, które nastąpiły w okresie ważności konwersji. Na przykład standardowo w Google AAC okres ważności konwersji, czyli czas przez jaki konwersja będzie przypisywana do danego źródła wynosi 30 dni. To tak samo jest właśnie też w Google Analytics 4. Z kolei opcja czasu interakcji bierze pod uwagę wszystkie interakcje, jakie następowały po sobie w danym przedziale czasowym. Twoim zadaniem jest tutaj wybrać opcję, którą wolisz jak wolisz liczyć konwersje. Czy liczy się czas momentu samej konwersji, czy liczy się czas kliknięcia w reklamę, która finalnie doprowadziła do konwersji w jakimś tam ustalonym przez nas czasie.
Jak wiemy te dwa zdarzenia, czyli kliknięcie na reklamę i sama konwersja mogą wydarzyć się właśnie w różnym czasie w tym okresie tych 30 dni. Okres ważności konwersji to czas, w którym konwersja będzie właśnie przypisana do danego kliknięcia w reklamę, czy w inne źródło pozyskania. Okres ważności możemy ustawiać w ustawieniach usługi naszej Google Analytics 4 i do tego będziemy jeszcze wracać w momencie omawiania ustawień. Standardowo tak dla przełonienia wynosi on 90 lub 30 dni, tak jak wspomniałem w zależności od rodzaju konwersji. Obok omawianych ustawień możemy też dodać odpowiednie filtry do danych, które działają bardzo podobnie do tworzenia porównań w raportach standardowych.
Tak więc w praktyce jeśli chcemy analizować różnice w wynikach dla poszczególnych modeli, ale w zawężeniu do specyficznej grupy użytkowników, w zawężeniu do kraju jakiegoś, albo u użytkowników, którzy wykorzystują jakieś urządzenie, albo konkretnej grupy odbiorców itd. to właśnie tutaj możemy to zrobić. Pamiętajmy tylko o tym, że każde zawężenie czy filtr będzie także zawężał nasze pole widzenia oddziaływania różnych źródeł ruchu w wybranych modelach. Dlatego nakładanie filtrów zalecam robić z dużą ostrożnością i świadomością konsekwencji. Skoro już znamy wszystkie funkcjonalności raportu porównywania modeli, zajmijmy się teraz wnioskami z danych, które możemy znaleźć w tej tabeli poniżej. Zacznijmy od wyboru pierwszych modeli do porównania.
Osobiście lubię zaczynać analizowanie modeli od odniesienia się do podstawowego modelu, czyli do modelu last click. Zgadzam się tutaj i podtrzymuję cały czas, że to jest najgorszy możliwy model do oceniania efektywności źródeł. Ponieważ większość narzędzi marketingowych i analitycznych traktuje go jako standard, warto się do niego odnieść do danych w tym modelu i zobaczyć, jak daleko jesteśmy od prawdy związany z wpływem poszczególnych źródeł ruchu na naszą szczęśliwość i sukces. Tak więc wybieram model ostatniego kliknięcia w pierwszej kolumnie od lewej oraz drugi model do pierwszego porównania. Ponieważ chcę się dowiedzieć, jak bardzo model last click odbiega od prawdy, muszę go porównać z jakimś w miarę neutralnym modelem.
Moim ulubionym wyborem jest model liniowy, który wszystkie punkty styku traktuje równo. Jednak tutaj nie uważam, że wielkim błędem byłoby wybór modelu względem jego pozycji, czy model spadek udziału z upływem czasu, czyli ten tak zwany time decay po angielsku. Po prostu wiem, że nic nie wiem i nic nie zakładam i wybieram model całkowicie neutralny, przynajmniej bardziej neutralny niż inne. Możemy też od razu porównać modele, które uważamy za bliskie nasze rzeczywistości do modelu data driven i zorientować się, jak bardzo różnimy się w poglądach o istotności źródeł ruchu z wyliczeniami opartymi dynamicznie o model stworzony przez Google.
Tutaj też musimy w jakiś sposób zaufać modelowi, ale jego działanie jest znane i opisane w internecie, więc warto się tutaj też samemu przekonać, czy taki sposób przypisywania wartości jest dla nas przekonujący. Do tego zamieszczam link, jak działa model DDA stworzony przez Google w opisie tej lekcji. W tym miejscu zwróć też jeszcze jedną uwagę, że modele atrybucji są określone jako niebezpośrednie. Co oznacza, że modele nie biorą pod uwagę wejść bezpośrednich na stronę, chyba że ścieżka składała się tylko z takich wizyt bezpośrednich.
Czy to jest super jakieś wyjście? Nie jestem w stanie teraz tego ocenić, ale rozumiem założenie, które tutaj zakłada, że żadne wejście bezpośrednie nie dzieje się samo z siebie i wynika z jakiejś naszej wcześniejszej działalności marketingowej. Zwracam tutaj bardziej Twoją uwagę na istotną kwestię oznaczania ruchu czy oznaczania źródeł ruchu przy pomocy tagów UTM. Pamiętasz, mam nadzieję, że to jest bardzo istotne. Mówiliśmy o tym na lekcji 5. Jeśli Google Analytics nie rozpozna źródeła ruchu, który przychodzi na stronę, to oznacza takie pochodzenie takiego ruchu jako bezpośrednie. Tak więc ta wizyta czy to źródło ruchu nie zostanie wzięte pod uwagę w modelowaniu konwersji.
Mam nadzieję, że widzisz powagę tej sytuacji związaną z pilnowaniem prawidłowego oznaczania wszystkich źródeł ruchu. Tu przy okazji polecam przyjrzeć się dużym firmom w internecie jakie powinny być naprawdę poukładane w kwestiach marketingu. Pierwszy lepszy przykład. Korzystam na przykład z Canvy. Wszedłem ostatnio tam z reklamy, takie zawodowe zboczenie i co widzę? Google Ads oznacza się jako afiliacja i to z jakiegoś dziwnego źródła. Czyli ktoś w Canvie widzi jedno z największych mediów jakim jest reklama w Google jako afiliacja. Pomijam, że to zupełnie inny rodzaj medium reklamowego, ale przede wszystkim wykrzywia obraz efektywności takich źródeł jak Google i inne źródła. Na przykład prawdziwa afiliacja.
Jeśli już wybierzemy modele do porównania, możemy od razu przejść dalej w naszych analizach i zbadać różnicę między innymi modelami, na przykład liniowym czy time decay. Tu przepraszam, ale nie jestem w stanie tej nazwy zapamiętać spadek oddziału z wpływem czasu. No więc możemy badać różnicę pomiędzy innymi modelami, a modelem na przykład data driven, który zapewne docelowo będzie modelem podstawowym zamiast modele last click w Google Analytics. Jeśli już wybierzemy modele do porównania, to możemy w prawej skrajnej kolumnie zobaczyć różnicę w danych ze względu na porównane modele. Ujemne procenty oznaczają, że w modelu liniowym kanały organiczne wypadają gorzej niż w modelu last click. Z kolei na przykład referral wypada dużo lepiej.
Co to oznacza? Jak to interpretować? W przypadku naszym kanały organiczne lepiej domykają ścieżkę konwersji, czyli lepiej spełniają rolę na końcu ścieżki konwersji niż na jej wcześniejszych etapach. Na przykład w momencie budowania świadomości o produkcie lub usłudze nie idzie tym kanałom tak dobrze, ale z kolei jeśli ktoś już wie czego potrzebuje, to na stronę trafia na przykład zawsze przez wyniki, czy prawie zawsze przez wyniki organiczne w Google i tam dokonuje finalnie konwersji.
Z kolei odesłania, czyli te tak zwane referrale nie domykają konwersji, ale są potrzebne we wcześniejszych etapach i jeśli potraktujemy wszystkie etapy ścieżki jednakowo, to okazuje się, że te odesłania mają większe znaczenie dla nas niż by to wynikało z konwersji przypisanych do ostatniego źródła, przed samą konwersją. Oznacza to, że części użytkownicy trafiają na stronę z odesłań we momentach przed podjęciem ostatecznej decyzji, ale są znaczącym punktem w tym procesie i w modelu last click źródło to jest niedoszacowane o ponad 10% wygenerowanej wartości. Jeśli teraz np.
zmieniłbym porównanie w kolejnym kroku i chciałbym się dowiedzieć jakie źródła bardziej otwierają relacje, czyli wprowadzają użytkownika na ścieżkę do konwersji, a które bardziej uczestniczą przy finalizacji ścieżki, to mogę tutaj wybrać porównanie model last click i first click. W tym przypadku widać, że np. organicsearch traci prawie 6% przypisanych konwersji na rzecz modelu first click w stosunku do last clicka tutaj w tym momencie. Oznacza to, że lepiej sobie radzi to źródło z domykaniem niż otwieraniem ścieżki do konwersji. Z kolei referral, czyli odesłania nasze znacząco lepiej spełniają swoją rolę otwierając ścieżkę niż zamykając. Widzę tutaj taki możliwy scenariusz np. ktoś polecił stronę czy nasz produkt zamieszczając link na innej stronie np.
na forum. Użytkownik forum reaguje na polecenie i odwiedza naszą stronę wykorzystując zamieszczony link na tym forum. Po czym zapoznaje się z naszą ofertą i opuszcza stronę. Parę dni później przypomina sobie o dostępnym produkcie, który widział i podejmuje decyzję, że taki produkt chce zakupić. Jak to zwykle bywa wpisujemy nazwę produktu w wyszukiwarki, klikamy na link do najbliższej strony i dokłonujemy zakupu. Często to będzie np. strona firmy w przypadku reklamy albo jeżeli nasza strona jest sławna stanego produktu. Mam nadzieję, że do tej pory wszystko jest dla Ciebie w miarę jasne i zrozumiałe. Teraz dochodzimy do jednego bardzo ważnego aspektu atrybucji.
Co jest najważniejsze w całym tym zamieszaniu z atrybucją? Wcale nie poszukiwanie i znalezienie jakiegoś idealnego modelu atrybucji dla naszej firmy. Ale co? Ale ciągłe porównanie różnych modeli atrybucji do siebie. Oczywiście im modele do porównań bliżej naszego idealnego scenariusza tym lepiej. Ale w atrybucji chodzi głównie o wnioski z porównań modeli, a nie znalezienie świętego grala atrybucji dla naszej firmy. To na bazie porównań możemy poprawić przekazy reklamowe, ofertę i inne aspekty naszych działań marketingowych, optymalizując przy tym cały biznes.
Zwróć uwagę, że jeśli jakieś dane źródło dużo lepiej sprawdza się w otwieraniu ścieżki do konwersji, to czy przekazy reklamowe wykorzystywane w tym źródle powinny namawiać bezpośrednio do zakupu? No raczej nie, bo na początku ścieżki użytkownik może nie być jeszcze gotowy do zakupu. Może się zastanawia albo nabiera świadomości jakiejś swojej potrzeby. W takim przypadku wtedy zamiast namawiać do zakupu może lepiej będzie przekonać go do zapoznania się ze szczegółami albo do porównania naszej oferty, albo po prostu do nabrania wiedzy o danym produkcie. Z kolei w kolejnych fazach z wykorzystaniem innych źródeł ruchu, które głównie sprawdzają się w domykaniu ścieżki, będziemy walczyć o naszą twardą makrokonwersję, czyli na przykład sprzedaż.
Tak więc sekret skutecznej atrybucji leży w porównywaniu modeli i wyciąganiu wniosków, a nie szukaniu jednego doskonałego modelu, bo tak jak go już uda nam się znaleźć to będzie on najprawdopodobniej już przestarzały w momencie odnalezienia. Liczy się rozumienie różnic w zachowaniu badanych elementów dzięki analizie modeli atrybucyjnych, a nie szukanie modelu idealnego, bo środowisko biznesowe się za szybko zmienia abyśmy mogli opracować jeden idealny model na stałe dla naszej firmy. Mam nadzieję, że rozumiesz mój punkt widzenia. Oczywiście możesz się z nim nie zgadzać i szukać swojego idealnego modelu. Wrócimy do tego wątku jeszcze na koniec tej lekcji, bo wchodzi oczywiście pewne odstępstwo od tej reguły w postaci modelu data driven, ale nie uprzedzajmy faktów.
A teraz przejdźmy do drugiego raportu w dziale atrybucja, czyli do raportu ścieżek konwersji. Raport ścieżek konwersji ma ułatwić nam zrozumienie jak wygląda ścieżka do konwersji ze względu na występujące na nie źródła pozyskania ruchu. Ścieżka do konwersji to zbiór różnych mediów, które były wykorzystywane przez rzutkownika do odwiedzalności naszej strony czy aplikacji w procesie podejmowania decyzji o konwersji. Przejrzyjmy się w funkcjonalności tego raportu. Jego główny element to wizualna prezentacja ścieżki do konwersji podzielona na trzy fazy. Pierwsza to początkowe 25% punktów kontaktu, następne kolejne 50 punktów kontaktu w środkowej części i na końcu w fazie trzeciej ostatnie 25% punktów kontaktu z naszą firmą.
Czyli jeśli użytkowni kontaktował się z firmą 8 razy przed konwersją, to w pierwszej fazie będą pierwsze dwie odwiedziny, następnie kolejne cztery w fazie środkowej i kolejne ostatnie dwie w fazie końcowej. Rozkład tych punktów zależy oczywiście od wybranego modelu atrybucji ponad wizualizacją. Tutaj też możemy wybrać poziom szczegółowości wymiaru źródeł ruchu. Jako standard wykorzystywane jest tutaj domyślnie grupowanie kanałów, ale możemy wybrać inne poziomy takie jak źródło medium czy chociażby nazwa kampanii. Trochę podobnie jak to się działo w poprzednim raporcie omawianym dzisiaj przez nas. Przy każdej z trzech faz ścieżki widzimy różne procentowe wielkości. Jest to udział danej fazy w konwersjach dla wybranego okresu.
Aby móc te dane prawidłowo czytać musimy rozumieć jak wygląda rozkład punktów styku dla każdej z tych faz. Jeśli występuje tylko jeden punkt styku, czyli klient wszedł na stronę i dokonał konwersji, to takie źródło znajdzie się tylko w fazie końcowej czyli tej trzeciej skrajnej prawej. Z kolei źródło poniżej trzech punktów styku będzie obecne tylko w fazie pierwszej i trzeciej. Punkty styku w środkowej fazie będą ujęte jeśli ścieżka ma trzy lub więcej punktów styku do konwersji. W danym modelu atrybucji możemy zobaczyć rozkład procentowy udziału poszczególnych punktów styku wg określonych trzech faz zaawansowania ścieżek do konwersji. Tak więc dane niejako łączą w sobie dwie informacje.
Informacje o długości ścieżki oraz kolejności wykorzystywanych źródeł pochodzenia ruchu przez użytkownika. W tym miejscu trzeba też wspomnieć o funkcjach dostosowania danych w widocznych w raportach. Mamy tutaj do dyspozycji opcję filtrowania danych oraz możliwość wyboru długości ścieżek do badania. No i oczywiście musimy też wybrać konwersję która nas interesuje. O tym temacie wspomniałem już omawiając poprzedni raport porównywania modeli. W zakresie filtrowania danych w kolejnej iteracji naszych analiz zazwyczaj można by tutaj pokusić się o analizę danych bez wejść bezpośredni bo określa one tylko i wyłącznie wizyty składające się z wejść direct, czyli tych bezpośrednich. A więc nie mają odzwyczajenia w modelach atrybucji.
Więcej możesz przeczytać na ten temat w pomocy Google Analytics i tutaj link też zamieszczam w opisie tej lekcji oczywiście. Przejdźmy teraz do tabeli z danymi poniżej wizualizacji faz ścieżek. W pierwszej kolumnie określającej wymiar źródeł ruchu możemy zobaczyć wizualizację ścieżek do konwersji dokładnie określające konkretne wykorzystywane źródła i ich udział w konwersji według wybranego modelu atrybucji. Jeśli widzisz tutaj znak mnożenia i liczbę przy źródłach ruchu to oznacza, że dane źródło występowało określoną liczbę razy na ścieżce bezpośrednio po sobie. Czyli jeśli widzimy ścieżkę gdzie występuje jakieś źródło trzy razy a następnie kolejne źródło to oznacza, że określona liczba konwersji w kolejnej kolumnie wystąpiła na przykład po czterech wizytach. Określone liczby użytkowników.
Najpierw trzy razy odwiedzili stronę z pierwszego źródła a następnie z drugiego raz po czym dokonali konwersji. Z kolei w kolumnach z danymi oprócz konwersji tych które wybraliśmy w ustawieniach raportu widzimy także przychody z konwersji oraz nową metrykę dla nas bo wcześniej nie było w żadnych raportach. Czyli liczba dni do konwersji oraz ilość punktów styku dla danej ścieżki. Liczba dni do konwersji oznacza ilość dni od pierwszej interakcji klienta z naszą firmą poprzez jakieś źródła pochodzenia czyli te nasze analizowane punkty styku do konwersji. Te dwie dane pokazują nam jak bardzo atrybucja jest istotna w naszym biznesie. Te dwie dane z tych dwóch kolumn oczywiście.
Zwróć uwagę że jeśli średnio dla wybranych ustawień użytkownicy potrzebują prawie 8 dni i ponad 5 kontaktów z naszą firmą to oznacza że ocena efektywności naszych działań marketingowych przez pryzmat na przykład modelu last click jest bardzo ryzykowna i totalnie niezgodna z rzeczywistością. W takim przypadku analiza na podstawie takiego modelu to pierwszy śmiały krok w stronę spirali śmierci o której mówiliśmy dla naszego biznesu. Mam nadzieję że rozumiesz tutaj mój punkt widzenia w tym temacie. W zakresie atrybucji w Google Analytics 4 musimy powiedzieć sobie jeszcze o dwóch istotnych kwestiach. Pierwsza związana jest z ustawieniami usługi a druga z raportami niestandardowymi. Jeśli przejdziemy do ustawień usługi GA4 widzimy tam sekcję ustawienia atrybucji.
W tym miejscu możemy zmienić ustawienia modelu przypisywania konwersji dla całej usługi. To przełomowa funkcja bo nigdy wcześniej nie mogliśmy wybierać w jakim modelu atrybucji chcemy zbierać dane w całym czy w całej usłudze Google Analytics. Czyli jaki model będzie tym podstawowym modelem dla naszej całej usługi. Wybierając dany model z listy w tym momencie będzie on odnosił się do atrybucji na poziomie zdarzeń a nie użytkowników czy sesji. Więc po zmianie modelu w tym momencie nie zauważymy zmian w raportach standardowych. W tej chwili różnicę w danych w raportach standardowych będziemy mogli zobaczyć tylko w jednym miejscu i będą to raport dotyczący konwersji.
Kiedy klikniemy na konkretną konwersję będziemy mogli tam zobaczyć przypisane konwersje do źródeł ruchu według wybranego przez nas modelu. Drugim takim miejscem gdzie będziemy mogli zobaczyć zmiany w atrybucji przez wybrany przez nas model na poziomie całej usługi będzie sekcja eksplorowanie. Tworząc eksplorację z wykorzystaniem wymiarów z grupy atrybucja wybrane przez nas dane będą przypisywane do nich zgodnie z wybranym modelem dla całej usługi. To zapewne jest przejściowe rozwiązanie i niedługo będzie to możliwe dla wszystkich poziomów danych i dla wszystkich raportów standardowych. Na koniec kwestii związanej z interfejsem muszę tylko wspomnieć o możliwości zmian ustawień okresu ważności dla konwersji. W ten sposób możemy manipulować przypisaniem ich do odpowiednich źródeł.
Pamiętaj wspomniałem o tym przy okazji raportu porównania modelu atrybucji i ustawień czasu raportowania konwersji. Ok dojechaliśmy prawie do końca tej ważnej lekcji ale zanim skończymy muszę jeszcze o kilku ważnych rzeczach powiedzieć na koniec aby zamknąć temat atrybucji i być może odpowiedzieć na pytania które prędzej czy później mogą się pojawić w Twojej głowie. Pierwsze ważne pytanie jakie pewnie pojawi się finalnie u Ciebie i u większości użytkowników Google Analytics, który będą myśleć o atrybucji będzie pytanie który model atrybucji jest dla mnie najlepszy. Jest to całkiem logiczne pytanie. Odpowiedź jest dość prosta. Żaden. Znaczy żaden ze standardowych modeli nie jest dla Ciebie super dobry czy najlepszy.
Każda firma musi wypracować swój unikalny model i tu zaczynają się całkiem strome schody. Jak już wspomniałem praca nad modelem atrybucji jest dość długa i mozolna a na końcu niestety nie ma pewnego zakończenia. Warunki w jakich pracujemy zmieniają się tak dynamicznie że analizując dane i układając je w sztywny model dla naszej firmy możemy bardzo szybko pracować znowu na modelu który nie jest dla nas idealny. Stąd najlepszym wyjściem jest traktować modelowanie atrybucji jako po pierwsze drogę do zapoznawania zachowań naszych klientów i dostosowania do nich elementów ścieżki czyli tych faz podejmowania decyzji tak aby jak największa ilość użytników docierała do fazy realizacji konwersji.
A po drugie do zrozumienia skali udziału w poszczególnych źródeł w generowaniu wartości dla naszej firmy aby móc odpowiednio alakować zasoby i budżety. I teraz dochodzimy tutaj do finalnej mojej konkluzji. Czy mamy na to wszystko czas? Jeśli tak to super ale jeśli nie mamy go w nadmiarze i możemy pozwolić sobie tylko na najważniejsze analizy i krytyczne decyzje biznesowe to do wniosków atrybucyjnych nigdy nie zdążymy dojść. Dlatego też powstało rozwiązanie o którym już wcześniej wspomniałem czyli model oparty o dane czyli model data driven który jeśli uwierzymy jego filozofii i będzie ona dla nas akceptowalna pozwoli wykonywać większość pracy związanej z analizami wpływu poszczególnych źródeł ruchu na generowanie wartości firmy automatycznie.
To co najważniejsze co musimy tutaj wiedzieć o modelu data driven to przede wszystkim fakt że opiera się on na jasnych zasadach opisanych w internecie i nie jest to tajemniczy black box jak go czasem się ocenia. Zawsze zresztą przecież można też porównać jego efektywność względem innych modeli. Z kolei tutaj innym ważnym faktem jest to że model data driven bierze pod uwagę dynamicznie zmieniające się warunki biznesowe i odpowiednio cały czas się dostosowuje w oparciu o rozwiązanie machine learning które wykorzystują dane z naszego Google Analytics. Jeśli przeliczymy sobie potrzebny czas i środki na analizowanie danych i wyciąganie wniosków aby zbudować swój własny unikalny model to wykorzystanie gotowych rozwiązań typu data driven jest nieporównywalnie bardziej efektywne.
Nawet jeżeli uważamy że niesie za sobą jakiś ryzyko że nie będzie to idealny model dla nas. Pamiętam jak jeden klient z którym kiedyś pracowałem postanowił stworzyć unikalny model atrybucji ponieważ była to duża firma która także kupowała reklamy w telewizji głównym celem tutaj było zbadanie wpływu telewizji właśnie na sprzedaż w internecie. Firma zatrudniła dwóch doktorów ekonometrii i po już jakichś 9 miesiącach badań stwierdzili tak telewizja ma wpływ na sprzedaż. Ale jaki to dokładnie nie da się tego określić. Odkryliśmy wtedy Amerykę. Reklama w telewizji ma wpływ.
Chcę to przez to tylko powiedzieć że atrybucja jest krytyczna w optymalizacji marketingu w obecnych czasach ale nie musimy totalnie zostać na łasce sztabu naukowców żeby sobie z tym tematem jakoś poradzić. Wyciągajmy wnioski z porównywania danych atrybucyjnych dla naszych strategicznych planów optymalizacyjnych i korzystajmy z automatycznych rozwiązań tam gdzie i tak nie damy rady nadążyć za rzeczywistością. Po to między innymi mamy matematykę, statystykę i ekonometrię w służbie marketingu by wszystko ładnie mogło być zapakowane w rozwiązania właśnie machine learning. Finalnie jak to powiedział kiedyś mój kolega analityk można prać oczywiście w rzece ale po co jak mamy w domu pralkę. I tym optymistycznym akcentem kończymy na dzisiaj temat atrybucji w tej swojej podstawowej formie.
Mam nadzieję że udało Ci się to jakoś przeżyć. Na kolejnej lekcji, ostatniej dzięki Bogu zajmiemy się wisienką na torcie całego kursu czyli wykorzystaniem rozwiązań chmurowych w służbie analityki. Tymczasem dziękuję Ci bardzo za dzisiejszą uwagę i mam nadzieję że już niedługo do zobaczenia. Dzięki za uwagę. .
S K R Y B O T
Skrybot. 2023, Transkrypcje video z YouTube
Informujemy, że odwiedzając lub korzystając z naszego serwisu, wyrażasz zgodę aby nasz serwis lub serwisy naszych partnerów używały plików cookies do przechowywania informacji w celu dostarczenie lepszych, szybszych i bezpieczniejszych usług oraz w celach marketingowych.