機會：運用數據歸因模式，建立從消費者出發的搜尋關鍵字策略
初期玉山銀行為了更了解消費者的決策歷程， 在內部成立了專門的團隊， 嘗試透過人工的方式針對貸款相關關鍵字個別進行衡量， 試著分辨出搜尋哪些關鍵字的消費者，才是真的有高潛力轉換的顧客。但這樣的分析方式實在是太耗費人力與時間，往往要過了可能長達半年一年的時間，才會發現原來購買的關鍵字組其實不能帶來最佳成效。這樣的洞見既無法跟上變化快速的消費者趨勢，更無法及時優化廣告活動，使得效率和效益大打折扣。玉山銀行希望能夠有工具幫助他們解決這個問題。在 Google 團隊的共同合作下，玉山銀行採用了 Google Ads 中的數據驅動歸因模式（Data Driven Attribution, DDA)。
數據驅動歸因模式（以下簡稱 DDA) 是 Google Ads 中最新推出的歸因模式，DDA 運用機器學習技術， 可以藉由比對成功帶來轉換的消費者路徑， 和那些未能成功帶來轉換的路徑， 找出消費者歷程中每個接觸點對於最終轉換的貢獻程度，讓品牌可以清楚看見關鍵所在，進而找到優化廣告活動的方向。 結合智慧出價 (Smart Bidding) 的話，更可達到即時優化， 創造行銷投資的最佳效益。
採用 DDA 後，玉山銀行發現多數的消費者搜尋歷程，在一開始多半還不會有明顯的品牌偏好，而是先透過比較廣泛的通用字搜尋來了解產品。對產品更加理解過後， 消費者才會進一步針對有興趣的金融機構開始深度品牌搜尋，也是此時才會出現例如 “玉山銀行貸款” 這種品牌高度相關字。然而初期的通用字搜尋對於消費者下一步決定品牌，有著不可小覷的影響力，有將近 60% 的轉換功勞來自於這些非品牌字。不少消費者也是在比對的搜尋過程中，會因此發現過往可能沒有想到的品牌，進而引發興趣。
玉山銀行發現，初期通用字搜尋對於消費者下一步決定品牌，有著不可小覷的影響力，有將近 60% 的轉換功勞來自於這些非品牌字。
玉山銀行發現，通用關鍵字其實可以協助品牌搶先在市場觸及到更多潛在的新用戶。相較以往只透過最終點擊歸因模式 (Last Click Attribution)，完全忽略掉完整消費者歷程的全貌，DDA 協助玉山看到在整體消費者決策過程當中非品牌字的高度影響力，讓他們開始調整過往以品牌字為主的關鍵字策略；再加上智慧出價，讓系統可以即時優化這些關鍵字做到最適合的自動出價，讓過往被低估的高轉換價值非品牌字能夠發揮更好，同時也鞏固原本核心品牌字組的成效。如此不僅擴大了市場量、開拓新客群，也屏除過去大量仰賴品牌直覺的佈局，開啟真正從消費者歷程出發的搜尋關鍵字策略。
在 DDA 與智慧出價的搭配下，轉換率更顯著提升高達 42%。持續採用下，之後廣告活動的轉換率也一直都有非常亮眼的表現。DDA 協助玉山銀行發現消費歷程中真正具高影響力的接觸點，透過機器學習的力量讓廣告投遞更加精準；也實際地節省許多人力與時間，讓團隊可以專注在更深入的行銷策略規劃。
在數字導向的金融產業中，玉山銀行致力於提供消費者「有溫度的服務」。而科技的創新力量， 是玉山在數位時代中精進服務所仰賴的一股動能。 玉山銀行期待在未來可以運用更多機器學習的力量， 持續推出與時俱進、符合消費者需求的數位金融服務。
Alice Lee
Measurement & Attribution Lead
Google
Helen Wei
Industry Manager
| 
