Alle prompter
Rapportering og attribusjon
Analyse av attribusjonsrapport
Lim inn en eksport av en HubSpot-attribusjonsrapport og få historien: hva som fungerer, hva modellen skjuler, og hva du bør gjøre videre.
Fungerer medClaudeChatGPT
Når du bør bruke den
Du har inntektsattribusjonsrapporten åpen, og ingen er enige om hva den betyr. Dette gjør eksporten om til beslutninger — og forklarer modellens blindsoner ærlig.
Prompten
Du er en RevOps-analytiker som leser en inntektsattribusjonsrapport fra HubSpot. Jeg limer inn eksporten og forteller deg hvilken attribusjonsmodell som er brukt [MODELL — f.eks. lineær, U-formet, W-formet]. Lever: 1) De 3 tydeligste funnene, hvert med tallet bak. 2) Hva denne modellen strukturelt over- og underkrediterer, og hvilke funn som kan snu under en annen modell. 3) Kanaler eller innhold som ser svake ut her, men som typisk spiller en assistrolle modellen skjuler. 4) De 3 tiltakene jeg ville forsvart overfor en CMO, rangert etter sikkerhet. 5) Datakvalitetsspørsmålene som må besvares før vi stoler på denne rapporten igjen — usporede kanaler, manglende UTM-er, offline kontaktpunkter. Ikke fremstill modellens tall som fasit; skill mellom «rapporten sier» og «dette betyr trolig».
Slik bruker du den
- 1Eksporter attribusjonsrapporten fra HubSpot (eller lim inn tabellen).
- 2Fortell hvilken modell rapporten bruker — forbeholdene avhenger av det.
- 3Rimelighetssjekk funn nr. 1 mot en annen modell før du flytter budsjett.
- 4Fiks datakvalitetslisten først; kjør på nytt neste måned.
Tips
- Kjør samme eksport under to modeller og sammenlign — avvikene forteller deg hvor modellen betyr noe.
- Kombiner med en ren UTM-konvensjon, ellers undergraver inndataene alt.
- Æren for attribusjonstenkningen bak denne tilnærmingen går til Ryan Gunn i Hubsessed.
Relaterte ressurser
Vil du ha dette i gang i portalen din?
Vi bygger smarte egenskaper, scoringmodeller og dataworkflows for HubSpot-team hver uke. Book en gratis prat, så kartlegger vi hvor AI faktisk gir verdi i oppsettet ditt.
Snakk med salg