Как найти идеальную модель атрибьюции

Как измерить эффективность многоканальных рекламных кампаний? Как следует управлять бюджетами перекрывающихся каналов для увеличения прибыли, при этом не рискуя испортить то, что уже есть сейчас?

Если вы все чаще сталкиваетесь с этими вопросами - пришло время настроить правильную модель атрибьюции.

Возьмем следующий пример:

Сеть магазинов находится в десятках торговых центров по всей стране. Продукты также продаются онлайн и по каналам телевизионных покупок. Бюджеты распределяются между всеми рекламными каналами: телевидение, рекламные щиты, газеты и журналы. Онлайн-продвижение включает поисковые системы, социальные сети, YouTube, партнерские сети и RTB, чтобы назвать только самые важные.

Все агентства, отвечающие за вышеуказанные каналы, сообщают об эффективности своих объявлений.

Доверие рекламодателей к этим отчетам ограничено, потому что, если вы подытоживаете эффекты, заявленные каждым из них, продажи должны быть в два раза выше, чем на самом деле.

Это тот случай, когда кто-то преувеличивает, но мы не знаем, кто?

Ответ - это моделирование атрибуции.

Что такое атрибуция?

Моделирование атрибуции анализирует, как перекрывающиеся маркетинговые каналы объединяют и присваивают ценность каждому из этих каналов таким образом, который наиболее точно отражает их вклад в общий результат, который измеряется количеством конверсий или доходов.

В онлайн-маркетинге, на первый взгляд, это выглядит просто.

Системы отслеживания конверсий измеряют конверсии по источнику трафика и показывают, сколько доходов было получено каждым источником.

Но не все так просто - конверсии обычно предшествуют многочисленные посещения из разных источников, и все эти источники заявляют о праве участвовать в общих результатах продаж. То есть если пользователь зашел сначала из рекламы, потом из поиска, а в третий раз по реферальной ссылке в блоге нам сложно сказать какое посещение сыграло ключевую роль в решении совершить покупку.

Вы можете сравнить сиутацию с командной игрой, где каждый игрок внес свой вклад в окончательный результат.

Представьте себе футбол (футбол, для наших международных читателей). Результат - 4-0, один игрок забил дважды, а двое других забили по одному мячу. Так выглядит модель «последний удар»:

Last-Click-Attribution-Football--1-

В этом подходе другие игроки были всего лишь фоном, и три игрока, которые забили, должны были разделить вознаграждение пропорционально количеству забитых голов.

Однако очевидно, что форварды не выиграли матч в одиночку.

Если другие игроки недостаточно вознаграждены, их производительность будет страдать.

Итак, если мы решаем, что часть вознаграждения должна идти к игрокам, которые передали мяч игрокам, которые забили, доля вознаграждения может выглядеть примерно так:

Last-Two-Clicks-Attribution-Football.--1-

Это разделение вознаграждения, хотя и справедливое, все еще далеко от совершенства.

Реальность куда сложнее.

Каждый игрок вносит свой вклад в окончательный результат и должен быть вознагражден:

Multi-Touch-Attribution-Football.--1-

Не могли бы мы просто определить, что каждый игрок внес свой вклад в общий результат?

Хорошо, давайте рассмотрим.

Некоторые игроки имеют решающее значение для команды, и если мы заменим их на других, шансы на победу уменьшатся на два или более.

Нападающие - суперзвезды, по какой-то причине. Если футбольный клуб вознаграждает только нападающих, у него меньше шансов на победу. Способность оценивать ценность игроков является одной из ключевых компетенций любого менеджера футбольной команды.

Подавляющее большинство отчетов об эффективности кампании присваивают конверсии, и их значение последнему клику.

Так работают стандартные отчеты Google Analytics, а также отслеживание конверсий в AdWords и Яндекс Директ и других рекламных системах PPC.

В этой модели весь результат матча приписывается игрокам, которые коснулись мяча в последний раз, даже, если они едва коснулись его или даже если пользователь сам хотел купить еще до перехода по ссылке.

В модели «последний удар» вратарь, который практически никогда не забивает гол, кажется, является избыточной стоимостью.

Модели атрибуции

Как и в любой аналогии, сравнение с футбольным матчем нельзя использовать буквально.

Модели атрибуции, которые присваивают всю ценность единственному взаимодействию, еще не устарели. В Google Analytics есть две стандартные модели с одним касанием:

  • Модель первого взаимодействия;
  • Модель последнего взаимодействия.

Вы можете изменить эти модели, установив условия, при которых клики при следующих посещениях сайта также будут преобразованы в часть конверсии. Например, вы можете создать модель, в которой конверсия будет привязана к последнему взаимодействию перед покупкой, если только это не прямой визит, клик-переход по брендовому запросу или клик из ремаркетинга. Таким образом, вы вознаграждаете источники, ответственные за приобретение клиентов, а не источники, которые только помогают на последних этапах процесса принятия решения о покупке.

Модель, используемая в стандартных отчетах Google Analytics, является последним непрямым кликом. Прямые посещения, сделанные возвращающимися пользователями, не переопределяют исходный источник трафика.

Модели множественного взаимодействия (multi-touch) учитывают каждое взаимодействие на пути преобразования:

  • Линейная модель: ценность распределяется равномерно для всех взаимодействий;
  • Модель временного отсчета: больше конверсии получают те источники, которые были ближе к финальной конверсии;
  • Позиционная модель: присваивает 40% ценности конверсии для первого и для последнего взаимодействия, а остальные 20% разделяются поровну между средними взаимодействиями;
  • Модель, управляемая данными. Алгоритмическая модель, которая анализирует все пути конверсии в учетной записи и присваивает соответствующие значения взаимодействию в зависимости от их важности для процесса конверсии (доступна в Google Analytics 360 и в упрощенной версии также в AdWords и DoubleClick Search).

Эти модели также могут быть изменены, например, может быть назначена более высокая ценность посещениям с хорошими поведенческими показателями (например, время на сайте, количество посещенных страниц).

Модель идеального атрибутирования

Какая из моделей лучше?

На этот вопрос нет однозначного ответа. Именно с этой целью было создано большое количество разных моделей атрибуции, доступных в Google Analytics. Рекламодатели могут адаптировать эти модели к своим потребностям и уникальным условиям своего бизнеса.

Идеальная модель атрибуции присваивает каждому рекламному каналу значение, равное потерям дохода, которое могло бы произойти, если данный канал был удален.

Однако единственным способом проверки точности такой модели является тестирование A / B. К сожалению, этот тип теста в настоящее время доступен только в случае ремаркетинга.

Это ограничение применяется также к модели атрибуции, основанной на данных. Алгоритм, используемый в этой модели, не выполняет тестов, а только сравнивает взаимодействия на разных путях пользователей и на их основе ищет выводы относительно их важности для процесса конвертирования.

Звучит немного сложно, не так ли?

Вместо того, чтобы пытаться угадать идеальную модель атрибуции для вашего бизнеса, вам, вероятно, лучше не анализировать разные модели, используя их в качестве гипотез и сравнивая, как доля конверсий изменяется для разных рекламных каналов.

Очень часто разные модели будут показывать аналогичную атрибуцию для некоторых каналов.

В этих случаях моделирование атрибуции не имеет большого значения для вас.

Однако, если возникает значительная разница, это сигнал о том, что вы должны смотреть ближе на роль, которую этот канал играет в процессе преобразования.

Прежде чем приступить к анализу атрибуции, стоит создать собственную группу каналов в Google Analytics, вместо того, чтобы использовать стандартную группировку каналов по умолчанию.

Стоит объединить похожие источники трафика в один канал (например, все торговые сайты для сравнения цен или все реферальные блоги).

С другой стороны, некоторые источники нужно вынести в отдельные группы, если вам кажется, что эти сегменты играют другую роль.

Например, «Платный поисковый трафик» следует разделить на «Бренд-платный поиск» (поисковые запросы, связанные с собственным брендом рекламодателя) и «Небрендовый поиск».

Не создавайте слишком много каналов.

Хорошая группировка пользовательских каналов обычно не должна включать более десятка каналов, а трафик, не назначенный какой-либо группе (в качестве «Другой»), должен отвечать за небольшую часть всех преобразований.

Одной из распространенных проблем являются несоответствия между различными системами отчетности. Google AdWords и Google Analytics показывают совершенно разные значения. Обычно все списывается на то, что «Google Analytics теряет данные».

Однако основной причиной этих расхождений является различная модель атрибуции, используемая этими системами.

В системе AdWords и аффилированного маркетинга используется модель атрибуции последнего клика. Тем не менее, это последний клик объявления. Таким образом, атрибуты AdWords привязаны к последнему клику AdWords. Все другие взаимодействия не отображаются в отслеживании конверсий AdWords.

То же самое верно в случае партнерских систем: конверсия привязана к последнему клику партнерской ссылки, независимо от того, следует за ней клик в AdWords.

Обе системы будут требовать «своих» конверсий, но часть конверсий будет использоваться как AdWords, так и рефералами.

Как мы будем анализировать?

Во-первых, мы должны создать модель атрибуции Google Analytics, идентичную модели, используемой партнерской системой, модель «Последний партнерский клик».

Вы должны изменить модель последнего взаимодействия и присвоить конверсию последнему клику партнерской ссылки: модель присвоения филиалов.

В Google Analytics по умолчанию включена модель последнего клика AdWords, поэтому вы должны ее изменить.

В нашей новой, пользовательской модели последней рекламы AdWords вам необходимо определить резервную модель и привязать конверсии к последнему клику партнера - если на пути преобразования не было кликов AdWords.

Сравнение этих двух моделей показывает, насколько AdWords и партнерский трафик перекрываются.

В приведенном ниже примере анализ показал, что 86 процентов конверсий, заявленных партнерской системой, сделаны пользователями, которые также нажали на объявление AdWords.

Дальнейший анализ сосредоточился на сегменте конверсии, включающим перекрывающийся трафик.

Измененная линейная модель, в которой конверсия относится только к AdWords и партнерской системе, показала, что трафик AdWords происходит на общих дорожках конверсии в пару раз чаще, чем филиалы.

Модели, основанные на позиции и времени затухания показали, что для конверсий, заявленных как AdWords, так и аффилированными лицами, посещения AdWords чаще и имеют более высокий уровень участия.

На основе этих данных рекламодатель может оценить, что значение конверсии партнерского трафика в два раза меньше, чем в AdWords, что намного меньше, чем заявлено партнерской системы.

В приведенном выше примере результаты анализа не дали однозначных ответов о влиянии партнерской программы на общий объем конверсий, а также на то, как относить долю в «общих» конверсиях между AdWords и аффилированными лицами.

Однако нам удалось подтвердить, что:

  • Google Analytics сообщает о конверсиях правильно.
  • AdWords и партнерские программы сильно перекрываются.
  • Сравнение различных моделей позволило установить диапазон «от-до» атрибуции и оценить вероятность различных сценариев. Выводов было достаточно для принятия бизнес-решений&

Как увеличить продажи с использованием лучшей модели атрибуции?

Моделирование атрибуции можно сравнить с системой бонусов на предприятии.

Кто должен получать более высокий бонус?

Некоторые люди говорят продавцов, потому что их работа напрямую влияет на результат продаж. Высокие бонусы будут мотивировать их работать больше и привлечь лучших продавцов на рынок.

Этот подход, хотя и распространенный, также является недальновидным.

Если продукт не является инновационным и имеет старомодный дизайн, его может быть трудно продать. Компании с плохим управлением и логистикой могут испытывать трудности с доставкой проданного продукта. Плохое качество может увеличить возврат товара. Плохие отзывы заставят продавцов работать еще больше.

С другой стороны, хороший продукт может продаваться без дополнительных усилий. Продавцы, несмотря на меньшую процентную долю бонусов, могут заработать даже больше, если продукт хорошо продается.

По этой причине важно ценить не только продавцов, но и всю команду.

Attribution-modeling-company-example

Также в онлайн-маркетинге улучшенное моделирование атрибуции может помочь увеличить продажи.

Вывод

Моделирование атрибуции не является самоцелью. Это инструмент, который помогает лучше понять сложность многоканальных конверсионных последовательностей и создать гипотезы относительно ценности конкретных каналов.

Оригинал статьи

Святослав

Святослав

Управляющий партнер, эксперт в digital-маркетинге

Как найти идеальную модель атрибьюции