Модели атрибуции: какие бывают и как помогают оценивать эффективность маркетинговых кампаний

Что такое модель атрибуции

Модель атрибуции — это алгоритм, по которому система аналитики присваивает конверсию, или достижение определённой цели, тому или иному маркетинговому каналу. Благодаря этой логике происходит распределение ценности между источниками трафика.

Каждая компания, которая продвигает свой бренд в интернете, использует различные каналы коммуникации с пользователями: контекстную и таргетированную рекламу, SEO, контент-маркетинг и другие источники. Редко бывает так, что пользователь совершает целевое действие после единственного касания с брендом: видит таргетированную рекламу во ВКонтакте, кликает по ней, оставляет заявку и совершает оплату.

На практике путь клиента от знакомства с продуктом до принятия решения включает несколько взаимодействий с источниками бренда. Это может выглядеть так:

• сперва пользователь видит рекламу в Яндексе → кликает по ней и переходит на сайт → уходит с сайта;
• затем он видит рекламу во ВКонтакте — она его привлекает → он кликает по ней → опять уходит с сайта;
• потом он вспоминает про продукт, увидев рекламу по телевизору → вводит в поисковике запрос с названием компании → переходит на сайт → оставляет заявку → оплачивает продукт.

На этом этапе возникает вопрос: какому рекламному каналу эту заявку или оплату присвоить. Ответ будет зависеть от модели атрибуции, которую мы выберем.

Грамотно подобранная модель атрибуции поможет эффективно распределить бюджет между рекламными кампаниями и найти те каналы, которые приносят бизнесу больше всего денег.

Какие модели атрибуции существуют

Все системы аналитики обладают разными техническими возможностями для формирования атрибуционных моделей, поэтому у каждой из них — свой набор атрибуций. При этом базовые модели примерно одинаковы во всех системах — их названия могут отличаться, но принцип работы остаётся примерно одинаковым.

В Нетологии мы используем систему сквозной аналитики Rick.ai, поэтому расскажем о стандартных атрибуциях на примере этого аналитического инструмента. Кроме того, рассмотрим не самые популярные модели, которые хорошо помогают оцифровывать определённые маркетинговые кампании. Их мы используем за счёт других внешних сервисов.

Для наглядности каждую модель атрибуции разберём на таком кейсе:

Last click

Last click, или последний переход, — самая популярная модель атрибуции. По ней конверсия присваивается последнему источнику в цепочке касания с пользователем. То есть весь доход в системе аналитики атрибутируется каналу, который привёл к целевому действию.

Last click показывает минимально возможный вклад источника в получение дохода. Если рекламные кампании — в большей степени платные каналы — рентабельны по этой модели атрибуции, их можно масштабировать. Эти каналы приводят замотивированных пользователей: горячую целевую аудиторию, которая готова купить продукт после клика по тому или иному рекламному объявлению.

Но если кампании по last click не окупаются — это ещё не означает, что их нужно отключать. Наш пример тому подтверждение. Доход принёс канал «прямой заход» — бесплатный источник трафика, который никак не масштабировать с позиции привлечения новых пользователей. Поэтому будет неправильно отключать Яндекс Директ и ВКонтакте, которые оказались нерентабельны.

Есть важный момент: last click не подходит для компаний, у которых много рекламных источников. Большие маркетинговые бюджеты, сложные сценарии привлечения пользователей, длинные циклы сделки — эта модель не покажет реальную картину происходящего.

Атрибуцию last click ещё можно найти в Яндекс Метрике и Google Analytics — название модели и её логика будут такими же, как в Rick.ai.

First click

First click, или первый переход, — атрибуция, по которой достижение цели присваивается не последнему, а первому источнику в цепочке касания с пользователем. Другими словами, заявка и оплата атрибутируются каналу, который привлёк пользователя самым первым.

First click хорошо показывает те источники трафика, которые заточены на привлечение и первое касание с пользователем. Они не подогревают интерес к покупке, но хорошо привлекают новый трафик. Если отключить эти каналы, бизнес, скорее всего, не сможет масштабироваться.

Но у first click есть минус: она игнорирует дальнейшие касания с пользователем. В кейсе мы видим, что по этой атрибуции таргетированная реклама — убыточный канал, а контекстная — рентабельный. От модели атрибуции как раз зависит то, как мы смотрим на источник и насколько он эффективен.

First click также есть в Яндекс Метрике и Google Analytics — с таким же названием и такой же логикой.

Top score

Top score — атрибуция, согласно которой важен любой канал коммуникации. По ней достижение цели присваивается всем рекламным кампаниям в цепочке касания с пользователем — от первого взаимодействия до совершения покупки. Все платные каналы, которые взаимодействовали с клиентом, а также бесплатные источники, которые непосредственно привели к покупке, увидят в системе аналитики заявку или оплату.

Если каналы по top score убыточны — затрат больше, чем дохода — то их нужно оптимизировать или в перспективе даже отключать. Когда экономика не сходится — это говорит о том, что касания с пользователем, которые мы совершаем на любом этапе, неэффективны.

Top score — разработка команды Rick.ai, поэтому её можно найти только в этой системе. В Google Analytics есть модель атрибуции Linear, при которой доход распределяется равными частями между всеми источниками трафика. Эта модель отличается от top score, но так же учитывает касание со всеми каналами.

Indirect free

Indirect free — атрибуция, которая присваивает заявку или оплату последнему платному источнику в цепочке касания с пользователем.

Indirect free определяет вклад платных каналов, когда бесплатные завершают путь пользователя до конверсии. Без этой модели атрибуции сложно понять, какие кампании помогают привлекать тех пользователей, которые в результате конвертируются через бесплатные источники.

По first click и last click ВКонтакте был бы убыточным источником. В реальности таргетированная реклама, скорее всего, очень хорошо подогрела пользователя и привела его на сайт. Да, он взял время на подумать, но в итоге вернулся и совершил целевое действие. С позиции этих атрибуций рекламу во ВКонтакте было бы логично выключить, но если смотреть по indirect free, то этот канал рентабелен.

В чистом виде атрибуция indirect free в других системах аналитики не представлена. В Яндекс Метрике есть модель «Последний значимый переход», а в Google Analytics — Last Non-Direct Click. Эти атрибуции присваивают доход последнему переходу, но не включают переходы из закладок и по прямым ссылкам. То есть конверсия атрибутируется последнему источнику трафика, но если это был прямой переход на сайт, то она уходит предшествующему источнику.

Это были стандартные атрибуции, которые так или иначе встречаются во многих системах аналитики и пользуются популярностью среди компаний. Теперь расскажем про модели, которые выходят за рамки возможностей Rick.ai — их мы используем за счёт других систем аналитики.

Post-view

Post-view — атрибуция, которая позволяет анализировать эффективность охватных размещений: баннеров и видеорекламы.

Эта модель присваивает достижение цели не после клика, а после того как пользователь увидел рекламное размещение и в течение 90 дней через какой-то другой канал зашёл на сайт. Post-view помогает отслеживать эффективность тех размещений, которые транслировались пользователю до момента совершения целевого действия.

Аналитика по post-view нужна исключительно для понимания эффективности охватных кампаний. Её не нужно использовать в вакууме для анализа всех рекламных размещений — это точечный инструмент для работы с медийными рекламными кампаниями.

Представим, что мы запустили медийную кампанию с видеобаннерами в Яндексе. Путь пользователя до конверсии может быть следующим:

• он видит наше видео в сети Яндекса → смотрит его, по ссылке в конце ролика не переходит, но запоминает бренд;
• затем через какое-то время он вспоминает про видеорекламу и наш бренд → вводит в поисковике Google название компании → переходит на сайт → оставляет заявку → оплачивает продукт.

По всем моделям атрибуции, что мы рассматривали ранее, доход был бы присвоен SEO-каналу — поисковой системе Google, поскольку пользователь не перешёл по ссылке в видео, а просто посмотрел его. Как раз для этого необходима модель post-view: в примере именно этот алгоритм присвоит конверсию ролику в Яндексе, даже несмотря на то, что пользователь не кликнул по ссылке.

Post-view аналитику позволяет проводить Яндекс Метрика для медийной рекламы.

Предиктивная атрибуция

Предиктивная атрибуция — модель, которая прогнозирует будущий доход от привлечённого пользователя. На основе машинного обучения система анализирует большое количество паттернов поведения на сайте, сопоставляет их друг с другом и выдаёт прогноз по каждому посетителю в разрезе рекламных кампаний. В итоге для каждого источника трафика мы получаем данные по возможному доходу.

Предиктивная атрибуция несёт огромную ценность для бизнеса, у которого длительный цикл сделки — когда пользователь не принимает решение в моменте, а откладывает его на потом. Такая модель помогает понять, принесут ли пользователи, которых мы сейчас приводим на сайт, доход в будущем. На основе таких данных можно принять решение о масштабировании или отключении рекламной кампании.

Для работы с предиктивной атрибуцией мы в Нетологии используем сервис Tomi.ai. Он позволяет в режиме реального времени видеть фактический доход по рекламным кампаниям и прогнозируемый доход, который получим от пользователей на дистанции 30 дней.

Выглядит это следующим образом:

Когда лучше выбрать ту или иную модель атрибуции

Выбор атрибуции всегда зависит от контекста и задачи определённого канала. Вот несколько примеров, когда стоит использовать ту или иную модель:

• каналы, которые ориентированы на привлечение новых конверсионных пользователей, стоит анализировать через модель first click;
• каналы, которые должны догревать пользователя до покупки, например, ретаргетинговые кампании, следует анализировать через модель last click и indirect free;
• если у нас насыщенный маркетинг-микс с большим количеством каналов и пересечений между каналами, то необходимо использовать атрибуцию top score;
• если нужно точечно проанализировать эффективность медийных рекламных размещений, то используем атрибуцию post-view;
• если у нас длительный цикл сделки и сложно принять решение о масштабировании канала в моменте на основе полученных данных, то обращаемся за помощью к предиктивной атрибуции.

Как анализировать рекламные кампании с помощью моделей атрибуции

Анализировать рекламные кампании и оценивать их эффективность можно по следующему алгоритму:

 Смотрим на атрибуцию top score: если по ней канал убыточен, то его необходимо дорабатывать — скорее всего, мы приводим пользователей, которые не замотивированы в покупке. Когда и после доработки нет улучшений, канал необходимо отключать. Если кампания по этой атрибуции в плюсе — это ещё не значит, что её нужно масштабировать. Лучше перейти к шагу два.

 Смотрим сразу на две атрибуции: last click и indirect free. Если по last click кампания в плюсе, то её можно масштабировать: добавлять больше денег и увеличивать результат, который уже есть. Если по этой атрибуции канал убыточен, проверяем его по indirect free, потому что знаем, что есть паттерн, когда последний платный источник важен, но last click его не учитывает. Если по indirect free кампания в плюсе, её также следует расширять, если в минусе — переходим к третьему пункту.

 Смотрим на first click: если по ней кампания прибыльна — значит, этот источник важен с точки зрения привлечения новых пользователей. Если отключим его, то, скорее всего, перекроем поток тех новых пользователей, которые в перспективе сделают оплату. Если по first click кампания убыточна, а по top score она в плюсе, то её необходимо доработать, чтобы она по last click или indirect free была также рентабельна. Отключать канал в таком случае не стоит.

Вернёмся к нашему кейсу и разберём его по этой инструкции.

Что мы имеем ↓

• по top score все каналы в плюсе — и Яндекс Директ, и ВКонтакте;
• при этом ВКонтакте рентабелен ещё и по indirect free, а Яндекс — по first click;
• по остальным атрибуциям оба канала убыточны.

Что делаем дальше ↓

В первую очередь нужно проверить, существует ли связка между каналами. Если во ВКонтакте настроен ретаргетинг, значит она есть: контекстная реклама в Яндексе пользователей привлекает, а таргетированная — их же подогревает. В этом случае не стоит отключать ни один канал, так как существует риск потерять потенциальный доход, зато можно смело масштабировать обе кампании.

Если ретаргетинг не настроен: работает обычная кампания для привлечения лидов на платные продукты, то мы можем масштабировать ВКонтакте, так как по indirect free этот канал в плюсе. Именно таргетированная реклама стала последним платным источником, который подогрел пользователя.

С Яндексом мы в таком случае ничего не делаем: оставляем как есть и смотрим, что будет происходить дальше. Если позже он будет приносить всё больше денег по first click — значит, этот канал тоже можно масштабировать, потому что с позиции привлечения он важен.

Опция оставить всё как есть — рабочая. В этом случае мы также, скорее всего, будем прибыльны, но не сможем использовать весь потенциал. Точка роста здесь — ВКонтакте, поэтому важно понимать, как ей пользоваться в связке с Яндексом.