Перед покупкой пользователь обычно взаимодействует с несколькими рекламными кампаниями. Согласно теории семи касаний, бизнесу нужно в среднем семь раз напомнить клиенту о предложении, чтобы покупка состоялась.
Все кампании влияют друг на друга и в конечном итоге приводят к конверсии. Для объективной оценки вклада каждой кампании применяют атрибуцию ― рассказываем, какие модели атрибуции существуют и какие считаются наиболее эффективными.
Команда OWOX BI
Когда маркетолог хочет повысить конверсию, не выходя за рамки бюджета, ему необходимо понимать, как работает модель атрибуции, которую он использует, и доверять результатам расчёта.
Неправильный выбор модели может привести к ошибочным решениям, потере времени и денег.
Например, маркетолог увидел в отчёте, что канал email не конвертирует пользователей, и отключил его. В результате конверсия снизилась в два раза. Оказалось, что люди, которые позднее совершали покупку, приходили именно из email — во взаимном влиянии каналов на конверсию у email была высокая эффективность и его нельзя было убирать. Сколько компания потеряла при этом зависит от бюджета.
Атрибуцию используют для ретроспективы и принятия решений
Атрибуция — это распределение ценности от конверсии между кампаниями, с которыми пользователь взаимодействовал. А модель атрибуции — это логика, по которой эта ценность распределяется.
Атрибуция помогает оценить результат кампаний и их эффективность для эффективного использования бюджета.
Например, у OWOX есть кейсы с клиентами, которые благодаря атрибуции в 2,2 раза увеличили ROI контекстной рекламы или на 10% снизили ДРР.
Выбираем модель атрибуции
Есть разные модели атрибуции. Их классифицируют в зависимости от логики расчётов. Идеальная модель должна быть точной и понятной, но большинство стандартных моделей соответствуют только одному из требований.
В самых распространённых моделях одного источника — по первому, последнему или последнему непрямому клику — вся ценность отдаётся одной кампании, которая принесла покупку. Однако у них есть большой недостаток: они игнорируют вклад остальных кампаний, которые участвовали в цепочке продаж.
Дробные модели — линейные модели с учётом давности взаимодействия, позиции — тоже достаточно простые в понимании, но не точные в оценке. Они распределяют ценность, исходя из позиции кампании в цепочке, а не её объективного вклада в конверсию.
Некоторые маркетологи применяют ассоциированные конверсии, чтобы оценить дисплейные кампании. Такая модель присваивает ценность каждой кампании, с которой было взаимодействие. Но такой подход искажает оценку, потому что учитывает только наличие кампании в цепочке и игнорирует степень её влияния.
Например, охватные кампании получат ценность всех конверсий, которые совершили пользователи, видевшие баннеры. В результате, если считать сумму атрибутированных конверсий, то она существенно превысит количество конверсий.
Современные рекламные сервисы ставят в приоритет точность и развивают вероятностные модели атрибуции.
У Google есть модель Data-Driven, у Facebook — Conversion Lift, у Nielsen — Campaign Lift, у OWOX BI — ML Funnel Based Attribution. Эти модели становятся стандартом рынка со стороны рекламных сервисов и крупных решений в области аналитики.
Рассмотрим их подробнее.
Вероятностные модели позволяют получить наиболее достоверную и точную информацию
Вот несколько визуализаций, которыми разработчики вероятностных моделей иллюстрируют логику их работы.
Модели достаточно похожи.
Основной принцип вероятностных моделей заключается в том, что они показывают, как присутствие того или иного канала или креатива в цепочке влияет на вероятность конверсии.
В то же время эти модели в большинстве случаев не раскрывают алгоритм расчётов. Например, алгоритм Conversion Lift, который работает на стороне Facebook, — это некий чёрный ящик, который проводит расчёты и выдаёт результаты оценки. Допустим, есть две группы. Одна из них видела предложенный креатив, а другая – нет. Конверсия между ними отличается на N%.
Ещё одна их особенность в том, что они предоставляют ограниченные возможности тонкой настройки вплоть до полного её отсутствия. Например, в них невозможно:
- исключить из расчётов атрибуции какие-либо кампании;
- учесть кампании из других рекламных сервисов;
- влиять на длину конверсионного окна.
Модель атрибуции OWOX BI также оценивает вероятность совершения конверсии, но делает это на уровне сессий и показов:
В примере выше мы видим три сессии, которые были у пользователя. Во время показа дисплейной рекламы у него вероятность конверсии 20%, во время захода на сайт она увеличилась до 70%, а в третьей сессии — ретаргетинга — пользователь сделал покупку.
По модели атрибуции OWOX BI ценность конверсии распределяется по сессиям пользователя на основе увеличения вероятности конверсии:
Ценность распределяется в соответствии с приростом вероятности. Вначале вероятность увеличилась от нуля до 20%, поэтому первая сессия получила ценность 20%. Потом вероятность увеличилась от 20% до 70%, а ценность составила 50%. И на последнюю сессию, в которой была транзакция, осталось 30% ценности. К тому же атрибуция OWOX BI прогнозирует ценность сессий, которые ещё не привели к конверсии и предобучена на рыночных данных.
Профессия- Сможете управлять стратегией в маркетинге при помощи данных и использовать их для роста бизнеса и увеличения прибыли
- Добавите четыре кейса в портфолио
- Получите помощь с трудоустройством
Марго Кашуба
Маркетинг-директор OWOX BI
Многие компании только идут к тому, чтобы иметь объективную оценку влияния каждого канала маркетинга на конверсию и их взаимное влияние. Большинство использует атрибуцию по последнему непрямому клику, хотя планирует внедрить мультиканальную атрибуцию.
Но ещё лучше не просто анализировать прошлое, где уже ничего нельзя исправить и остаётся только сделать вывод, но и прогнозировать будущее. Сейчас уже есть возможность автоматически корректировать маркетинговые усилия и ставки в рекламе в зависимости от предсказанной вероятности совершения конверсии пользователем.
Я верю, что в ближайшем будущем мы будем управлять маркетинговыми активностями и бюджетом на основе прогнозов и с учётом вероятности конверсии, ожидаемого дохода и будущего LTV. Уже сейчас достаточно данных и технологий, чтобы внедрять такой подход.
Что в итоге
Выбор подходящей модели атрибуции позволит оптимально распределять рекламный бюджет — поможет снижать расходы и увеличивать доход. В идеале используемая модель атрибуции должна быть достоверной и учитывать объективный вклад каждого усилия, а также прозрачной — давать возможность понять и проверить результаты расчёта. Лучше всего этим требованиям соответствуют вероятностные модели атрибуции.
Вероятностные модели атрибуции подходят компаниям, которые хотят:
- использовать множество рекламных каналов;
- выстроить сложную воронку продаж, так как покупка совершается не в первой сессии;
- фиксировать каждый шаг пользователя и объективно оценивать вклад каждой рекламной кампании в конверсию;
- знать эффективность рекламных кампаний до того, как потратить на них бюджет;
- учитывать офлайн-данные об исполняемости заказов из CRM и ROPO-эффект;
- гибко настраивать модель атрибуции под особенности бизнеса.
Мнение автора и редакции может не совпадать. Хотите написать колонку для Нетологии? Читайте наши условия публикации. Чтобы быть в курсе всех новостей и читать новые статьи, присоединяйтесь к Телеграм-каналу Нетологии.
Команда OWOX BI