Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов
Разобраться

Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов

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.

Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов

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.

Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов
Пример распределения ценности конверсии между каналами — платный трафик, ретаргетинг, письмо — по модели атрибуции по последнему клику

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.

Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов
Как распределяется ценность конверсии между каналами — платный трафик, органика, письмо, прямой трафик — по модели атрибуции с учётом давности взаимодействия

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.

Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов
Ценность конверсии между каналами по модели атрибуции «ассоциированные конверсии»

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.

Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов
Google Data-Driven: участие дисплейной рекламы в цепочке из поискового и email-канала увеличило вероятность конверсии на 50%

Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов
Facebook Conversion Lift: среди пользователей, которые видели рекламу, конверсия выше

Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов
Nielsen Campaign Lift: среди пользователей, которые видели рекламу, конверсия выше

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:

Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов

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:

Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов

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.

Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов Профессия

Маркетинговый аналитик

Узнать больше

  • 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

Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов

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.

Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов

Команда OWOX BI

Почему маркетологи выбирают вероятностные модели атрибуции для расчёта эффективности рекламных каналов