что такое атрибуция в маркетинге
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.
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:
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
Маркетинговый аналитик
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:
Типичные проблемы при внедрении аналитики в компании
Умение продвигать решения — и другие неочевидные навыки для аналитика
Почему специалисты из традиционных сфер приходят в аналитику и Data Science
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.
Моделирование атрибуции в маркетинге
Атрибуция в маркетинге долгое время считалась одной из самых неприятных аналитических задач. Но объединив сырые данные (raw data), SQL и dbt (Data Build Tool) ранее такая сложная задача может стать невероятно простой.
Атрибуция в маркетинге — это по сути ваше понимание механизмов и тактик маркетинга, которые способствуют привлечению новых клиентов в ваш бизнес. Рано или поздно каждому аналитику предстоит углубиться в дремучий лес маркетинговой атрибуции, ведь это критически важная информация, которая необходима каждой маркетинговому отделу в мире. Если вам будет интересно познать степень опечаленности ваших коллег при упоминании маркетинговой атрибуции, просто просмотрите цепочку комментариев под этим твитом (лично я остановился после 50-ого):
В чем проблема с маркетинговой атрибуцией для SaaS?
Смог ли кто-нибудь выработать к ней подход или это гиблое дело?
Что на счет разных моделей: first-touch, last-touch, linear, decay, the works.
И прошу, только не заливайте мне о Google Analytics.
Что вы там найдете:
Продукты, которые стоят тысячи долларов в месяц, чаще всего построены по “принципу черного ящика” без какого либо намека на прозрачность.
“Простые”, “готовые” решения, которые стоят недорого, предлагают анализ только ограниченного объема данных.
Маркетологов, которые полностью опустили руки (просто действуют наобум) и измотаны обещаниями вендоров.
По мнению маркетологов, атрибуция — это задача обработки данных: “Просто получите эти данные, и у вас сложится полная картина того, что работает!” — но на самом деле, это задача моделирования данных. Логика за вашей моделью атрибуции, а именно то, что данные говорят о вашем бизнесе, также важна, как и сами данные. И эта логика будет меняться в зависимости от вашего бизнеса. Вот почему так много продуктов для атрибуции не работают на практике.
Так что же вам действительно необходимо для построения модели атрибуции?
Собственно на этом все! Добавив SQL поверх сырых данных, как результат, вы получите следующее:
Самую дешевую модель атрибуции. В этом руководстве предполагается, что вы работаете с современным стеком данных, и уже обладаете всей необходимой инфраструктурой:
Данные о событиях вы собираете, например, с помощью инструментов Snowplow или Segment (хотя Segment может быть дороговат);
Данные с рекламных платформ извлекаете с помощью Stitch или Fivetran;
Загружаете данные в современное облачное хранилище данных, такое как Snowflake, BigQuery или Redshift;
Используете dbt, чтобы ваши аналитики могли моделировать данные в SQL.
2. Самую гибкую модель атрибуции. Вы владеете бизнес-логикой и можете расширять ее по своему усмотрению и легко менять, подстраивая под изменения в бизнесе
3. Самую прозрачную модель атрибуции. Вам не нужно полагаться на логику вендоров. Если ваш отдел продаж считает, что ваша атрибуция неверна, покажите им dbt-доки, пройдитесь с ними по логике вашей модели и внесите изменения с помощью одной строки SQL.
Атрибуция в маркетинге подразумевает большие наборы данных, и это действительно интересная инженерно-аналитическая задача. Давайте же рассмотрим, как построить лучшую модель атрибуции, которую когда-либо видел ваш бизнес.
Атрибуционная модель данных
На самом деле невозможно точно сказать, почему тот или иной человек становится вашим клиентом. Лучшее, что мы можем сделать, как аналитики, чтобы подобраться к сути — это сделать довольно хорошее предположение. Для этого мы собираемся использовать подход, называемый позиционной атрибуцией (positional attribution). По сути, это означает, что мы будем взвешивать важность различных касаний (touch — взаимодействие клиента с брендом) в зависимости от их положения (порядка, в котором они происходят на протяжении жизненного цикла клиента).
Для этого мы собираемся построить таблицу, содержащую каждое “касание” (touch), которое предшествовало тому, как конкретный человек стал клиентом, и канал, который привел к этому касанию.
Затем мы оцениваем относительный вес каждого касания, которое привело к конверсии. Эта оценка выполняется путем присвоения касаниям «баллов»: каждая конверсия приносит ровно один балл, и этот балл делится между касаниями клиента. Существует четыре основных способа распределить этот балл:
First touch: приписать заслугу за всю конверсию первому касанию.
Last touch: приписать всю конверсию последнему касанию.
Forty-twenty-forty: приписать 40% (то есть 0,4 балла) к первому касанию, 40% к последнему касанию, и оставшиеся 20% разделить между всеми касаниями поровну.
Linear: разделить балл поровну между всеми касаниями.
Нет однозначного и быстрого ответа на вопрос, какой метод атрибуции вам следует использовать — обсудите со своим отделом маркетинга, что больше всего подходит для вашей компании.
В общем, вот примерно то, с чем мы будем работать (на примере электронной коммерции)
CUSTOMER_ID
SESSION_ID
STARTED_AT
UTM_SOURCE
UTM_MEDIUM
UTM_CAMPAIGN
CONVERTED_AT
FIRST_TOUCH_POINTS
LAST_TOUCH_POINTS
FORTY_TWENTY_FORTY_POINTS
LINEAR_ATTRIBUTION_POINTS
Здесь мы видим, что у клиента 745 было четыре взаимодействия до конверсии: он сначала перешел на ваш сайт по рекламе в Facebook, затем он попал туда через Adwords-рекламу, и, наконец, посетили ваш сайт, введя URL-адрес прямо в браузер (дважды!) перед покупкой.
Если вы сразу готовы погрузиться в dbt-проект, чтобы увидеть, как это все работает, вы можете ознакомиться с нашим примером проекта атрибуции здесь. Если нет, то далее для вас последует подробный разбор.
Как построить модель атрибуции
1. Соберите необходимые источники данных
Сессии:
Нам нужна таблица, которая отражает каждый раз, когда клиент взаимодействует с нашим брендом. Для компаний электронной коммерции самое близкое, чем мы можем воспользоваться, — это сессии (sessions, сеансы). (Если же вы работаете в B2B организации, вам скорее всего больше подойдут таблицы взаимодействий между вашим отделом продаж и потенциальным клиентом из вашей CRM).
Сессии — это дискретные периоды активности клиентов на сайте. Отраслевые стандарты определяет сессию как серию действий, за которыми следует 30-минутное окно без какой-либо активности.
SESSION_ID
CUSTOMER_ID
STARTED_AT
ENDED_AT
UTM_SOURCE
UTM_MEDIUM
UTM_CAMPAIGN
Стоит отметить, что сессии также содержат реферальную информацию, которая помогает нам понять откуда пришел клиент. Эти UTM-теги часто устанавливаются отделом маркетинга, поэтому всегда стоит сначала проверить, есть ли у них какая-либо таблица, определяющая теги, которая использует ваша компания. Точная иерархия для source, medium и campaign часто варьируется от бизнеса к бизнесу. Вот что говорится по этой теме в доках Google Analytics:
utm_source: рекламодатель, сайт, публикация и т. д., который направляет трафик на ваш ресурс, например: google, newsletter (рассылка по электронной почте), billboard (баннер).
utm_medium: рекламное или маркетинговое средство, например: cpc, баннер, рассылка по электронной почте.
utm_campaign: имя кампании, слоган, промокод и т. д. применимые к продукту.
Для создания таблицы сессий, на вашем сайте должна быть реализована система отслеживания событий, которая генерирует запись по факту каждого просмотра страницы. Если вы используете бесплатную версию Google Analytics, к сожалению, невозможно получить такой уровень детализации в ваших данных. Вместо того, чтобы тратить более 100 тысяч долларов в год на Google Analytics 360 для получения доступа к исходным данным, мы рекомендуем вам использовать опенсорсную альтернативу — Snowplow. Если ваша команда уже использует Segment или Heap, то это тоже хорошие альтернативы Google Analytics.
После того, как данные о просмотрах страниц уже есть в вашем хранилище, вам нужно будет сделать две вещи:
Разбивка на сессии (sessionization): агрегировать эти просмотры страниц в сессии, добавив логику, которая определяет промежутки продолжительностью 30 минут или более.
2. Связывание пользователей (user stitching): если пользователь впервые посещает ваш сайт без какой-либо идентифицирующей информации (обычно это “customer_id” или “email”), а затем по прошествии какого-то времени конвертируется, его предыдущие (анонимные) сессии нужно обновить, закрепив их за этим пользователем. Ваша система веб-отслеживания должна уметь связывать эти сессии вместе.
Такого рода моделирование — достаточно сложная задача, особенно для компаний с тысячами просмотров страниц в день (Спасибо, Господи, за инкрементальные модели). К счастью, кое-кто очень умный написал пакеты, которые сделают за вас всю тяжелую работу, независимо от того, отслеживаются ли просмотры ваших страниц с помощью Snowplow, Segment или Heap. Пользуйтесь этими благами, установив соответствующий пакет для преобразования данных.
Конверсии:
Вам также нужно знать, когда клиент совершил конверсию. Обычно для компании электронной коммерции это факт совершения первого заказа этим клиентом.
CUSTOMER_ID
CONVERTED_AT
2. Найдите все сессии предшествующие конверсии
Мы хотим ограничить наш анализ только сессиями, которые произошли до конверсии. Для этого нужно объединить два источника данных:
Мы часто ограничиваем сессии, которые засчитываются для атрибуции, только сессиями в течение 30 дней, предшествующих конверсии (что часто называют “окном атрибуции”). Это имеет особый смысл, когда у вас есть четкое представление о пути конверсии, который находится в определенном временном диапазоне; если вы будет засчитывать древние касания, это может привести к получению странных или бесполезных данных.
3. Рассчитайте общее количество сессий и их индексы
Необходимая SQL-техника: оконные функции.
Когда мы ограничились только сессиями, предшествующими конверсии, нам нужно узнать следующую информацию:
Сколько сессий было у этого клиента до конверсии? ( total_sessions )
Каков порядковый номер каждой сессии в рамках каждой конкретной группы сессий? ( session_index )
Эти поля формируют основу для расчета количества баллов атрибуции, присваиваемых каждой сессии.
3. Распределите баллы
Наконец-то! Вы построили свою модель атрибуции! По этим баллам вы можете определить, какой канал и кампания привели к наибольшему количеству конверсий с течением времени. Выполнение такого рода агрегирования мы уже оставим нашим бизнес-аналитикам:
В зависимости от вашего инструмента бизнес-аналитики вы также можете подумать над созданием интерфейсов, позволяющих заинтересованным сторонам (стейкхолдерам) переключаться между методологиями атрибуции и уровнем агрегации (отчеты по дням, неделям и месяцам, а также группировка по кампаниям, источникам или средствам).
Но погодите-ка, почему мы отталкиваемся здесь от даты конверсии, а не от даты сессии? Когда происходят сессии, мы не знаем, приведут ли они к конверсиям (и когда, если приведут). В результате, если мы будем группировать все по дате сессии, наши коэффициенты конверсии продолжат расти от недели к неделе.
Для маркетингового отдела это может затруднить принятие решений, поскольку цифры всегда меняются. Поэтому вместо того, чтобы отвечать на вопрос “какое количество сессий Facebook привело к конверсиям на этой неделе?”, мы выбираем ответить на вопрос “сколько конверсий на этой неделе было результатом сессий Facebook?” Теперь, когда ваш отдел маркетинга знает, какие каналы ведут к наибольшему количеству конверсий они могут спросить: “Какой канал приводит к наиболее ценным конверсиям?”
4. [Бонус] Добавьте показатели дохода
Если у вас есть долларовая стоимость конверсии, вам следует присоединить ее к своей модели!
Просто умножьте свои баллы на ценность конверсии:
Теперь, когда ваш отдел маркетинга знает, какие каналы ведут к наиболее ценным конверсиям, они могут спросить “какой канал обеспечивает максимальную окупаемость наших затрат? «
5. [Бонус] Добавьте данные по расходам на рекламу
Для этого вам необходимо поместить в свое хранилище данные с каждой платформы, на которую вы тратите деньги (Adwords, Facebook, Instagram, Bing и т. д.). Мы используем Stitch и Fivetran для доступа к API всех рекламных платформ и загрузки этих данных в наше хранилище. Поскольку эти источники данных загружаются в формате источника (т.е. столбцы и таблицы именуются API платформы, а не нами), вам необходимо преобразовать их, чтобы получить согласованную структуру, а затем объединить их все вместе.
Что означает атрибуция в маркетинге
Соберите все данные для сквозной аналитики вместе с OWOX BI
Соберите все данные для сквозной аналитики вместе с OWOX BI
Согласно исследованиям Gartner более ⅔ рекламного бюджета сегодня приходится на онлайн каналы. Любая компания, вкладывая в свои рекламные кампании значительные бюджеты, подозревает, что далеко не все эти вложения прибыльны. Поэтому все чаще компании начинают задаваться вопросом: как увидеть и оценить эффективность вложений в онлайн и оффлайн маркетинг?
В нашей статье мы рассмотрим, что такое атрибуция, как она помогает компаниям, а также разберем типичные ошибки и сложности маркетологов и аналитиков в работе с атрибуцией.
Содержание
Запишитесь на демо, и мы на наглядных примерах покажем вам, как работает атрибуция в OWOX BI
Определение атрибуции в маркетинге
Модель атрибуции в веб-аналитике — это набор правил, которые определяют вклад каждого рекламного канала в продажи или другие целевые действия.
Другими словами, целью атрибуции является определение того, какие рекламные каналы и кампании оказали наибольшее влияние на принятие решения о покупке или о переходе на следующий шаг воронки.
Компании используют разные модели атрибуции, чтобы определить как, где и когда покупатель взаимодействует с брендом. Благодаря этим данным маркетологи изменяют и улучшают рекламные кампании, увеличивая показатели ROAS.
Примечание: согласно отчету Ad Roll за 2017 год — 4 из 5 компаний в таких регионах, как Европа, Северная Америка и Азия, используют атрибуцию в маркетинге, а 51% организаций считает атрибуцию самой важной частью маркетинга.
бонус для читателей
Сравнительная таблица с моделями атрибуциии
Почему стоит использовать атрибуцию?
В идеальном мире клиенты совершают покупки сразу же после первого просмотра рекламы. Однако в реальности все существенно сложнее. Например, один из возможных вариантов развития событий выглядит так:
Как же узнать, какой из каналов привел к покупке? Тут на помощь приходит атрибуция. Именно она поможет разобраться, как рекламные каналы повлияли на конверсию. Выбрав правильную модель атрибуции для вашей компании, вы увидите, как необходимо распределить рекламный бюджет для повышения ROAS. Соответственно, это поможет увеличить доход и уменьшить расходы.
Существующие модели атрибуции можно разделить по следующим категориям:
Примечание: о сравнении разных моделей атрибуции можно прочитать в нашей подробной статье.
Если вы хотите попробовать ML Funnel Based модель OWOX BI, которая распределяет ценность на основе влияния канала на движение пользователя по воронке, воспользуйтесь бесплатным 7-ми дневным пробным периодом.
Трудности при работе с атрибуцией
Согласно исследованиям Ad Roll — 59% компаний пробовали работать с атрибуцией, но из-за недостатка знаний прекратили ее использование. В реальности большинство маркетологов не имеют глубокого понимания атрибуции и испытывают сложности при работе с ней. В отчете Ad Roll также указывается, что 70% компаний затрудняются правильно использовать инсайты, полученные от данных атрибуции. И вот почему:
Более 35% компаний не могут корректно определить точки касания с клиентом. Для успешной атрибуции вам необходимо оценить все вовлеченные каналы. А с учетом омниканальности маркетинга довольно сложно контролировать каждый используемый канал.
Сложностей также добавляет тот факт, что один и тот же пользователь использует разные девайсы. С одной стороны — такая сеть соединенных устройств это новые горизонты возможностей для маркетологов. С другой стороны — как все это отслеживать?
К трудностям в работе с атрибуцией относятся еще и следующие:
Как видно, сложностей в применении атрибуции хватает. Однако, это не значит, что нужно отказываться от внедрения атрибуции, ведь с ней вы сможете вывести маркетинг на новый уровень.
Преимущества использования атрибуции
Несмотря на сложности в построении модели атрибуции, цель ее применения весьма проста — оценка эффективности рекламных каналов. Благодаря результатам этой оценки вы решаете насколько эффективно вы тратите свой рекламный бюджет.
Ключевые преимущества использования атрибуции:
Благодаря атрибуции вы можете увидеть ценность как от каналов, возвращающих постоянных клиентов, так и от каналов, которые приводят новых пользователей.
Чтобы избежать сложностей в работе с атрибуцией, нужно во-первых, исключить ручной труд из работы с данными. Автоматический импорт данных из рекламных источников сервиса OWOX BI Pipeline соберет всю информацию о ваших рекламных кампаниях, сведет все в единую базу и предоставит широкие возможности для последующего анализа. В частности, настроить точные отчеты, что поможет вам найти полезные инсайты для работы.
А во-вторых, если пользоваться услугами специализированных сервисов таких, как OWOX BI Attribution, то большей части проблем с внедрением атрибуции можно избежать.
Настройка продукта не требует от вас углубленных технических знаний, а модель ML Funnel Based от OWOX BI учитывает все точки контакта с клиентом. Модель атрибуции рассчитывается как на онлайн-, так и на оффлайн-данных из вашей CRM-системы.
Если вам нужно индивидуальное решение, то аналитики OWOX BI всегда рады помочь.