В маркетинге атрибуция, также известная как мультисенсорная атрибуция, представляет собой идентификацию набора действий пользователя («событий» или «точек взаимодействия»).), которые тем или иным образом способствуют достижению желаемого результата, а затем присваивают значение каждому из этих событий. Маркетинговая атрибуция обеспечивает уровень понимания того, какая комбинация событий в каком конкретном порядке побуждает людей к желаемому поведению, обычно называемому конверсией.
История
Корни маркетинговой атрибуции восходят к психологической теории атрибуции. По мнению большинства пользователей, нынешнее применение теории атрибуции в маркетинге было вызвано переходом расходов на рекламу с традиционной офлайн-рекламы на цифровые медиа и расширением данных, доступных через цифровые каналы, такие как платный и обычный поиск, дисплей и электронный маркетинг.
Концепция
Цель маркетинговой атрибуции — количественно оценить влияние каждого рекламного показа на решение потребителя принять решение о покупке или преобразовать. Видимость того, что, когда и в какой степени влияет на аудиторию, позволяет маркетологам оптимизировать расходы на средства массовой информации для конверсии и сравнивать ценность различных маркетинговых каналов, включая платный и обычный поиск, электронная почта, аффилированный маркетинг, медийная реклама, социальные сети и многое другое. Понимание всего пути конверсии во всем маркетинг-миксе снижает точность анализа данных из разрозненных каналов. Как правило, данные атрибуции используются маркетологами для планирования будущих рекламных кампаний и информирования об эффективности предыдущих кампаний путем анализа того, какие места размещения в СМИ (реклама) были наиболее рентабельными и влиятельными, что определяется такими показателями, как рентабельность инвестиций в рекламу (ROAS) или цена за лида (CPL).
Модели атрибуции
В результате разрушения, вызванного быстрым ростом интернет-рекламы за последние десять лет, маркетинговые организации имеют доступ к значительно больше данных для отслеживания эффективности и рентабельности инвестиций. Это изменение повлияло на то, как маркетологи измеряют эффективность рекламы, а также на разработку новых показателей, таких как цена за клик (CPC), цена за тысячу показов (CPM), цена за действие / приобретение (CPA).) и конверсии по клику. Кроме того, с течением времени появилось множество моделей атрибуции, поскольку распространение цифровых устройств и огромный рост доступных данных подтолкнули к развитию технологии атрибуции.
- Атрибуция из одного источника. В моделях (также как и в модели атрибуции одним касанием) вся ценность присваивается одному событию, например последнему клику, первому клику или последнему каналу для показа рекламы (просмотр публикации). Простая атрибуция или атрибуция по последнему клику широко считается менее точной, чем альтернативные формы атрибуции, поскольку она не учитывает все факторы, которые привели к желаемому результату.
- Дробная атрибуция включает равные веса, временной спад, кредит клиента, а также модели с мультитач / кривой. В моделях с равным весом событиям присваивается одинаковое количество баллов, в кредитах клиентов используется прошлый опыт, а иногда и просто догадки для распределения кредита, а мультитач присваивает различные кредиты по всем точкам взаимодействия на пути покупателя на заданные суммы.
- Алгоритмическая или вероятностная атрибуция использует методы статистического моделирования и машинного обучения для определения вероятности конверсии по всем маркетинговым точкам взаимодействия, которые затем можно использовать для взвешивания ценности каждой точки взаимодействия, предшествующей конверсии. Также известная как атрибуция на основе данных Doubleclick Google и Google Analytics 360 используют сложные алгоритмы для анализа всех различных путей в вашем аккаунте (как неконвертирующих, так и конвертирующих), чтобы выяснить, какие точки соприкосновения больше всего помогают с конверсиями. Алгоритмическая атрибуция анализирует как конверсионные, так и неконвертирующие пути по всем каналам, чтобы определить вероятность конверсии. С вероятностью, присвоенной каждой точке взаимодействия, веса точек взаимодействия можно агрегировать по параметрам этой точки взаимодействия (канал, место размещения, объявление и т. Д.), Чтобы определить общий вес для этого параметра.
Построение алгоритмической модели атрибуции
Методы двоичной классификации на основе статистики и машинного обучения можно использовать для построения соответствующих моделей. Однако важным элементом моделей является интерпретируемость модели; поэтому логистическая регрессия часто уместна из-за простоты интерпретации коэффициентов модели.
Поведенческая модель
Предположим, что наблюдаемые рекламные данные: <(X i, A i, Y i)>i = 1 n , A_ , Y_ ) > _ ^ > где
Модель потребительского выбора
u = ∑ k A β k ψ (x) + ϵ A beta ^ psi (x) + epsilon>
Ковариаты, X , как правило, включают различные характеристики объявления. показанные (объявление, размер, кампания, маркетинговая тактика и т. д.) и описательные данные о потребителе, увидевшем рекламу (географическое положение, тип устройства, тип ОС, так далее.).
Теория полезности
Противодействующая процедура
Важной особенностью подхода к моделированию является оценка потенциального результата для потребителей, предполагающего, что им не показывали рекламу. Поскольку маркетинг не является контролируемым экспериментом, полезно получить потенциальные результаты, чтобы понять истинный эффект маркетинга.
Приведен средний результат, если все потребители увидели одну и ту же рекламу по
μ a = EY ∗ (a) Y ^ (a)>
Маркетолог часто интересуется «базой» или вероятностью того, что потребитель совершит конверсию без находясь под влиянием маркетинга. Это позволяет маркетологу понять истинную эффективность маркетингового плана. Общее количество конверсий за вычетом «базовых» конверсий даст точное представление о количестве конверсий, вызванных маркетингом. «Базовая» оценка может быть аппроксимирована с использованием производной логистической функции и потенциальных результатов.
После получения основания дополнительный эффект маркетинга можно понимать как превышение «базы» для каждого объявления, предполагая, что другие не были замечены в потенциальном результате. Этот подъем над основанием часто используется в качестве веса для этой характеристики в модели атрибуции.
С После построения весов маркетолог может узнать истинную долю конверсий, вызванных различными маркетинговыми каналами или тактиками.
Маркетинговый комплекс и модели атрибуции
В зависимости от маркетингового комплекса компании они могут использовать различные типы атрибуции для отслеживания своих маркетинговых каналов:
- Интерактивная атрибуция относится к измерению только цифровых каналов, в то время как многоканальная атрибуция относится к измерению как онлайн, так и офлайн каналов.
- Атрибуция на основе аккаунта означает измерение и присвоение кредита компании в целом, а не отдельным людям, и часто используется в маркетинге B2B.
Источник: alphapedia.ru
Анализ данных: Сравнение атрибуции и инкрементальности для эффективного маркетинга | Mobio
Стремление к совершенству и эффективности является постоянной задачей, в том числе и в маркетинге. Если бы мы только могли зафиксировать каждую точку соприкосновения, взаимодействие и шаги на пути пользователя, мы бы оказались в маркетинговом раю, ведь со всеобъемлющими знаниями в нашем распоряжении ни один доллар не был бы потрачен впустую, и ни одна реклама не пошла бы по ложному следу. На сегодняшний день у нас есть два ключа к измерению влияния рекламы — атрибуция и инкрементальность. Как коррелируют и взаимодействуют эти понятия для оценки и анализа эффективности рекламных кампаний в эпоху cookies-кризиса и отказа от IDFA и GAID — Mobio разберёт в этой статье.
Понятия атрибуция и инкрементальность часто смешивают вместе, однако это совсем не одно и то же, что подтверждают и рекламные площадки, и аналитические сервисы.
Понимание их ключевых различий имеет решающее значение для навигации в хитросплетениях анализа данных и оптимизации стратегий кампаний.
Понятия атрибуции и инкрементальности
Атрибуция: распределение заслуг
Фокусируется на распределении заслуг между различными точками касания на пути клиента, стремясь понять, какие каналы или тактики способствовали определенной конверсии. Иными словами, атрибуция осуществляет увязку взаимодействия пользователя с рекламой, например, показов и кликов, с его покупательским поведением. Например, представьте себе путь клиента, где человек видит рекламу в социальных сетях, затем ищет товар в Google и, наконец, совершает покупку через приложение. Модели атрибуции будут присваивать заслуги каждой точке контакта на основе заранее определенных правил, таких как первое или последнее взаимодействие, наиболее значимая точка контакта или взвешенное распределение. (Различные модели атрибуции, включая Click Through, View Through, Last Touch, First Touch, Multi-Touch и другие мы рассматривали в своей статье).
Однако мы знаем, что на решения о покупке (загрузке) влияют многочисленные факторы, такие как ценность бренда, WOM (сарафанное радио), оффлайн-кампании и выход нового фильма с Брэдом Питтом. В связи с этим возникает вопрос о приписывании всех доходов исключительно рекламе, на которую отозвался пользователь. К сожалению, модели атрибуции не могут учесть эти дополнительные факторы, хотя и представляют собой отличный инструмент для быстрого принятия решений.
Инкрементальность: измерение истинного воздействия
Если атрибуция фокусируется на распределении заслуг, то инкрементальность глубже проникает в причинно-следственные связи маркетинговой деятельности. Ее цель — понять дополнительное воздействие конкретных маркетинговых усилий путем сравнения результатов органики и рекламной кампании. (Более подробно мы рассматривали инкрементальность и способы ее измерения в своей статье). Сам процесс измерения инкрементальности довольно длительный, дорогостоящий и представляет собой вычислительно-жизнеспособную модель, которая охватывает рандомизацию, машинное обучение, перекрестную валидацию, подсчет баллов и атрибуцию причинно-следственных эффектов рекламы. Вот так сложно может выглядеть только один небольшой этап расчетов:
Взаимосвязь: взаимодополняющие понятия
Хотя атрибуция и инкрементальность подходят к измерению с разных сторон, они дополняют друг друга — атрибуция помогает определить точки соприкосновения, которые влияют на конверсии, а инкрементальность помогает измерить степень, в которой эти точки соприкосновения действительно приводят к дополнительным результатам. Например, атрибуция может показать, что значительное количество конверсий приписывается рекламе в социальных сетях. Однако анализ инкрементальности позволяет выяснить, являются ли эти конверсии следствием рекламы или произошли бы и без нее, а также в какой именно степени рекламные объявления привлекли пользователей и совпадают ли эти данные с цифрами атрибуции.
Плюсы и минусы атрибуции и инкрементальности
Когда возникает необходимость
в инкрементальных тестах
Эти тесты могут быть трудоемкими и дорогостоящими, поэтому на них лучше всего сосредоточиться в ситуациях, где проблема инкрементальности становится очевидной. На практике инкрементальность следует протестировать, если между целевыми действиями, приписанными каналу, и фактическим количеством целевых действий, полученных в результате его использования, существует значительная разница (более 10-15%). Что может спровоцировать такую ситуацию:
- Сильное присутствие бренда
Если у вас есть устоявшийся бренд с известной репутацией, сформированной предыдущими рекламными кампаниями или циклами роста, роль органической осведомленности о бренде становится значительной, даже если она собирается через платные каналы.
- Длинный цикл транзакции
Если ваш продукт проходит долгий путь от знакомства с брендом до покупки, он с большей вероятностью столкнется с проблемами атрибуции.
- Изменения внешних факторов
Изменения внешних факторов, например, проблемы с отслеживанием из-за IDFA или изменения в логике cookies-файлов браузера, могут повлиять на измерение атрибуции.
- Накрутка лидов (фрод)
Если ваш трафик переполнен, например, недобросовестными партнерами, перепродающими ваш собственный органический брендовый трафик, это может породить скликивание рекламных бюджетов.
- Устаревшая модель атрибуции
Если вы давно используете модель атрибуции, которая не адаптировалась к изменениям в вашем продукте, каналах вовлечения или бизнес-целях, она может неточно отражать фактические данные.
- Каналы, которые сложно измерить
Некоторые каналы затрудняют измерение их эффективности из-за таких факторов, как отсутствие явных переходов по кликам, закрытие воронки вместо формирования спроса или формирование спроса без его конвертации в целевые действия.
- Множество рекламных каналов
Использование большого количества рекламных каналов может привести к пересечению аудиторий, что является причиной:
- синергии (несколько каналов способствуют конверсии, дают совместный эффект 1+1=3)
- каннибализации (платные объявления, размещаемые по поисковым запросам с брендом рекламодателя, «съедают» свой же бесплатный трафик из органической выдачи)
- overlap (действия одного и того же пользователя приписываются нескольким каналам)
Сами по себе модели атрибуции не позволяют понять причинно-следственные связи между каналами и целевыми действиями. Они служат в качестве ориентиров, и на их эффективность влияют такие динамические факторы, как конкуренция каналов, влияние межканального взаимодействия, изменения бюджета и бизнес-цели. На оценку результатов инвестирования в продвижение продукта могут повлиять (помимо сезонности, экономической ситуации и других внешних факторов) сильные колебания:
В маркетинге:
- меняется ценовая политика, вводятся новые программы лояльности, акционные предложения и т.д.;
- вводятся рекламные кампании (перформанс, медиа, PR, реклама в подкастах и т.д.);
- укрепляется брендинг;
- усиливается рекламная активность конкурентов;
- наблюдаются значительные изменения в отзывах пользователей.
В продукте:
- происходят качественные изменения;
- конкуренты выводят аналогичный продукт со значительным улучшением качества;
- наблюдаются технические сбои приложения (технические неполадки могут нивелировать эффект рекламной кампании).
Учитывая, сколько факторов могут повлиять на unit-экономику и, как следствие, привести к ошибкам в маркетинговой политике и упущению возможностей продвижения, выбор верной модели атрибуции, максимально приближенной к инкрементальности продукта, становится ключевым и требует периодического пересмотра. Проверка соответствия включает несколько этапов.
Этап 1. Анализ расхождения фактических целевых действий (конверсий) и атрибутированных
Даже если модель атрибуции изначально была выбрана верно и соответствовала бизнес-модели, то со временем с учетом внешних факторов, изменением самого продукта или введении маркетинг-микса изначальная модель может потерять актуальность для определенного этапа продвижения и отражать некорректные данные. Поэтому на первом этапе оцениваем, приносят ли определенные маркетинговые активности ожидаемые дополнительные результаты соразмерно данным атрибуции. Если разница оказывается значительной (более 10-15%), переходим ко второму этапу.
Этап 2. Оценка рекламных кампаний с помощью тестов
В зависимости от потребностей и сложности бизнеса проводим инкрементальный A/B-тест:
- самостоятельно — методом сравнительного анализа, отключением или аномальным масштабированием каналов или их поэтапным запуском;
- с помощью рекламных платформ или ММР.
Этап 3. Анализ совокупной системы
При получении результатов тестов важно не ограничиваться пониманием инкрементальности отдельных каналов, а оценивать общую результативность маркетинговой экосистемы. Нужно учитывать такие факторы, как взаимодействие между каналами, влияние распределения бюджета и любые потенциальные внешние факторы, которые могут повлиять на эффективность в целом.
Этап 4. Корректировка модели атрибуции на основе результатов тестов
Настраиваем модели атрибуции по результатам инкрементального тестирования (например, перенастроим кампанию ретаргетинга на основании данных о поведении органических пользователей или направим усилия на укрепление реферального канала).
Инкрементальность становится все более важной, поскольку мобильный маркетинг переходит от детерминированной атрибуции, когда маркетологи имели высокий уровень уверенности в своих измерениях, к миру, где существует меньше сигналов на уровне пользователя. По мнению Netflix инкрементальный подход призван решать проблемы измерения воздействия маркетинга:
Следует признать, что хотя измерение инкрементальности и дает действительно ценные сведения — это все-таки не волшебная палочка и не one-size-fits-all решение. Как и любой подход к измерению, инкрементальность имеет свои недостатки и проблемы. Однако при его использовании в сочетании с моделями атрибуции может обеспечить более полное понимание влияния различных каналов, кампаний и креативных стратегий на общую эффективность бизнеса.
Источник: mobio.ru
Мобильная атрибуция
Мобильный трафик за последние два года вырос до колоссальных высот. Более 5.22 миллиарда людей по всему земному шару используют мобильный телефон, что в процентом соотношение к общей популяции составляет 66%. Причем общее количество подключений в 2021 году достигает уже 8 миллиардов.
Показатели Digital сегмента в 2021 году Социальными сетями же сейчас пользуется уже 4.2 миллиарда людей. И примечательно, что из них более 98% (4.15 миллиарда) – это пользователи с мобильных устройств.
Показатели в сегменте Social media в 2021 году Все эти сведения говорят об одном, мобильный трафик становится наиболее глобальным источником новых клиентов, лучшим вариантом для маркетинга и рекламных кампаний любого бренда. Вот почему все чаще заходит речь об усовершенствовании контроля, отечности и функциональности сбора данных в мобильной среде.
Что повлияет не только на оценку верности принятых маркетинговых решений, но также и скажется позитивно на пользовательском опыте по отношению к конкретному бренду. И одни из действующих инструментов подобного рода оптимизации и является мобильная атрибуция. Нужна ли она конкретно вам в 2021 году? С этим вопросом мы и разберемся в текущем обзоре.
Что такое мобильная атрибуция
Давайте начнем отвлеченно. Вы любите завтракать в каком-то конкретном месте? Может в уютном кафе, куда вы заходите перед работой? У меня такое есть. И как только я появляюсь на пороге, официант обычно точно знает, какой у меня будет заказ в тот или иной день.
Предпочитаю я сладкий кофе или умеренный, отдаю предпочтение капучино или рафу. Да и то, что я уважаю булочки с корицей знают все, от официантов до поваров. Откуда появилась эта информация? Сбор пользовательского поведения в социальных сетях не даст таких ответов, моя история браузера – тоже. Ракурс покупок на Amazon не станет помощником, там я кофе с булочками не приобретаю.
Очевидно, что это следствие компиляции данных, собранных из нашего личного взаимодействия с брендом. Я и кафе. И при этом никаких сведения не были упущены, вот почему информация всегда точная и верная. Это удобно и мне, и коммерческой компании, мы нашли свою оптимизацию. Но секрет тут не в грамотной работе сотрудников, а в том, что это кафе одно и не имеет филиалов.
А если бы я каждый раз заходил в новое заведение этого бренда? Да сотрудники меня бы даже не запомнили. И в такой момент и становится необходима атрибуция. Чтобы точность нашего взаимодействия сохранилась в любой точке продажи, в любом пункте контакта.
А также компания знала не только, что я люблю, что хочу и в каком виде, а также сколько ей конкретно придется денег потратить, на получение моих денег. И сравнить, окупят ли мои финансы затраты на меня же.
Мобильная атрибуция Таким образом, мобильная атрибуция – это весь вариатив взаимодействия бренда с клиентом от самой первой точки (обычно под ней подразумевается клик по рекламной ссылке) до последний на текущей момент. Весь путь, который проходит клиент за это время. И подобная информация компилируется в единый массив, включается в общую экосистему.
Она позволяет принимать решения о нашем дальнейшем сотрудничестве, анализирует существующие данные. Но в узком смысле, мобильная атрибуция – это связь между маркетинговыми усилиями и конечным результатам. То есть, способ ответить на вопросы, какой именно канал привел меня как клиента, что послужило основной выбора, какие препятствия существовали. И тогда становится наглядно видно, какие рекламные каналы работают более эффективно, а какие менее.
Как появилась мобильная атрибуция
Атрибуция существует довольно давно. Она есть и в веб формате ― файлы cookie, в банковской системе и во многих других. Не было ее только у мобильных приложений, которые от этого в значительной мере страдали. Ведь получается, что маркетологи в этом случае просто тыкали пальцем в воздух.
Они не могли точно сказать, какая конкретно рекламная кампания была успешной, а какая посредственной. Какие креативы ведут новых клиентов, а какие работают в убыток. Нет полной информации о продуктивных каналах. Клиент же страдал не меньше.
Мало того, что ему приходилось иметь дело с рекламой, которая ему не нравится и не удовлетворяет его интересам, так еще и одну и ту же услугу или рекламу он видел несколько раз, даже если уже ей воспользовался. Поэтому атрибуция добралась и до мобильных устройств. Сейчас она воплощается через целый ряд качественных инструментов, которые мы обсудим ниже.
Принципы работы мобильной атрибуции
Давайте немного копнем в техническую часть. Как же все это воплощается на практике. В первую очередь следует понять, что для подключения мобильной атрибуции нам понадобится специальный трекер, он же Mobile Measurement Partner. Именно он и будет выполнять большую часть работы. И он же будет отслеживать все клики по нашим рекламным объявлениям, вне зависимости от точки их расположения.
То есть, плейсмент не играет роли – какая-то социальная сеть, Google Ads, партнерская реклама на конкретном сайте, даже рекламная интеграцию у блогеров. После клика пользователь получает свой уникальный идентификатор. Он состоит из массы параметров. Это и конкретный девайс, операционная система, текущее время на его мобильном телефоне и еще масса иных факторов.
В зависимости от конкретного выбранного вами трекера, их может быть до 60 штук. 
Принцип работы мобильной атрибуции Теперь, когда пользователь сохранен, мы можем отследить все его шаги.
Представим, что он закрыл ссылку без покупки, потом зашел через другую систему/платформу и скачал приложение. Без мобильной атрибуции мы считали его уже новым клиентом, даже не подумав, что просто предыдущая реклама, скрипт или воронка продаж его не устроила.
Или даже он скачал приложение в первый раз, а значит, второй раз ему это предлагать на другой рекламной платформе – точно не нужно. Важно понять, что в момент, когда пользователь в первый раз открыл приложение, включается система SDK. Именно она и считывает все полученные данные, а значит, может присвоить пользователя определенному каналу, откуда он и пришел.
И это простейший способ понять, какая платформа работает лучше. Или может креативы на другой платформе оказались неэффективными, не сумевшими зацепить целевую аудиторию. А давайте посмотрим на этот принцип на примере. Допустим, вы решили обзавестись новой машиной.
Открыли пару рекламных ссылок салонов, а потом нашли прекрасное приложении с подбором наиболее подходящего транспорта. Посидев в нем со своего смартфона, вы решили временно отложить выбор и вернуться к нему потом. Дома же вы открываете уже сайт компании, а не приложение, чтобы совершить заказ, потому что вам так удобнее.
На следующей день вы снова заходите в приложение, чтобы через него подобрать атрибуты для новой машины – чехлы для сидений, например. Но вместо рекламы чехлов, видите опять же рекламу машин. Причем даже той самой позиции, которую вы уже заказали. Почему?
Ведение клиента без мобильной атрибуции Все просто, сервисы работают обособленно. Нет той самой экосистемы, которая и позволяет отслеживать действия клиента на каждой стадии.
Знать, когда ему нужна информация, когда он хочет купить машину, а когда ему нужен уже чехол. Что мы получаем в итоге? Трату рекламного бюджета в пустоту, да еще и не понимающего, что происходит, клиента. А в абсолютных цифрах – это огромное количество ненужных расходов. 
Ведение клиента с мобильной атрибуцией
Отслеживание событий с помощью инструментов
- детальный трекинг. Практически нет серьезных аналогов для сервиса именно в этом компоненте;
- возможность поддержки диплинков. Подробнее о них читайте тут;
- поддержка view атрибуции. Это весьма удобная функция, которая позволяет отслеживать не только переходы через клики, а также и через форму CPM. Одновременно помогает понять какая форма выгоднее конкретно для этой рекламной кампании, CPM или CPC;
- игнорирование фрода. Соответственно, фрод не влияет на статистику, не добавляет некорректных данных, которые могут привести к неверным выводам.
Но не будем ссыпать только плюсами, AppsFlyer, например, не поддерживает аналитику аудитории по ГЕО, социальному фактору, демографии. А многие аналоги это могут. Да и дашборд в AppsFlyer упрощенный, у аналогов есть и более функциональные. То есть, компании примерно уравновешивают друг друга по возможностям. И выбирать стоит исходя из ваших персональных предпочтений и удобной стоимости.
AppsFlyer, кстати – не из дешевых.
Мобильная аналитика и конфиденциальность данных
Это интересный вопрос. Особенно в свете последних событий. Ведь с весны 2021 года на версиях операционной системы iOS 14 и старше установлены новые параметры конфиденциальности. И теперь пользователи сами решают, открывать ли рекламодателям доступ к их конфиденциальной информации при рекламных переходах или нет. А большинства, если верить статистики – не соглашаются на это.
В итоге в трекер попадет пустой юзер, идентификатор которого отследить невозможно. Максимум что можно сделать, это передать в SDK не идентификатор пользователя, а номер рекламной кампании. Чтобы хотя бы понимать, откуда в общих чертах пришел пользователь. Но точных данных, как вы понимаете, не будет.
И эта проблема будет только расти. Ведь трекеры на самом деле ходят по тонкому льду, они обладают массой сугубо конфиденциальных данных о клиентах, которые в случае ЧП могут просто «уйти» в сеть. Да, сервисы день ото дня повышают меры безопасности и системы защиты, но теоретическая возможность утечки все равно сохранятся. А это пугает клиентов, по крайней мере тех, кто понимает принципы работы мобильной атрибуции.
Но, несмотря на эти не самые радужнее новости, потенциал мобильной атрибуции растет пропорционально с ростом мобильного трафика. А значит, возможно техническая составляющая и изменится, но сам факт использования мобильной атрибуции останется неизменным.
Нужна ли вам мобильная аналитика
А теперь, проведя это небольшое исследование, вернемся к вопросу из начала нашего обзора. Так нужна или нет мобильная атрибуция? Что же, давайте взглянем что будет без нее, исходя из всех озвученных в статье тезисов:
- разрозненность данных. Действия, совершенные на различных каналах не связаны между собой, не компилируются в общий массив для отчетности. В результате, не отображаются даже покупки через различные источники, например приложение/сайт;
- данные из рекламных кабинетов и от общего трекинга зачастую противоречат друг другу, возникает путаница;
- итоговая отчетность содержит некорректную информацию, невозможно верно оценить рекламный перерасход;
- нет информации о том, какая рекламная кампания и какое конкретно объявление привели пользователя в систему;
- невозможно точно оценить эффективность тех или иных маркетинговых действий, конкретных рекламных кампаний и креативов;
- огромный перевес в сторону ручной сборки данных, совмещение отчетности для аналитики. Количество ручного труда увеличивается, временные затраты – тоже;
- дублирование рекламных объявлений и предложений для клиентов, которые уже ими воспользовались;
- показ нерелевантной рекламы для пользователя, не то, что он уже ищет в данный момент.
Да список только навскидку получается громоздким. Если вы хотите всего этого избежать, то да, мобильная аналитика вам действительно нужна. Но, с другой стороны, не будем фанатичны. На самом деле весь объем преимуществ мобильной атрибуции раскрывается исключительно для средних и крупных брендов.
Приложения, которые продвигаются исключительно по одному каналу и работают с узкой группой целевой аудитории большей части обозначенных выше проблем лишены. Поэтому дополнительные сервисы для мобильной атрибуции, возможно, окажутся для них излишней роскошью. Но с расширением оборота компании, рано или поздно, к этому придется прийти.
Вам была полезна эта статья?
Источник: trafficcardinal.com