Что такое атрибуция в рекламе

Раньше все было проще: например, вы запускали рекламу на радио, и она приносила 5 новых клиентов стоимостью 250$. Это единственное взаимодействие клиента с рекламой – канал получил 100% от этих продаж. Легко!

Но сегодня? Путь, который люди проходят, чтобы узнать о вас, изучить и в конечном итоге что-то купить, может быть длинным и запутанным. Как и канал ваших продаж.

Как отслеживать эффективность каждого пути? С помощью модели атрибуций!

Модель атрибуции – это то, как вы присваиваете ценность или значение для продаж и конверсий между различными взаимодействиями пользователя. Она включает в себя все digital-каналы: платный трафик, дисплей, e-mail, социальные медиа, органический поиск, рефералы и влияние, которое каждый из них оказывает на конечную конверсию.

Есть 5 широко используемых моделей атрибуции:
Первое взаимодействие (First-Click)

Первое взаимодействие (First-Click) присваивает 100% ценности первому источнику в пути конверсии. Подходит, чтобы узнать, как все же люди нашли вас. Но если они прошли длинную цепочку, прежде чем конвертироваться, заслуживает ли первый источник всей славы?

eLama: Как выбрать модель атрибуции

Последнее взаимодействие (Last-Click)

Последнее взаимодействие (Last-Click) присваивает всю ценность последнему источнику, независимо от того, сколько других было до этого. Легко настраивается и отслеживается, но почти полностью признается сейчас бесполезным. Цепочка слишком длинная и не придается никакого значения началу и середине канала.

Линейная модель

Линейная модель отдает равную ценность каждому источнику в пути конверсии. Если посетитель прошел путь из 5 взаимодействий перед покупкой, каждому из них будет присвоено 25%. Из-за того, что все источники считаются одинаково значимыми, можно переоценить незначительные или недооценить ключевые.

Модель на основе позиции

Модель на основе позиции отдает предпочтение первому и последнему источнику, обычно присваивая каждому из них 40% ценности, при этом распределяя оставшиеся 20% между остальными источниками в пути. Очевидно, модель может существенно недооценивать середину, особенно при длинной цепочке конверсии.

В модели с учетом давности взаимодействия

В модели с учетом давности взаимодействия наибольшая ценность присваивается взаимодействию, которое ближе всего к конверсии и уменьшается с удалением от нее. Модель пользуется популярностью, так как, отдавая предпочтение последнему взаимодействию, она все же учитывает все точки в пути.

Также можно создать свою собственную модель, основываясь на вашей платформе, аудитории, маркетинге и бизнес-целях.

Использование моделей атрибуции помогает понять, что способствует продаже и какие каналы заслуживают значительную часть вашего маркетингового бюджета.

5 вещей, которые важно знать

1. Ассоциированные конверсии – основная часть ваших продаж.

Более чем 98% посетителей вашего сайта не совершат покупку в свой первый визит. 55% покинут сайт через 15 секунд.

Модели атрибуции: обзор всех моделей Метрики и Аналитики с примерами

84% потребителей говорят, что они полностью или отчасти доверяют рекомендациям семьи, друзей и коллег. 88% доверяют отзывам незнакомцев так же, как тем, кого они знают.

Средний процент покидания корзины – 68.81%.

Все это позволит нам подчеркнуть очевидное: немногие покупают на вашем сайте в свой первый визит. Они заходят, изучают продукцию, проверяют онлайн-отзывы и социальные аккаунты, ищут купоны и скидки, снова возвращаются к вашему сайту, проверяют, что говорят и говорили другие про вас и, наконец, возвращаются, готовые потратить свои деньги.

Каждое такое взаимодействие влияет на конечную конверсию. Основная часть ваших продаж и есть эти ассоциированные конверсии, поэтому их нужно отслеживать и назначать ценность. Так вы сможете понять поведение ваших покупателей и как можно повлиять на них.

Открываем отчет Конверсии > Многоканальные последовательности > Длина последовательности, чтобы увидеть, сколько конверсий произошло после одного взаимодействия, двух, трех и т.д.

длина конверсии

Далее смотрим Конверсии > Многоканальные последовательности > Ассоциированные конверсии и находим последнюю колонку Ассоциированные конверсии/конверсии по последнему клику или прямому взаимодействию. Если значение меньше 1, то этот канал преимущественно последний перед конверсией. Если значение больше 1, то он лишь шаг на пути. Атрибуция по первому или последнему клику системой игнорируется.

ассоциированные конверсии

Повторимся: ассоциированные конверсии – основная часть ваших продаж. Учитывайте это при выборе модели атрибуции.

2. Идеальной модели атрибуции нет.

В каждой модели есть свои ограничения и условности. Пользовательская модель была бы наилучшим вариантом, однако требуется немало времени, чтобы собрать надежные данные.

Пользовательская модель должна отражать ваших клиентов и ваш бизнес. Надо определить, какое поведение значимо для конечных целей и «легких» конверсий (подписка на рассылку, обращение к консультанту и т.д.). Именно они, в конечном счете, несут в себе ценность для продажи, независимо от того, как далеко они в цепочке.

Какие у вас главные пути конверсий и ассоциированные конверсии? Они говорят о том, как ведут себя покупатели. Используете ли вы их полный потенциал? Или вкладываете средства в каналы, которые не влияют на конечную конверсию?

Люди ищут, обдумывают и покупают по-разному. Постройте модель, которая будет работать и для них, и для вас.

3. Следует основываться на данных.

В моделях атрибуции нет места пустым догадкам. Ваши усилия всегда должны быть подкреплены достоверными данными.

Основывайтесь на Google Analytics и плагине расширенной электронной торговли, чтобы собирать нужные данные. Настройте цели и каналы. Обращайтесь к отчетам для принятия решений.

Необходимо отслеживать все как можно детальнее, чтобы гарантировать точные данные.

  • Используйте автопометку.
  • Используйте UTM-параметры.

Если вы тратите время, силы и деньги на что-то, вы должны собирать об этом информацию. Чем больше данных вы рассматриваете, тем более точны ваши решения и тем лучше понимание путей конверсии, которые проходят ваши покупатели до достижения виртуальной кассы.

Хотите увеличить вашу прибыль? Собирайте данные и используйте их!

4. Учитывайте пожизненную ценность клиента.

Вы хотите продать один раз? Или предпочитаете, чтобы клиенты возвращались снова? Предположим, что ответ очевиден (потому что так и есть).

Для этого нужно учитывать пожизненную ценность клиента (LTV – Customer Lifetime Value). Ваши главные клиенты – 1% самых сливок – стоят в 18 раз больше, чем средний покупатель.

Тем не менее, довольно часто мы уделяем мало внимания вернувшимся покупателям и ценности, которую они приносят. Они не возвращаются так же, как новые пользователи узнают о вас. Их путь уникален и должен быть признан за доходы, которые приносит.

Посмотрите на весь трафик, особенно в самом верху. Скорее всего, вы увидите, что большая часть вернувшихся покупателей приходит через прямой канал (набирая адрес сайта или переходя по закладке), социальные медиа (по посту о скидках и акциях) или e-mail.

Новые покупатели приходят через платную рекламу, органический поиск, реферальный трафик, партнерские сети или социальные медиа.

Все они важны, но вы также знаете, что дешевле вернуть покупателя, чем привлечь нового. Стоит быть уверенным, что вы знаете пути, которые их возвращают обратно в вашей модели атрибуции, и они должны иметь большую значимость, чем те, которые приводят новых клиентов.

Отвлекитесь от единичной конверсии и думайте о перспективе. Оценивайте жизненную ценность клиента, а не только ценность заказа. Оптимизируйте каналы, которые имеют значение.

5. Отслеживание кампаний обязательно.

«Тот, кто отслеживает, выживает».

Модель атрибуции, основанная на данных. Подробнее про использование машинного обучения

Кажется очевидным: маркетологи должны знать, какие из их маркетинговых инвестиций действительно сработали. Однако сделать это на практике оказывается не всегда так просто, как это звучит. Вот почему рекламная «атрибуция» становится все более незаменимой для успешной работы маркетинговых команд.

  • органический поиск;
  • контекстная поисковая реклама;
  • реклама в социальных сетях;
  • партнерские сети;
  • ретаргетинг;
  • почтовая рассылка;
  • и т.д.

undefined

Со временем, накапливается большое количество разных типов источников трафика и их последовательностей, что делает затруднительным анализ каждого из этих источников в изоляции от других. Именно для этой цели и были придуманы правила, по которым ценность финальной конверсии распределяется по всем источникам в определенных пропорциях. И эти правила называются правилами атрибуции.

Какие бывают виды атрибуции

undefined

Все модели атрибуции условно можно разделить на два типа:

  • одноканальные
  • многоканальные

Стандартные одноканальные модели атрибуции

Исходя из своего опыта я вижу, что многие компании до сих пор используют first-/last‑click модели атрибуции. Модель first‑click (первое касание) присваивает 100% вклада первой точке касания потребителя (первому переходу), в то время как модель last‑click присваивает 100% вклада последней точке касания, приводящей к конверсии.
Использование модели last-click (в том числе и ее вариации last-non-direct-click) означает, что вы игнорируете раннюю активность в верхней части воронки, а вместо этого сосредотачиваетесь на каналах нижней части воронки, таких как брендовый поиск и ретаргетинг. Без придания ценности каналам верхнего уровня, весь потенциал ретаргетинга очень быстро будет исчерпан.
Присвоение ценности по модели first-click сопряжено с аналогичными проблемами — отдавая всю заслугу первой точке касания, вы игнорируете истинную ценность касаний в середине и конце воронки, вклад которых может быть крайне значителен в доведении пользователя до покупки/заявки.
Очевидно, что одноканальные модели даже близко не отражают реальность и использование их для принятие решений при распределения бюджета является плохой, а иногда даже опасной затеей.

Стандартные многоканальные модели атрибуции

  • Большинство многоканальных моделей атрибуции полны эвристики — правил, заданных людьми (пусть и опытными). Например, в линейноймодели атрибуции (Linear) одно и та же ценность присваивается каждому каналу; в U-shape модели наибольшее значение присваивается первому и последнему каналу, а что осталось делится между оставшимися. Эти модели атрибуции основаны на алгоритмах, которые люди придумали для отражения реальности, но в действительности реальность гораздо сложнее.
  • Стандартные мультиканальные модели атрибуции, даже такие как Data-Driven, учитывают только факт перехода на сайт. Поэтому, подобные модели не устойчивы к фроду (например, подмене utm-меток).
  • Все модели атрибуции всегда «смотрят» в прошлое, все они являются ретроспективными. Они сообщают нам, что произошло в прошлом, в то время как в действительности мы хотим знать, как действовать в будущем;

undefined

Исходя из данных очевидно, что November Offer 1 в 2 раза эффективнее с точки зрения ДРР в сравнении с November Offer 2. Если бы мы знали это заранее, мы могли бы выделить больше бюджета в Offer 1, уменьшив вложения в Offer 2. Однако, повернуть время вспять, увы, невозможно.
Предположим, что декабре мы планируем запустить совершенно новые рекламные кампании. Очевидно, что использовать знания, накопленные в ноябре, будет невозможно:
Чего нам хотелось бы меньше всего, так это потратить еще один месяц инвестируя в неэффективную маркетинговую кампанию.
Именно тут на помощь приходит машинное обучение на основе сырых данных, которое лежит в основе атрибуции, которую мы применяем в SegmentStream.

Как машинное обучение изменило подход к атрибуции

undefined

Машинное обучение позволяет изменить подход к атрибуции с алгоритмического, где Данные + Правила = Результат (не всегда желаемый), к предиктивному, где Желаемый результат + Данные = Правила.
В действительности, даже само определение атрибуции очень хорошо ложится на принцип работы supervised машинного обучения:

Именно поэтому, мы решили построить атрибуцию, которая:

  • Будет устойчива к фроду;
  • Сможет использовать накопленные в прошлом знания;
  • Сможет справедливо распределять вклад между множеством каналов (без жестко заданных заранее правил и коэффициентов);
  • Будет учитывать не только переходы на сайт и UTM-метки, но и реальное поведение пользователя на сайте;

Ниже я расскажу в деталях, по какому принципу устроена работа нашей атрибуции.

Как работает поведенческая атрибуция SegmentStream

undefined

Предлагаемая нами модель атрибуции основывается на анализе поведения пользователя на сайте и предсказанию вероятности им совершить покупку в начале сессии и в конце сессии, а затем расчета разницы («дельты»). Именно эта «дельта» и будет определять вклад каждого канала в целевую конверсию.

Давайте разберем пример, изображенный на картинке выше:

  • Пользователь впервые пришел на сайт из медийной кампании Facebook. Мы предсказали вероятность купить для этого пользователя в начале сессии, и она оказалась равна 10%. Почему вероятность не равна нулю? Потому что помимо поведенческих данных есть также контекстные данные, такие как регион, браузер, тип устройства, разрешение экрана, день недели и т.д., основываясь на которых у пользователя всегда будет какая-то не нулевая вероятность купить.
  • В течение сессии пользователь просмотрел несколько товаров, добавил какие-то товары в корзину, посмотрел страницу с контактами, после чего покинул сайт без покупки. Мы предсказали вероятность купить в конце сессии, и она оказалась равна 25%.
  • Это означает, что сессия, которую инициировала кампания из Facebook продвинула вероятность купить для данного пользователя с 10% до 25%. Поэтому, мы присваиваем кампании Facebook вклад, равный 15%.
  • Далее, через 2 дня пользователь вернулся на сайт после клика на ретаргетинг баннер Criteo. Во время новой сессии вероятность купить не сильно изменилась (возможно не было нужного размера, или пользователь не изменил своего решения). В соответствии с моделью, вероятность купить увеличилась всего на 2%. Таким образом, Criteo будет присвоен вклад 2%.
  • и т.д.

В итоге, мы имеем возможность определить реальный вклад абсолютно всех источников трафика основываясь на том, насколько вероятность купить в рамках инициированной ими сессии изменилась. Таким образом, теперь мы знаем ценность каждого источника трафика в покупку.

Ниже я расскажу, как построить подобную атрибуцию.

Как реализовать поведенческую атрибуцию при помощи машинного обучения

undefined

Шаг 1: Сбор данных о поведении пользователей
При помощи SegmentStream JavaScript SDK мы собираем абсолютно все взаимодействия пользователя с сайтом без каких-либо лимитов и отправляем их напрямую в облачное хранилище Google BigQuery для дальнейшего анализа.
Почему Google BigQuery? Это один из самых популярных инструментов для облачного хранения данных на сегодняшний день. В первую очередь это связано с тем, что инструмент является очень мощным, функциональным, недорогим и простым в использовании. Кроме того, Google BigQuery можно использовать не только для сбора данных и построения сквозной маркетинговой аналитики, но для построения атрибуции на основе нелинейного поведения пользователей при помощи машинного обучения.
Похожий результат можно достигнуть, если у вас есть Google Analytics 360, позволяющий делать выгрузку в Google BigQuery на уровне хитов. Однако даже там есть лимит на 500 событий за сессию, который очень легко превысить.
Важным отличием от простых алгоритмических моделей является то, что при помощи машинного обучения мы можем анализировать сотни и даже тысячи различных событий, а не только просмотры страниц и основную e-commerce воронку. Например:

  • Просмотры фотографий;
  • Клики на фотографии;
  • Проверка наличия размера;
  • Выбор необходимого размера;
  • Прочтение подробной информации о товаре;
  • Просмотр размерной сетки;
  • Добавление в избранное;
  • и т.д.

Можно пойти дальше, и создать куда более комплексные события. Например, факт просмотра абсолютно всех фотографий на странице (не одной фотографии, не двух, а всех!) имеет просто невероятную корреляцию с будущей покупкой, а значит предиктивная сила данной фичи будет крайне велика.

undefined

С точки зрения стандартной e-commerce воронки, переход на карточку товара с просмотром одной фотографии и переход на карточку товара с просмотром всех фотографий будут эквивалентны. В реальности же, это два кардинально разных просмотра карточки товара с точки зрения поведения пользователя и его вовлеченности!
Когда сырые данные собраны, мы преобразовываем их в атрибуты, где каждая пользовательская сессия имеет набор фич и результатов (лейблов), на которых мы будем обучать нашу модель. К примеру, в качестве результата (лейбла) можно выбрать факт покупки в течение следующих 7 дней.

undefined

Шаг 2: Майнинг фич

Использование машинного обучения невозможно без предварительного определения, что будет являться фичами, на которых обучается модель (features), и что будет являться результатом предсказания (label). Для обучения мы решили собирать все возможные фичи следующих типов:

  • Recency features — как давно было совершено действие или микро-конверсия в рамках выбранного временного окна;
  • Frequency features — как часто совершалось действие или микро-конверсия в рамках выбранного временного окна;
  • Monetary features — ценность действий или микро-конверсий в рамках выбранного временного окна;
  • Contextual features — информация об устройстве, браузере, регионе, разрешении экрана, дне недели и т.д.;
  • Feature permutations — формирование нелинейных зависимостей между описанными выше типами фич.

Таким образом, полученный набор данных можно использовать для обучения модели, которая будет предсказывать покупку в течение следующих 7 дней для каждого пользователя, вошедшего на сайт.

undefined

Шаг 3: Обучение предсказательной модели
В темные времена до появления Google BigQuery ML, обучение модели машинного обучение было довольно сложной data science и data engineering задачей, особенно если необходимо также автоматизировать постоянное переобучение модели на новых данных.
Необходимо было постоянно перемещать данные из хранилища к себе на компьютер (или куда-то в облако), чтобы потом при помощи Tensorflow, Jupiter Notebook, Python или R обучить модель или делать предсказания, а затем результаты снова загружать в базу данных:

С Google BigQuery ML произошла революция и значительное упрощение этого процесса. Сейчас вы можете собирать данные, майнить фичи, тренировать модели, делать предсказания — все внутри облачного хранилица Google BigQuery без необходимости перемещать данные куда-либо еще:

И все эти сложные процессы реализовываются на доступном любом аналитику SQL языке.
К примеру, чтобы создать модель, которая предсказывает вероятность купить в течение следующих 7 дней на основе собранных поведенческих фич, нужно всего лишь исполнить вот такой SQL запрос:
И все! Через несколько минут у вас будет обученная модель! И самое прекрасное заключается в том, что эту модель можно переобучать ежедневно без каких-либо усилий.

undefined

Шаг 4: Построение модели атрибуции
Отлично, мы смогли построить модель, которая предсказывает вероятность купить в течение следующих 7 дней для каждого пользователя.
Как уже было сказано выше, в основе атрибуции SegmentStream лежит информация о разнице между вероятностью совершения покупки в начале и конце сессии. В базе Google BigQuery все эти расчеты для каждой сессии будут выглядеть примерно следующим образом:
Где:

  • session_start_p — предсказанная вероятность купить в начале сессии;
  • session_end_p — предсказанная вероятность купить в конце сессии;
  • attributed_delta — пропорция вклада, присвоенная данной сессии;

Каждый session_id содержит информацию об источнике трафика. Таким образом и становится известно, насколько каждый источник трафика «продвинул» пользователя к покупке или другому целевому действию.

undefined

Шаг 5: Подготовка финального отчета для маркетологов
Всё что остается — это агрегировать данную информацию в сводный отчет, где будут отображены:

  • Источники трафика (source/medium);
  • Расходы на каждый источник трафика (сost);
  • Сколько денег принес источник трафика (revenue), основываясь на нашей атрибуции.

Вертикальная черта в колонке Cost Revenue Ratio обозначает целевой для бизнеса ДРР (доля рекламных расходов). Таким образом, маркетологи могут легко увидеть неэффективные рекламные кампании/баннеры/ключевые слова, и принять решение по перераспределению рекламного бюджета для оптимизации ROAS и снижения ДРР.

Плюсы и минусы поведенческой атрибуции SegmentStream

  • В отличие от алгоритмических решений мы можем обрабатывать сотни и тысячи различных фич;
  • Маркетологи и аналитики имеют возможность добавлять любое количество фич, специфичных для доменной области конкретного бизнеса;
  • Предсказания имеют очень высокую точность (до 95% ROC-AUC);
  • Возможность переобучать модель хоть каждый день, что позволяет адаптироваться под сезонность и изменения UI/UX сайта;
  • Возможность выбирать любую цель для оптимизации (label): вероятность купить в течение Х дней, LTV, вероятность купить в текущей сессии, вероятность вернуться на сайт в будущем и стать постоянным пользователем (для паблишеров) и.д.
  • Нет необходимости определять какие-либо правила вручную.
  • Необходимо настроить продвинутый трекинг поведенческих событий на сайте или в мобильном приложении;
  • Чтобы обучить модель нужно иметь как минимум 4-8 недель исторических данных;
  • Не применимо для сайтов с очень маленьким трафиком;
  • Возникают дополнительные расходы на обучение/переобучение модели;
  • Нет возможности анализировать post-view конверсии, где не было перехода на сайт.

Вместо вывода

Технологии машинного обучения до сих пор сильно зависят от аналитических способностей человеческого мозга как в рамках постановки задач, так и интерпретации результатов. Однако уже сейчас мы можем использовать и применять недосягаемые ранее мощности (в том числе таких инструментов, как Google BigQuery), чтобы анализировать сотни и тысячи поведенческих факторов для предсказания действий, важных для бизнеса.
Одно из таких применений — маркетинговая атрибуция, где машинное обучение уже сейчас способно проанализировав гигабайты и терабайты данных и дать нам инсайты, которые мы, к сожалению, никогда бы не смогли обнаружить, используя возможности только человеческого мозга и алгоритмов.

Источник: productstar.ru

Рейтинг
( Пока оценок нет )
Загрузка ...
Заработок в интернете или как начать работать дома