что такое атрибуция в рекламе

Модель атрибуции: что это такое, какие модели существуют и зачем нужны

Здравствуйте. Меня зовут Людмила, я маркетолог в компании Altcraft. Давайте сегодня обратимся к такому инструменту в маркетинге, как модель атрибуции. Рассказываю подробно, что это такое, зачем нужно и какие модели существуют.

Бизнес хочет, чтобы пользователь переходил на сайт и покупал сразу после того, как увидел рекламу. Но такое случается редко — 98% людей не покупают при первом визите на сайт компании. В среднем, для покупки нужно семь касаний, где каждый канал будет больше или меньше влиять на решение пользователя. Как понять, какие каналы оказались самыми эффективными? Выбрать и использовать модель атрибуции.

Модель атрибуции — это распределение ценности (веса или баллов) по каналам, которые привели к конверсии. Атрибуция показывает путь клиента от первого касания до целевого действия.

Возьмём пользователя N. Он увидел рекламу кроссовок в Facebook, кликнул на неё и заинтересовался, но решил пока не покупать. Позже ему показали рекламу тех же кроссовок, но уже в Google. N снова перешёл на сайт и даже добавил товар в корзину, но забыл про него. Через 5 дней опять увидел рекламу, но уже в Instagram, на этот раз сделал скриншот, чтобы не забыть и посмотреть позже, кликать на рекламу не стал. Вечером того же дня N нашёл модель кроссовок в Google и купил их.

Какой канал привёл клиента?

Если считать, что органический поиск, то это атрибуция одного типа. Учитывать первое касание по рекламе Facebook — другой тип. Оценивать все каналы в равной ценности — третий.

Атрибуция — это инструмент, который помогает отследить касания с брендом и понять, куда вкладывать деньги, а на какой канал бюджет тратить не стоит.

Также с моделями атрибуции устанавливают окно конверсии — период между первым касанием и покупкой. Здесь могут быть варианты: от 1 дня до 28 и более. Это зависит от длительности цикла покупки. Допустим, мы запускаем кампанию по продаже определённой марки автомобилей. Окно атрибуции здесь должно быть не менее 28 дней, потому что вряд ли кто-то решит купить автомобиль спонтанно за 3-7 дня и меньше.

Как отслеживать касания пользователей с брендом? Разные платформы собирают только свои данные: Facebook, ВКонтакте, сервисы Google и другие. Чтобы отследить, какой результат приносит каждый канал, пиксель (кусок кода, который собирает информацию о действиях пользователей) платформы устанавливается на сайт компании.

Путь клиента к покупке, где тот увидел и купил, — редкость, особенно если продукт сложный и дорогой. После первого знакомства проходит несколько этапов: клик на рекламу, подписка на рассылку, поиск продукта и информации о нём в Google. Если компания не знает, как клиент на самом деле приходит к покупке, его путь, то рискует вложить бюджет в неправильные каналы.

Как атрибуция в маркетинге помогает бизнесу:

Атрибуция не может быть однозначной и универсальной для каждого бизнеса. Например, для сферы недвижимости считать последний клик — неудачный вариант, от первого касания до покупки квартиры может пройти несколько месяцев, и вряд ли клиент примет решение за один раз. Разберём, какие бывают модели атрибуции: их преимущества и недостатки.

Большую ценность за конверсию получает первое взаимодействие с пользователем, например, клик на рекламу. Считается, что целевое действие принесла платформа, где было первое касание, остальные каналы не учитываются.

Источник

Атрибуция в Google Analytics и Google Ads

Что такое атрибуция и зачем она нужна

Для начала немного сухой теории.

Атрибуция — распределение конверсий, транзакций и их денежного выражения между источниками переходов пользователя на сайт.

Модель атрибуции — принцип распределения конверсий, транзакций и их денежного выражения между источниками переходов пользователя на сайт.

Для наглядности — ситуация.

Если посмотреть на эту ситуацию через призму аналитики, то получится следующее:

Возникает вопрос: откуда же все-таки конверсия?

Атрибуция нужна как раз для того, чтобы понять, какому источнику перехода пользователя на сайт стоит «присудить» конверсию (или между какими источниками ее поделить).

Почему это так важно? От модели атрибуции зависит то, как распределяются конверсии между источниками трафика. А от распределения конверсий зависит СРА по каждому источнику. Видя слишком высокий СРА, рекламодатель снизит ставки или вообще откажется от данного источника. А на источник, где СРА ниже, увеличит бюджет. Таким образом, неправильно распределяя конверсии, рекламодатель рискует неправильно распределить бюджет, что может повлечь снижение общего ROAS (Return of Advertising Spend).

Модели атрибуции в Google Analytics

Простые модели атрибуции

В простых моделях атрибуции конверсия целиком «присуждается» какому-то одному источнику.

По первому взаимодействию (First Interaction)

Конверсия и вся ее ценность отдается первому источнику посещения сайта.

По последнему взаимодействию (Last Interaction)

Конверсия и вся ее ценность отдается последнему источнику посещения сайта, даже если это был прямой переход.

Если применить эту модель атрибуции в нашем случае, то получится, что конверсия взялась. ниоткуда: пользователь сам и сразу нашел наш сайт и совершил конверсию. Так не бывает. Поэтому данная модель используется редко.

По последнему непрямому клику (Last Non-Direct Click)

Конверсия и вся ее ценность отдается последнему источнику посещения сайта, но если это был прямой переход на сайт, то источнику перед ним.

Если применить эту модель в нашем случае, то получится, что конверсию принес органический трафик, т.е. это заслуга специалистов по SEO, которые занимались продвижением сайта в поисковиках. С точки зрения аналитики это тоже не совсем корректно: мы не получили бы этот переход из поиска, если бы ранее не показали платную рекламу.

По последнему клику в Google Рекламе (Last Google Ads Click)

Конверсия и вся ее ценность отдается последнему источнику посещения сайта, связанному с Google Ads.

Эта модель может использоваться при анализе эффективности рекламных кампаний, потому что платные каналы (по сравнению с бесплатными, например, email-рассылкой) легко масштабировать — увеличивать охват или дневной бюджет и т.д.

Другие модели атрибуции

Существуют модели, при которых конверсия распределяется между несколькими источниками, а не отдается целиком какому-то одному.

Линейная модель (Linear)

Конверсия равномерно распределяется между всеми источниками, которые приводили пользователя. Например, если пользователь приходил из четырех источников, каждому из них зачтется по 0,25 конверсии.

С учетом давности взаимодействий (Time Decay)

Суть этой модели в том, что чем ближе был источник к моменту совершения конверсии, тем большую долю конверсии он получит. Ценность клика возрастает вдвое каждую неделю.

Допустим, пользователь впервые попал на наш сайт месяц назад; в течение месяца несколько раз возвращался и в какой-то момент совершил конверсию. Тогда первые источники трафика, которые приводили пользователя три-четыре недели назад, получат минимальную долю конверсии (почти не получат). А те источники, из которых пользователь приходил последние несколько дней, получат максимальную долю.

С привязкой к позиции (Position Based)

Первый и последний источники перехода получают по 40% конверсии. Оставшиеся 20% конверсии равномерно распределяются между промежуточными источниками.

«На мой взгляд, самый первый и самый последний источники трафика — самые важные. Потому что без самого первого источника трафика пользователь мог вообще не появиться у нас на сайте, а самый последний его „дожал“, чтобы он наконец совершил покупку».

В Google Analytics доступно сравнение моделей атрибуций («Конверсии» → «Многоканальные последовательности» → «Инструмент сравнения моделей»). Отчет показывает, как будет различаться распределение конверсий между РК, если использовать разные модели атрибуций.

В Google Analytics модель атрибуции по умолчанию — по последнему непрямому клику.

Веб-аналитика под ключ от 15 000 рублей! Специалисты eLama проведут аудит и исправят ошибки или настроят аналитику с нуля.

Кастомные модели атрибуции

Можно не ограничиваться стандартными моделями, а создать свои. Некоторые настраиваются внутри Google Analytics, но чаще создаются при помощи внешних инструментов. Данные из них используются для распределения бюджетов, управления ставками и т.д.

По количеству хитов в сессии

Если хотим оценить, насколько пользователи были активны, когда приходили из какого-либо источника.

Можно распределять источники по количеству хитов, например, открытий страниц и других событий. Если пользователь активно изучает сайт, ему, очевидно, интересно предложение. Источнику, из которого пришел такой пользователь, отдается большая часть конверсии. Источникам, откуда пользователь приходил, но почти не совершал действий на сайте, отдается минимум.

На основе воронки (Funnel-based)

Тем источникам, которые переводили пользователя с одного этапа воронки на другой, отдается большая доля конверсий. Источникам, из которых пользователь приходил, но не продвигался по воронке, — меньшая.

Например, если пользователь впервые зашел на сайт интернет-магазина и открыл карточку товара (посмотрел фото, характеристики или отзывы), он продвинулся по воронке. Если пользователь уже был на сайте и открывал карточку товара, а потом вновь зашел на сайт и положил товар в корзину, он также продвинулся по воронке. Если пользователь во второй визит открывал карточку товара, но не добавлял товар в корзину, он не продвинулся по воронке.

Модели атрибуции в Google Ads

Многие модели атрибуции в Google Analytics и Google Ads называются одинаково (например, атрибуция по последнему клику), но между ними есть принципиальное различие.

Модели атрибуции в Google Ads учитывают только взаимодействия, получаемые из Google Ads (то есть не учитывают органику, переходы из email-рассылки и т.п.), и применяются только для поисковых и торговых РК. Для остальных кампаний используется модель атрибуции по умолчанию.

Модели атрибуции в Google Analytics учитывают все взаимодействия: полученные как из Google Ads, так и из поиска, email-рассылок и прочих источников.

Например, пользователь впервые попал на сайт, кликнув по рекламному объявлению; во второй раз — из поиска и подписался на email-рассылку. В третий раз перешел на сайт по ссылке из письма и совершил конверсию.

Допустим, выбрана атрибуция по последнему клику. Google Analytics «присудит» конверсию email-рассылке, а Google Ads — объявлению из самой первой рекламной кампании.

Атрибуция по последнему клику (Last Click)

Конверсия и вся ее ценность отдается объявлению, по которому кликнули последним, и соответствующему ключевому слову.

Атрибуция по первому клику (First Click)

Конверсия и вся ее ценность отдается объявлению, по которому кликнули первым, и соответствующему ключевому слову.

Линейная атрибуция (Linear)

Конверсия равномерно распределяется между всеми объявлениями, которые приводили пользователя.

Атрибуция с учетом давности взаимодействий (Time Decay)

Чем ближе был клик к моменту совершения конверсии, тем большую долю конверсии он получит. Ценность клика возрастает вдвое каждую неделю.

Атрибуция с привязкой к позиции (Position-based)

Первый и последний клики (и соответствующие ключевые слова) получают по 40% конверсии. Оставшиеся 20% конверсии равномерно распределяются между промежуточными кликами.

Атрибуция на основе данных (Data-driven)

Система, используя большое количество данных, анализирует, какими путями пользователи чаще всего доходят до конверсии. Большая доля конверсии отдается тем источникам трафика, которые часто участвуют в путях, приводящих к конверсии.

Data-driven атрибуцию можно использовать, если собрано достаточно данных — не менее 15 000 кликов с поиска и 600 конверсий за последние 30 дней.

В Google Ads также есть инструмент, который позволяет сравнивать модели атрибуции.

Как модель атрибуции влияет на оптимизацию кампании

От выбранной модели атрибуции зависит распределение конверсий в кампаниях. Конверсия принадлежит не кампании в целом, а конкретному таргетингу: в поисковых РК — конкретной ключевой фразе. Чем больше конверсий приносит ключевая фраза, тем выше ставки по ней мы можем себе позволить. То есть если поменять модель атрибуции, в конечном счете изменятся ставки по ключевым словам (при использовании автоматических стратегий — автоматически). А это, в свою очередь, может повлиять на расходы рекламодателя.

Схематично это выглядит так:

смена модели атрибуции → перераспределение конверсий → переоценка эффективности ключевых фраз → пересчет ставок для ключевых фраз → оптимизация кампании

Например, мы использовали модель атрибуции Last Click, а затем перешли на Data-driven. Из-за этого конверсии распределились по-новому: фраза «лама плюшевая купить» получила больше конверсий, а «лама игрушечная купить спб» — меньше. Тогда ставки по фразе «лама плюшевая купить» поднимутся (потому что она приносит больше конверсий), а ставки по фразе «лама игрушечная купить спб» снизятся (потому что она приносит меньше конверсий).

Как сменить модель атрибуции

В Google Ads модель атрибуции можно сменить либо на этапе импорта конверсий из Google Analytics, либо уже после. Для этого нужно зайти в раздел «Конверсии» («Инструменты и настройки» → «Отслеживание» → «Конверсии»), выбрать нужную конверсию и зайти в редактирование.

Модель атрибуции в Google Ads по умолчанию — по последнему клику.

Как правильно выбрать модель атрибуции

Data-driven атрибуция — оптимальный вариант: она работает на общее увеличение конверсий и не требует никаких дополнительных действий. Если она для вас доступна, лучше подключить именно ее.

«Как правило, использование Data-driven атрибуции дает лучший результат. Правда, гарантий нет: все зависит от того, насколько точно у вас настроена аналитика. Если вам стала доступна Data-driven атрибуция, подключите ее и через месяц проанализируйте результаты. Должно стать лучше. Но если вам не повезло и результаты ухудшились — возвращайтесь на Last Click».

Last Click атрибуция подойдет, если:

Time Decay стоит применять только в одной ситуации: если вы неоспоримый лидер на своем рынке, о котором все знают и которого всегда рассматривают в первую очередь (Time Decay занижает вклад первых переходов).

Linear подойдет, если вы считаете, что вся ваша реклама работает в комплексе и каждый контакт пользователя с вашим брендом увеличивает вероятность покупки.

Position-based или First Click (как более «агрессивный» вариант) подойдут:

Прежде чем менять текущую модель атрибуции на новую, сравните их и оцените, насколько заметны изменения (выбирая модели для сравнения, учитывайте указанные выше рекомендации). Если отличия существенные — от 25%, — смена модели атрибуции может заметно улучшить результаты кампаний (хотя может произойти и наоборот).

Спустя месяц-два после смены модели атрибуции нужно проанализировать кампании — стали они лучше или хуже работать. Важно учитывать сезонность: например, не стоит сравнивать апрель с маем, потому что в мае из-за длинных праздников практически во всех тематиках наблюдается просадка показателей.

Получите до 3000 рублей на рекламу в Google Ads

Дарим бонусы при первом запуске рекламы через eLama!

Источник

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.

Источник