Однажды Джон Ванамейкер всего лишь предложением описал, пожалуй, одну из самых волнующих проблем для каждого маркетолога:

«Я точно знаю, что половина моего рекламного бюджета расходуется впустую, вот только не знаю, какая именно».

Когда вкладываешь во что-либо средства, естественно, в результате хочешь получить максимальную пользу и выгоду. В этом случае крайне важно правильно подходить к анализу данных, чтобы не упустить потенциальные возможности и получить наибольший эффект от реализуемых стратегий продвижения. Но все далеко не так просто, поэтому лучше всего обратиться к профессионалам, которые помогут добиться наибольших результатов. Иначе рискуете принять решение, которого приведет к тому, что бизнес просто недополучит деньги.

Например, ранее за каждый из каналов: Вконтакте, Яндекс и SEO, – платили по 1000. Затем посмотрев аналитику, поняли, что все лиды мы получаем от SEO, поэтому перераспределили бюджет и отключили остальные каналы. А через месяц заметили, что лидов стало в 5 раз меньше. Это произошло как раз таки из-за неправильной оценки эффективности каналов.

Влияние подобных решений может быть колоссальным, особенно для компаний с длинным циклом сделки, с высоким чеком, узкой целевой аудиторией (B2B сегмент, недвижимость, люкс-товары). В таких нишах это особенно ощутимо, т.к. сфера ограничена, и лидов не много, поэтому каждый клиент очень ценен.

Что такое атрибуция

Если говорить простым языком, то атрибуция – это процесс распределение ценности (веса или баллов) по каналам, которые привели к конверсии. Она показывает путь пользователя от первого касания до целевого действия.

Возьмем пример из реального опыта: интернет-магазин, который использует несколько каналов маркетинга для привлечения клиентов: поисковую рекламу, социальные сети и электронную рассылку. В начале большая часть бюджета шла на поисковую рекламу, т.к. владелец считал ее наиболее эффективным каналом привлечения клиентов. Однако после проведения анализа данных и атрибуции, мы обнаружили, что большинство клиентов, которые совершают покупки, приходят через социальные сети. Это открытие позволило магазину перераспределить свой маркетинговый бюджет. Благодаря этому изменению, магазин смог достичь более высоких показателей конверсии и увеличить свою прибыль. Таким образом, атрибуция позволила лучше понять, какие каналы маркетинга привлекают наибольшее количество лидов и как правильно распределить свои ресурсы для достижения оптимальных результатов.

Что вам предлагают по дефолту

В среднем, как правило, применяется 2 инструмента web-аналитики – Google Аналитика и Яндекс Метрика, – поэтому в дальнейшем в этой статье будем опираться именно на них.

Рассмотрим модели атрибуции по дефолту, которые предлагает Яндекс Метрика:

Последний переход – в этой модели для каждого визита определяется источник перехода в данный момент, без учета истории визитов посетителя.

Последний значимый переход. Данная модель позволяет более точно подсчитать конверсию, т.к. все источники можно условно разделить на значимые и незначимые относительно их конверсионности. В этом случае визиты из незначимых источников приписываются более значимому предыдущему источнику, позволяя полнее измерить его эффективность. Таким образом, можно получить верные результаты и для сайтов с быстрой конверсией – той, что происходит в рамках одного и того же визита.

Последний переход из Директа – модель, помогающая оценить эффективность рекламы Директа независимо от того, в какой момент цепочки визитов пользователь перешел по рекламе. Если после перехода по рекламе Директа были переходы из других источников, то все визиты будут привязаны к последнему «клику» по рекламе.

Первый переход. Эта модель используется для сайта с отложенной конверсией: когда посетитель долго принимает решение о покупке и за время раздумий может несколько раз вернуться на сайт из других источников трафика. Также модель можно использовать, если необходимо понять, какой из источников привлекает больше новых посетителей на сайт.

В свою очередь Google Аналитика предоставляет нам следующие модели:

Последний клик (несколько каналов), где прямой трафик игнорируется, а вся ценность присваивается последней точки взаимодействия, после которой произошла конверсия.

Первый клик (несколько каналов). В этом случае вся ценность присваивается первой точке взаимодействия на пути конверсии.

Модель атрибуции по последнему клику в Google Рекламе. Самым значимым является последний клик в Google Рекламе на пути конверсии.

Однако у этих моделей есть одно общее несовершенство – они не учитывают другие каналы, которые могут быть значимыми. А если же мы принимаем решение опираясь на данные лишь по одному источнику, игнорируя остальные, то можем недополучать и терять конверсии. Следовательно, перераспределив бюджет не туда, мы в итоге рискуем остаться с меньшим количеством лидов.

Допустим, мы отказались от платного трафика, т.к. он дорого обходился. Но оказалось, что около 30% клиентов только со второго захода (т.е. они попадали к нам по поиску, потом уходили, а затем находили в SEO и только тогда оставляли заявку). По итогу, в таком случае бизнес не получит ожидаемых показателей.

Кто страдает больше всех?

Внимание аналитике для получения желаемых результатов в будущем стоит уделять всем брендам. Но еще более основательно к этому вопросу следует подходить компаниям, которым присущ хотя бы один из следующих критериев:

  • длинный цикл принятия решений;

  • узкая ЦА;

  • высокие чеки;

  • малый объем данных для работы с ними.

Как мы выяснили ранее, это в первую очередь под эти пункты попадает B2B сектор, а также компании, занимающиеся недвижимостью, продающие дорогие украшения или иные премиум-товары.

Какие есть альтернативы

Мы уже рассмотрели модели по дефолту, теперь предлагаем ознакомится с альтернативными вариантами. Стоит отметить, что и в одном, и в другом случае на основе полученных данных ИИ сам назначает значимость каждому каналу и считает. У Яндекс Метрики – это:

Атрибуция с учетом визитов о всех устройств посетителя (кросс-девайс). Метрика может производить атрибуцию, учитывая все устройства, с которых посетитель пришел на сайт. Это помогает более точно определить источник, который принес конверсию.

Автоматическая атрибуция, в основе которой лежат как уже привычные алгоритмы, например, определение кросс-девайс конверсий, так и новые технологии и принципы, например учет домохозяйств на основе обезличенных данных.

А у Google Аналитики:

Линейная атрибуция. Ценность между всеми каналами распределяется одинаково, и тем самым дает полную и наглядную информацию о всех взаимодействиях пользователей с рекламой. Но модель не даст рекламодателям информацию о наиболее эффективном канале.

Атрибуция на основе данных - алгоритмическая модель, которая учитывает каждую из точек взаимодействия на пути конверсии. Она определяет, как различные точки взаимодействия влияют на результат конверсии. Алгоритм учитывает множество входящих факторов - маркетинговый канал, время после конверсии, тип устройства, количество взаимодействий с объявлениями, порядок их просмотра, а также тип показанных объектов креативов.

Атрибуция на основе позиции – модель, отдающая по 40% веса конверсии первому и последнему источнику взаимодействия, а остальную ценность делит поровну между всеми остальными. Но минус модели в том, что рекламодатель не всегда может понять, какой из промежуточных каналов в цепочке мог оказать ключевое влияние.

Атрибуция на основе давности взаимодействия (атрибуция по времени). Чем ближе канал расположен к конверсии в цепочке взаимодействий, тем больше ценности ему присваивается в процентном соотношении. Модель учитывает все источники трафика, но мало ценности отдает самым первым из них – т.е. тем, которые вовлекли пользователя в воронку.

Возникает вопрос: «как выбрать модель?». Нужно опираться на свои цели и задачи и смотреть на показатели под разными углами: иногда важен первый клик, иногда последний, иногда какой-то иной критерий весомее.

Например, однажды мы запускали рекламную компанию и оценивали по послед переходу из Директа. Получилось, что показатель конверсии оказался ниже желаемого. Тогда мы посмотрели по другой модели атрибуции – по первому клики. Оказалось, что в таком ключе KPI выполняется, и лиды по приемлемой цене. Но клиент все-таки решил отключить кампанию вопреки нашим рекомендациям. Позже количество лидов сильно уменьшилось, после чего кампанию вернули обратно.

Дополнительные плюшки

Учитывая все факторы, становятся очевидны преимущества использования моделей атрибуции в вашей компании:

  • Вы получите более объективную картину, а аналитика станет понятнее и прозрачнее. Благодаря этому будет меньше издержек на ошибки, и как следствие, будут приниматься более грамотные управленческие решения.

  • Деньги – вам станет проще выявлять эффективные и неэффективные каналы.

  • Понимание пользовательского пути, т.е. осознание того, в каких каналах и каким месседжем лучше цеплять/завлекать юзера.

Более того, можно выделить и преимущества для внутренней аудитории (для сотрудников), – работа для них станет более прозрачной и понятной, что позволит увеличить комфорт и повысить эффективность.

Заключение

Как вы уже поняли, атрибуция в маркетинге – это сложно… Но очень полезно!

Пробовать и внедрять что-то новое – всегда пугающе и страшно. Но это поможет вам принять будущие решения по оптимизации и грамотно перераспределить рекламный бюджет. И чтобы вы получили максимальный эффекты и выгоду, лучше всего обратиться за помощью к профессионалам, например, в маркетинговое B2B агентство.

«Если возвращаться к моему опыту, то я видел множество команд, которые столкнулись с проблемами из-за неправильной атрибуции. Но те, кто инвестировал время и ресурсы в правильное понимание своих данных, оказывались в лучшем, гораздо более понятном и прогнозируемом мире. Если возвращаться к моему опыту, то я видел множество команд, которые столкнулись с проблемами из-за неправильной атрибуции. Но те, кто инвестировал время и ресурсы в правильное понимание своих данных, оказывались в лучшем, гораздо более понятном и прогнозируемом мире», – Константин Мазяр, CEO Lens Agency.

Главное – не бойтесь рисковать и пробовать! Пока вы сидите – действуют и побеждают ваши конкуренты!

Комментарии (4)


  1. lair
    30.10.2023 17:39

    Какое отношение эта статья имеет к хабу .NET?


    1. moderator
      30.10.2023 17:39
      +1

      Исправили хабы в соответствии с тематикой статьи


      1. lair
        30.10.2023 17:39
        +1

        Спасибо


  1. bayan79
    30.10.2023 17:39

    Также (учитывая, что статья явно ссылается на Google Analytics) будет более корректным упомянуть, что Google отказывается от нескольких упомянутых в обзоре моделей атрибуции, в т.ч. от линейной и от атрибуции по первому клику (из-за чего нам под потребности клиента пришлось использовать опенсорсный счетчик).

    Разнообразие выбора нам показали, но с ним и так сталкиваются все буквально первым же шагом, как касаются этой области. Будет классно дополнить статью продолжением с кейсами, сравнениями с разных точек зрения и соответствующими выводами. Ждем! Любые цифры и графики скажут больше, чем заранее известные прописные истины дижитал- (и не только) сфер "Одно (иногда) работает лучше другого" и "Чем больше факторов учтем, тем точнее будет прогноз".

    [абсолютных утверждений вида "учитывая все факторы" также стоит избегать, иначе (откройте форточку) вам либо не поверят, либо попросят доказать утверждаемую всеобщность, из-за чего фокус внимания сместиться от того, что вы хотели донести.]

    Надеюсь увидеть продолжение!