Как выбрать нужную модель атрибуции? Слово экспертам

Smart Analytics

Smart Analytics

платформа сквозной аналитики enterprise-уровня
5 мин.

Важно понять, что ваш маркетинг — это не цепь случайных событий, а последовательный путь, который подвержен логике

Директор по развитию Smart Analytics Кирилл Баскаков о философском переосмыслении моделирования атрибуции, причинах, по которым старые модели стали недееспособны, и как новый инструмент – омниканальные пользовательские цепи – помогает бизнесу и маркетингу сегодня.👇

Анализ многоуровневых пользовательских цепей

Вопрос выбора правильной модели атрибуции — это то, что всегда вызывало споры и разногласия разных маркетологов, аналитиков и разработчиков этих моделей. Чаще всего применяются простые модели атрибуции типа первого клика, последнего клика, последнего непрямого взаимодействия, линейной модели или какого-нибудь U-shape, где первый и последний источники получают больший вес.

Есть и продвинутые модели атрибуции, использующие более сложные математические модели, например, на основе векторов Шепли или цепей Маркова. Проблемы этих подходов в том, что они не учитывают критически значимого фактора последовательности источников/каналов в поведении пользователей.

В последнее время также набирают популярность различные ML-модели атрибуции. Предполагается, что модель обучается на данных, которые получены на входе.

Основные недостатки подхода:

  • требуется много данных, не работает на небольших и средних объемах;
  • требуется регулярно дообучать/переобучать модель, т. к. с изменением структуры трафика (а значит, и пользовательских цепей) меняется и вклад различных источников/каналов;
  • применение оптимизационных решений на базе ML-атрибуции приводит к пересчету весов.

Стоит обратить внимание на последний пункт. ML-атрибуция — это такая «ветреная дама», которая рекомендует вам произвести определенную оптимизацию (на основе атрибуцированных данных), а когда эта оптимизация произведена, она может «передумать» насчет значимости источников/каналов. Почему так происходит? Потому что цепи ломаются, и легко может быть, что ломаются высокоэффективные цепи и набирают обороты малоэффективные.

Но главная проблема всех моделей атрибуции в том, что они всегда скрывают структуру омниканального маркетинга и не дают оснований для принятия однозначных и окончательных управленческих решений. Создавая «плоскую» таблицу из данных, которые не могут быть представлены в виде простой таблицы из-за слишком большого количества взаимосвязей между ними, мы лишаем себя настоящего видения ситуации и действуем почти вслепую. Выглядит этот процесс примерно так:

В результате:

  • Не видим последовательностей рекламных активностей.
  • Не понимаем количества касаний в рамках тех или иных цепочек.
  • Не можем посмотреть, в какие разные цепочки входит один и тот же канал, рекламная кампания, ключевое слово или что-то еще.
  • Нет возможности отделить эффективные пути от неэффективных.
  • Выстроить маркетинговую стратегию на основании этих данных невозможно.

Важно понять, что ваш маркетинг — это не цепь случайных событий, а последовательный путь, который подвержен логике. Прошлые действия пользователя, даже первый заход без достигнутых целей, вносят определенный вклад и ложатся в начало некой цепи дальнейших взаимодействий, которая была бы невозможна без этого, казалось бы, бесполезного касания.

Как же правильно и однозначно определить вес? Верный ответ — никак. И это не нужно. Smart Analytics показывает реальную структуру вашего омниканального маркетинга в виде сегментируемых агрегированных многоуровневых пользовательских цепей, а не плоской таблицы и избегает оценочных суждений.

По цепям доступны все важные показатели:

  • Совокупный расход, клики, показы.
  • Количество сеансов и пользователей.
  • Количество и стоимость конверсий (в т. ч. их кастомных групп).
  • Количество и стоимость достижения любого этапа воронки продаж из CRM.
  • Количество и объем продаж, CPO, ROAS, LTV и прочие.

Одни и те же источники/каналы будут входить в цепочки разного типа, и их показатели также будут различными:

Поняв, как устроены пути пользователей, вы сможете понять, как выстроить оптимальную маркетинговую стратегию. Есть цепи, которыми невозможно управлять, например «yandex/organic → google/organic → direct/none». Повлиять на их результаты вы не сможете. При этом будет огромное количество цепей с участием платного трафика, на которые можно оказывать прямое влияние. Приведу пару простых и самых очевидных примеров использования:

  • Если вы видите, что ретаргетинг невероятно эффективен в сочетании с сетевыми рекламными кампаниями в РСЯ — можете выгрузить сегмент и импортировать его в Яндекс, чтобы задать необходимые условия показа.
  • Если видно, что цепь с двумя заходами через Facebook неэффективна, а с одним работает хорошо, то можете настроить ограничение на число показов одному пользователю.
  • Можно строить простые сегменты внутри рекламных систем. Например, если видим, что пользователи, пришедшие через Яндекс.Поиск, не конвертируются в сетях (или ROI нас не устраивает), то можно создать сегмент «пришедшие с Яндекс.Поиска» и занизить для него ставки в сетевых РК (возможно, не во всех, а в определенных).
  • Если мы видим, что цепь (или множество цепей, которые содержат это условие) «Яндекс.Поиск» → «ремаркетинг в Google» имеет низкий ROI (например, по причине низкой конверсии), мы выгружаем cid’ы Яндекс.Поиска и заливаем их в ремаркетинговые кампании Google как сегмент, на который устанавливаем низкую ставку.
  • Если мы видим, что цепи с неким элементом (источником/каналом или рекламной кампанией, например) неэффективны вне зависимости от структуры, то можем этот источник/канал или нечто другое просто отключить без опасений, что это негативно повлияет на рентабельность каких-то других цепей.

Пользовательские цепи открывают огромное количество новых подходов к аналитике и, самое главное, к управлению омниканальным маркетингом. Использование этого инструмента позволит пересмотреть процесс построения маркетинговых стратегий и снизить количество решений, которые приводят к неожиданным негативным последствиям из-за недостатка данных, на основе которых они принимаются.

Читайте также: