I am ready for a long road flight for work with a week- or months-long projects.
I am ready for a long road flight for work with a week- or months-long projects.
17.12.2021
Data-driven атрибуция рекламы на основе данных
Изобретатель ценника и известный американский коммерсант Джон Ванамейкер однажды сказал: «Половина денег, которые я трачу на рекламу, тратится впустую. Проблема в том, что я не знаю, какая половина».
За последнее столетие многое изменилось, но вопрос о том, какие рекламные усилия действительно способствуют увеличению прибыли, все так же на повестке дня. К счастью, ответом на него может стать атрибуция на основе данных — современная технология, позволяющая бизнесу точно анализировать эффективность маркетинга и оптимизировать кампании для достижения максимальной рентабельности инвестиций.
Понимание преимуществ, которыми обладает data-driven атрибуция, не будет полным без рассмотрения традиционных моделей оценки. Они используют заранее заданные правила для измерения точек взаимодействия пользователя с брендом. Это обеспечивает бизнесу понимание того, что стало ключевым фактором в принятии решения о совершении целевого действия, но не позволяет дать справедливую оценку всему пути пользователя, который, как известно, может быть весьма тернистым и извилистым.
За последнее столетие многое изменилось, но вопрос о том, какие рекламные усилия действительно способствуют увеличению прибыли, все так же на повестке дня. К счастью, ответом на него может стать атрибуция на основе данных — современная технология, позволяющая бизнесу точно анализировать эффективность маркетинга и оптимизировать кампании для достижения максимальной рентабельности инвестиций.
Понимание преимуществ, которыми обладает data-driven атрибуция, не будет полным без рассмотрения традиционных моделей оценки. Они используют заранее заданные правила для измерения точек взаимодействия пользователя с брендом. Это обеспечивает бизнесу понимание того, что стало ключевым фактором в принятии решения о совершении целевого действия, но не позволяет дать справедливую оценку всему пути пользователя, который, как известно, может быть весьма тернистым и извилистым.
Содержание
Модели атрибуции, основанные на правилах
Одноканальные
В данном случае 100% баллов за конверсию назначается одной точке взаимодействия. Преимуществом одноканальных атрибуций является простота настройки и минимальные вложения. Недостатком — невозможность проанализировать все действия пользователя на пути к конверсии.
Существует две основных модели одноканальной атрибуции:
Существует две основных модели одноканальной атрибуции:
- По последнему клику (Last Click или Last Interaction).
Общий балл за конверсию присваивается последней точке взаимодействия перед тем, как покупатель совершил покупку. Данный вариант моделирования используется по умолчанию в Google Ads.
- По последнему непрямому клику (Last Non-Direct Click).
Эта модель используется по умолчанию в Google Analytics. Ее отличие от атрибуции по последнему клику заключается в том, что прямые посещения игнорируются в отчете, а вся ценность конверсии присваивается последнему каналу в цепочке взаимодействий.
- По первому клику (First Interaction или First Click).
Все лавры за совершение конверсии присваиваются первой точке взаимодействия.
Мультиканальные
В моделях мультиканальной атрибуции на основе правил баллы за конверсию назначаются нескольким точкам взаимодействия с применением заранее определенного алгоритма.
Три наиболее часто используемые модели в этой категории:
Три наиболее часто используемые модели в этой категории:
- Линейная (Linear model).
Присваивает равные баллы каждой точке взаимодействия на пути клиента. Если он взаимодействовал с пятью каналами до совершения покупки, то каждый из них получит 20% за конверсию и будет оценен как равнозначный.
- На основе позиции, или U-образная атрибуция (U-shape model).
Эта гибридная модель распределяет значительную часть кредита за конверсию между первой и последней точками взаимодействия, а оставшуюся долю — поровну между источниками, находящимися между ними.
- С учетом давности взаимодействия (Time Decay).
Ценность каждой точки взаимодействия уменьшается по мере увеличения времени между этой точкой взаимодействия и конечной конверсией. Такой подход хорошо работает для компаний с длинным циклом покупки, однако искажает определение ценности каждого шага.
Атрибуция на основе данных
Атрибуция на основе данных
Data-driven атрибуция обходит все ограничения традиционных методов, рассмотренных выше. Она не придерживается определенного алгоритма оценки, а использует технологию машинного обучения для создания индивидуальной модели для каждого бизнеса. Все данные, отражающие путь пользователя, учитываются и получают взвешенную оценку в зависимости от реального вклада в конверсию. Это позволяет маркетологам лучше понять, как клиенты взаимодействуют с их брендами по различным каналам и маркетинговым программам, а также как каждая точка взаимодействия способствует конверсии.
Принцип работы атрибуции на основе данных в Adwords, Analytics и других системах основывается на построении сессий через нахождение файлов cookies. Благодаря этому система может учитывать действия пользователя на разных устройствах, объединяя их в единую модель.
Стоит учесть, что атрибуция на основе данных требует выбора надежной платформы, которая может быстро автоматизировать аналитику и предоставлять полезные отчеты для внутреннего использования. Сбор информации — это лишь первый шаг к принятию правильных маркетинговых решений. До тех пор, пока эти данные не будут преобразованы в элементы, которые могут быть использованы и улучшены маркетинговой командой, их ценность не будет полностью реализована.
Стоит учесть, что атрибуция на основе данных требует выбора надежной платформы, которая может быстро автоматизировать аналитику и предоставлять полезные отчеты для внутреннего использования. Сбор информации — это лишь первый шаг к принятию правильных маркетинговых решений. До тех пор, пока эти данные не будут преобразованы в элементы, которые могут быть использованы и улучшены маркетинговой командой, их ценность не будет полностью реализована.
Data-driven атрибуция vs Last click модель
Data-driven атрибуция vs Last click модель
В большинстве рекламных кампаний по умолчанию используется Last click модель атрибуции, которая дает 100% ценность последней точке взаимодействия перед конверсией. Конечно, тот канал, который стал решающим для совершения целевого действия, имеет важное значение, однако данный подход не учитывает другие шаги в маркетинговой воронке.
Путь к покупке постоянно меняется. Сегодня он охватывает множество устройств и иногда требует более 50 взаимодействий, прежде чем произойдет целевое действие. Если ваш маркетинговый комплекс выходит за рамки одного канала, вам необходимо мультиканальное моделирование, которое обеспечивает полное представление обо всех этапах пути клиента.
Если же вы хотите не просто знать перечень всех точек взаимодействия, но и реальную ценность каждой из них, то атрибуция на основе данных — единственный вариант. Этот метод позволяет точно оценить эффективность кампаний и обнаружить, что некоторые менее эффективные каналы в верхней части воронки на самом деле имеют большую общую ценность, чем кажется.
Чтобы лучше понять особенности данных моделей атрибуции, стоит рассматривать их принцип действия на конкретном примере.
Путь к покупке постоянно меняется. Сегодня он охватывает множество устройств и иногда требует более 50 взаимодействий, прежде чем произойдет целевое действие. Если ваш маркетинговый комплекс выходит за рамки одного канала, вам необходимо мультиканальное моделирование, которое обеспечивает полное представление обо всех этапах пути клиента.
Если же вы хотите не просто знать перечень всех точек взаимодействия, но и реальную ценность каждой из них, то атрибуция на основе данных — единственный вариант. Этот метод позволяет точно оценить эффективность кампаний и обнаружить, что некоторые менее эффективные каналы в верхней части воронки на самом деле имеют большую общую ценность, чем кажется.
Чтобы лучше понять особенности данных моделей атрибуции, стоит рассматривать их принцип действия на конкретном примере.
Художник Коля решил купить краски. Через рекламу в Google он перешел на сайт. Коля не сделал покупку мгновенно, решив, что утро вечера мудренее, но подписался на рассылку. Через несколько дней он получил письмо с акциоными ценами на товары, действующими при подписке на Instagram* магазина. В профиле компании в социальной сети он увидел контакты и позвонил в call-центр, чтобы уточнить детали. Еще через неделю Коля совершил покупку, введя url сайта в строке поиска.
Художник Коля решил купить краски. Через рекламу в Google он перешел на сайт. Коля не сделал покупку мгновенно, решив, что утро вечера мудренее, но подписался на рассылку. Через несколько дней он получил письмо с акциоными ценами на товары, действующими при подписке на Instagram* магазина. В профиле компании в социальной сети он увидел контакты и позвонил в call-центр, чтобы уточнить детали. Еще через неделю Коля совершил покупку, введя url сайта в строке поиска.
В данном случае можно выделить следующие ключевые действия, которые привели к конверсии:
Используя модель последнего клика, вы видите только прямой переход на сайт. Соответственно, ценность контекстной рекламы, email-маркетинга, маркетинга в социальных сетях, а также работа специалистов call-центра нивелируются в сборе данных о покупке.
Data-driven атрибуция покажет вам весь путь клиента, выделив наиболее ценные взаимодействия, независимо от того, конверсия была сделана в тот же день, что и переход по рекламе, или через несколько месяцев. Это открывает широкие возможности для анализа, повышения эффективности маркетинговых усилий и оптимизации рекламных бюджетов.
Ads — Email-рассылка — Instagram* — Call-центр — Прямой переход — Покупка
Используя модель последнего клика, вы видите только прямой переход на сайт. Соответственно, ценность контекстной рекламы, email-маркетинга, маркетинга в социальных сетях, а также работа специалистов call-центра нивелируются в сборе данных о покупке.
Data-driven атрибуция покажет вам весь путь клиента, выделив наиболее ценные взаимодействия, независимо от того, конверсия была сделана в тот же день, что и переход по рекламе, или через несколько месяцев. Это открывает широкие возможности для анализа, повышения эффективности маркетинговых усилий и оптимизации рекламных бюджетов.
Data-driven атрибуция в Google
Data-driven атрибуция в Google
В бесплатной версии Google Analytics есть семь моделей атрибуции, но вам нужно быть клиентом Analytics 360, чтобы получить доступ к моделированию атрибуции на основе данных. GA360 предлагает множество функций и целостный обзор действий пользователей по всем цифровым каналам, чтобы оценить их путь к конверсии.
Поскольку data-driven атрибуция в Analytics 360 обеспечивает всестороннее представление о том, как каждый канал способствует конверсиям, полученные сведения можно использовать для оптимизации бюджетов.
Тем не менее, при всех достоинствах атрибуция на основе данных в Google имеет один серьезный недостаток — автоматическое закрытие сессии каждый день в 00:00. В этом случае конверсии пользователя будут учтены, но они не будут привязаны к тому источнику трафика, к которому привязана сессия, завершенная в 00:00. Если пользователь пришел по рекламе в 23:59, а в 00:10 совершил конверсию, она будет привязана уже к новой сессии, у которой источник трафика — прямой заход (ведь в 00:00 пользователь уже находился на сайте). И это вносит путаницу в атрибуцию конверсий и в анализ эффективности рекламных каналов. Получается, что даже с использованием дата-дривен подхода в Google Analytics 360 мы получаем искаженные данные.
Есть ли альтернатива?
Поскольку data-driven атрибуция в Analytics 360 обеспечивает всестороннее представление о том, как каждый канал способствует конверсиям, полученные сведения можно использовать для оптимизации бюджетов.
Тем не менее, при всех достоинствах атрибуция на основе данных в Google имеет один серьезный недостаток — автоматическое закрытие сессии каждый день в 00:00. В этом случае конверсии пользователя будут учтены, но они не будут привязаны к тому источнику трафика, к которому привязана сессия, завершенная в 00:00. Если пользователь пришел по рекламе в 23:59, а в 00:10 совершил конверсию, она будет привязана уже к новой сессии, у которой источник трафика — прямой заход (ведь в 00:00 пользователь уже находился на сайте). И это вносит путаницу в атрибуцию конверсий и в анализ эффективности рекламных каналов. Получается, что даже с использованием дата-дривен подхода в Google Analytics 360 мы получаем искаженные данные.
Есть ли альтернатива?
Как использовать data-driven атрибуцию по максимуму с Andata
Как использовать data-driven атрибуцию по максимуму с Andata
Маркетинговая платформа Andata предлагает персонализировать и оптимизировать цикл взаимодействия с клиентами по всем маркетинговым каналам с помощью использования нейросетей.
Как это работает? В отличие от Google, система собирает единый цифровой профиль пользователя, который объединяет данные из разных источников, таких как мобильные приложения, веб-сайты, платные и бесплатные рекламные каналы, т. д. Вся поступающая информация привязывается непосредственно к цифровому паспорту, а не конкретной сессии, что позволяет отслеживать путь клиента, который может длиться месяцами.
Все данные, запечатанные в рамках единого цифрового профиля, анализируются благодаря модели атрибуции, основанной на машинном обучении, и связываются с разными параметрами, такими как отпечаток браузера, дата, тип устройства, операционная система, пройденная авторизация, ключевое слово и множество других параметров. Все это позволяет выстроить точный путь пользователя, а также назначить каждому взаимодействию свой вес, значимость и влияние на итоговую ценность конверсии.
Как это работает? В отличие от Google, система собирает единый цифровой профиль пользователя, который объединяет данные из разных источников, таких как мобильные приложения, веб-сайты, платные и бесплатные рекламные каналы, т. д. Вся поступающая информация привязывается непосредственно к цифровому паспорту, а не конкретной сессии, что позволяет отслеживать путь клиента, который может длиться месяцами.
Все данные, запечатанные в рамках единого цифрового профиля, анализируются благодаря модели атрибуции, основанной на машинном обучении, и связываются с разными параметрами, такими как отпечаток браузера, дата, тип устройства, операционная система, пройденная авторизация, ключевое слово и множество других параметров. Все это позволяет выстроить точный путь пользователя, а также назначить каждому взаимодействию свой вес, значимость и влияние на итоговую ценность конверсии.
В результате глубокого анализа и оценки ряда параметров нейросетями, Andata предоставляет вероятностные сценарии, которые помогают принимать стратегические решения на основе данных и оптимизировать рекламные кампании для достижения поставленных целей с наилучшим результатом для бизнеса.
Подводим итоги
Подводим итоги
Атрибуция сложна, особенно если принять во внимание все маркетинговые возможности в онлайн- и офлайн-пространстве, различные устройства и даже кампании по повышению осведомленности о бренде, в которых медийная реклама измеряется показами, а не кликами. Однако любой шаг к лучшему моделированию атрибуции может иметь существенное влияние на сокращение бесполезных маркетинговых расходов.
Атрибуция на основе данных дает вам полное представление о пути к покупке, независимо от того, насколько он сложен или фрагментирован. Результатом этого понимания является способность адаптировать свою стратегию и оптимизировать расходы на рекламу.
Идеальный подход к атрибуции — использовать готовые решения для экономии времени, денег и ресурсов. Вместо того, чтобы основываться на человеческой субъективности, платформы data driven атрибуции передают фактические данные технологиям искусственного интеллекта и машинного обучения, чтобы предоставлять самую актуальную и точную информацию.
*Признана экстремистской организацией и запрещена на территории РФ.
Атрибуция на основе данных дает вам полное представление о пути к покупке, независимо от того, насколько он сложен или фрагментирован. Результатом этого понимания является способность адаптировать свою стратегию и оптимизировать расходы на рекламу.
Идеальный подход к атрибуции — использовать готовые решения для экономии времени, денег и ресурсов. Вместо того, чтобы основываться на человеческой субъективности, платформы data driven атрибуции передают фактические данные технологиям искусственного интеллекта и машинного обучения, чтобы предоставлять самую актуальную и точную информацию.
*Признана экстремистской организацией и запрещена на территории РФ.
Читайте также