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.
14.12.2021
Модели атрибуции, что это и какую выбрать
Юлия Гладких
Автор блога Андата
Автор блога Андата
Рассмотрим, что такое модели атрибуции и как с их помощью понять, какой из рекламных каналов работает эффективнее.
Содержание
Что такое модель атрибуции
Модель атрибуции — это правило, по которому распределяется ценность между каналами и источниками трафика в цепочке касаний пользователя с продуктом перед совершением конверсии.
Рассмотрим, как это работает, на примере. Процесс знакомства покупателя с товаром может быть долгим, а путь к принятию решения о покупке — длинным. За это время пользователь, как правило, успевает сделать несколько касаний с брендом: увидел таргетированную рекламу в Инстаграме*, перешёл на сайт, оформил подписку на рассылку, затем ещё несколько раз увидел рекламу этого товара в разных социальных сетях, а покупку совершил после увиденной интеграции с известным блогером. По данным исследования Google, перед покупкой клиент может совершить от 20 до 500 взаимодействий с брендом.
Модель атрибуции помогает оценить значимость каждого из этапов на пути клиента от знакомства с товаром до его приобретения. Другими словами, модели атрибуции — это способ оценки эффективности разных маркетинговых каналов.
Модель атрибуции помогает определить, какая реклама приводит к продажам, а какая нет, и отказаться от неэффективных каналов продвижения и рекламных кампаний, а заодно сэкономить бюджет.
Зачем нужны модели атрибуции
Давайте разберемся, как и каким каналам по умолчанию присваиваются конверсии в популярных системах веб-аналитики. По умолчанию в Яндекс Метрике и Google Analytics используется атрибуция по последнему клику. Сложность в том, что, например, таргетированная реклама и переход со страницы бренда в Instagram* на сайт может не привести сразу к конверсии, однако не стоит спешить отказаться от этого маркетингового канала. Возможно, таргет “познакомил” пользователей с брендом или товаром, то есть является первой и очень важной ступенькой в пути конверсии. Выяснить, так это или не так, можно отследив и проанализировав всю цепочку взаимодействий пользователей с сайтом. Именно это помогут сделать различные модели атрибуции.
Грамотно подобранная модель атрибуции поможет эффективно распределить рекламный бюджет между разными маркетинговыми каналами, отказаться от неэффективных рекламных площадок и собрать рабочую цепочку взаимодействий с пользователем.
Как выбрать модель атрибуции
Чтобы выбрать модель атрибуции нужно ответить себе на несложные вопросы.
Мы сделали карту, которая поможет определиться (увеличьте по клику):
- Насколько большая ваша компания?
- Какая цель у рекламной кампании?
- На скольких каналах продвижения вы хотите сфокусировать внимание?
- Как много данных статистики у вас есть?
- У вас длинный или короткий цикл продаж?
Мы сделали карту, которая поможет определиться (увеличьте по клику):
Какие бывают модели атрибуции
Всего существует около 10 моделей атрибуции. Каждая из них по-своему хороша в разных ситуациях и строгого рецепта, какую модель выбрать, нет. Чтобы понять, какая из них нужна именно вам, можно опираться на общие рекомендации и личный опыт, а это значит, что предстоит тестировать разные варианты.
Модели атрибуции по одному каналу
Модели атрибуции по одному каналу взаимодействий хороши отсутствием сложных вычислений. Их несложно настроить, вложений они требуют минимальных, но и предпочтение в них отдается только одному источнику трафика.
Чаще всего в Google Analytics и Яндекс.Метрике по умолчанию установлены именно одноканальные модели.
Чаще всего в Google Analytics и Яндекс.Метрике по умолчанию установлены именно одноканальные модели.
First Click атрибуция
Модель атрибуции по первому клику. Вся ценность присваивается первому каналу, в котором произошло касание клиента и бренда.
Эта модель атрибуции хороша в том случае, если задача рекламной кампании — повысить узнаваемость бренда. Тогда знакомство с ним будет важнее, чем покупка товара. Также, находясь наверху воронки продаж, она помогает установить, какой контент привлекает больше клиентов.
Модель first click игнорирует все рекламные каналы, кроме первого, поэтому с её помощью нельзя определить, что подтолкнуло пользователя к покупке. Её рекомендуется использовать в коротких циклах продаж.
Эта модель атрибуции хороша в том случае, если задача рекламной кампании — повысить узнаваемость бренда. Тогда знакомство с ним будет важнее, чем покупка товара. Также, находясь наверху воронки продаж, она помогает установить, какой контент привлекает больше клиентов.
Модель first click игнорирует все рекламные каналы, кроме первого, поэтому с её помощью нельзя определить, что подтолкнуло пользователя к покупке. Её рекомендуется использовать в коротких циклах продаж.
Пример: пользователь увидел рекламу в Телеграме, посетил сайт бренда, но покупку не совершил. Затем реклама этого товара попалась ему в Ютубе, ещё позже — пост о нём в Инстаграме* популярного блогера, после которого он и оформил заказ. Несмотря на то, что конверсию принесла интеграция с инфлюенсером, 100% ценности будет отдано рекламе в Телеграме, так как благодаря этому объявлению клиент узнал о компании и её продукции.
Last Click атрибуция
Модель атрибуции по последнему клику. 100% ценности уходит финальному касанию с брендом. Этот метод показывает решающий момент перед покупкой: какой маркетинговый канал привёл к целевому действию. Он используется в тех случаях, когда цель рекламы — конверсия. Как правило, спрос на товар уже сформирован, бренд может быть достаточно известен.
Last Click – самая популярная и распространённая модель. Её опасность заключается в том, что другие каналы взаимодействия могут недооцениваться.
Last Click – самая популярная и распространённая модель. Её опасность заключается в том, что другие каналы взаимодействия могут недооцениваться.
Пример: пользователь несколько раз видел рекламу онлайн курсов английского языка. Он узнал о школе иностранных языков благодаря контекстной рекламе, перешёл на сайт и подписался на email рассылку, чтобы получать бесплатные уроки. Затем реклама несколько раз попадалась ему в поисковиках, однако на покупку курса он решился после объявление об акции, которое увидел благодаря таргету в Инстаграм*. По модели атрибуции Last Click вся ценность будет присвоена именно таргетированной рекламе.
Модель атрибуции Last Non-Direct Click
Атрибуция по последнему клику с одним исключением: прямые заходы на сайт не учитываются. Эту модель также называют моделью по последнему платному клику.
То есть, если клиент ввёл URL сайта в адресной строке браузера, или зашёл на страницу сайта из закладок и совершил покупку, он уже знаком с вашей компанией. В таком случае важно понять, какой канал был последним перед этим прямым заходом, чтобы справедливо распределить затраты на рекламу по различным источникам и каналам трафика.
Метод хорош тем, что игнорирует бесплатные источники трафика и позволяет более точно оценить, как расходуется рекламный бюджет.
То есть, если клиент ввёл URL сайта в адресной строке браузера, или зашёл на страницу сайта из закладок и совершил покупку, он уже знаком с вашей компанией. В таком случае важно понять, какой канал был последним перед этим прямым заходом, чтобы справедливо распределить затраты на рекламу по различным источникам и каналам трафика.
Метод хорош тем, что игнорирует бесплатные источники трафика и позволяет более точно оценить, как расходуется рекламный бюджет.
Модель атрибуции Post-Click конверсия
В идеальной вселенной клиент видит рекламу, переходит на сайт и тут же совершает покупку. В реальном мире между этими тремя этапами может пройти какое-то время.
Время на принятие решения зависит от масштабов покупки, а точнее — её стоимости. На раздумья о приобретении одежды или мелкой бытовой техники может уйти пара недель, а о машине или квартире пользователь может думать значительно дольше — больше месяца.
Модель Post-Click учитывает эти временные промежутки — это большой плюс. Однако она не учитывает рекламу, нацеленную на узнаваемость бренда, которая также может повлиять на решение о покупке.
Время на принятие решения зависит от масштабов покупки, а точнее — её стоимости. На раздумья о приобретении одежды или мелкой бытовой техники может уйти пара недель, а о машине или квартире пользователь может думать значительно дольше — больше месяца.
Модель Post-Click учитывает эти временные промежутки — это большой плюс. Однако она не учитывает рекламу, нацеленную на узнаваемость бренда, которая также может повлиять на решение о покупке.
Модель атрибуции Post-View конверсия
Модель, которая анализирует действия пользователей после просмотра рекламного объявления, например, видеоролика или баннера.
В изображение встраивается специальный pixel-tag для сбора статистики. Он фиксирует факт просмотра, а файлы cookies позволяют отслеживать дальнейшие действия потенциального клиента.
Post-view правильно использовать, когда нужно оценить эффективность рекламных роликов.
В изображение встраивается специальный pixel-tag для сбора статистики. Он фиксирует факт просмотра, а файлы cookies позволяют отслеживать дальнейшие действия потенциального клиента.
Post-view правильно использовать, когда нужно оценить эффективность рекламных роликов.
Пример: легкоатлет увидел рекламный ролик новой модели кроссовок для бега. Заинтересовался, но не купил. Через неделю он увидел, что его кроссовки приходят в негодность и вспомнил, что недавно видел новую классную пару в рекламе. Пользователь нашел сайт компании через поисковик и заказал обувь своего размера.
Многоканальные модели атрибуции
Модели атрибуции по одному действию просты в использовании, однако оставляют много пробелов в аналитике. Многоканальная атрибуция учитывает каждую точку касания и анализирует весь путь пользователя.
Линейная модель атрибуции
Одна из самых простых и понятных многоканальных моделей. Она наделяет каждое касание с брендом одинаковой ценностью. Если до покупки пользователь взаимодействовал с товаром пять раз, каждой точке касания будет присвоена ценность в 20%.
Линейная атрибуция считается одной из самых цельных, поскольку не упускает из внимания ни один из маркетинговых каналов. Она подходит тогда, когда товар имеет длинный цикл продажи.
Тем не менее, не всегда разные источники трафика эффективны в равной степени, и об этом нужно помнить. Так, клик по таргетированной рекламе будет равен клику по контекстной рекламе, после которой клиент оформил заявку. Таким образом, линейная модель не приносит ясности, в какие каналы продвижения стоит вкладываться больше, чем в другие.
Пример: перед тем, как совершить покупку, пользователь увидел рекламу в Инстаграме*, получил письмо из email-рассылки, наткнулся на товар в контекстной рекламе, а затем увидел рекламный баннер на ютубе. Всем четырём каналам будет присвоена одинаковая ценность, по 25%.
Тем не менее, не всегда разные источники трафика эффективны в равной степени, и об этом нужно помнить. Так, клик по таргетированной рекламе будет равен клику по контекстной рекламе, после которой клиент оформил заявку. Таким образом, линейная модель не приносит ясности, в какие каналы продвижения стоит вкладываться больше, чем в другие.
Пример: перед тем, как совершить покупку, пользователь увидел рекламу в Инстаграме*, получил письмо из email-рассылки, наткнулся на товар в контекстной рекламе, а затем увидел рекламный баннер на ютубе. Всем четырём каналам будет присвоена одинаковая ценность, по 25%.
U-Shape атрибуция
Позиционная модель атрибуции. Первому и последнему касаниям присваиваются по 40% ценности, остальные 20% равномерно распределяются между другими источниками трафика.
Пример: крупная парфюмерная компания выпустила новый аромат. Ей важно, чтобы аудитория узнала об этой новинке, и чтобы на неё сформировался спрос. Для этого бренд запустил масштабную рекламную кампанию, задействовав множество площадок. Пользователь увидел рекламный ролик в Youtube — это знакомство с товаром, этому касанию будет присвоено 40% ценности. Покупку парфюма клиент совершил после таргетированной рекламы в Инстаграм*, эта реклама получит также 40% ценности. Однако между знакомством и покупкой пользователь ещё несколько раз соприкасался с рекламой бренда: ему попадался рекламный баннер на каком-то сайте, реклама в телеграме, и интеграция с блогером в Tik-Tok. Каждому из этих каналов достанется по 6,7% ценности.
Эта модель считается наиболее полной и подробной. Она используется, когда важно не только то, как клиент познакомился с брендом, но и что привело его к конверсии. Но свои нюансы, разумеется, тоже есть.
Так, значение промежуточных каналов может недооцениваться. Например, пользователь хотел приобрести кроссовки после рекламы у блогера, которая в пути конверсии из 5 шагов была на четвертом месте, но его размера не оказалось. Он подписался на рассылку, чтобы не пропустить новое поступление, и в итоге купил товар после полученного по email письма о появлении нужного размера. Получается, что реклама у блогера сильнее всего подтолкнула человека к покупке, но в дело вмешались другие обстоятельства, помешавшие конверсии и больше значения было отдано рассылке.
Эта модель считается наиболее полной и подробной. Она используется, когда важно не только то, как клиент познакомился с брендом, но и что привело его к конверсии. Но свои нюансы, разумеется, тоже есть.
Так, значение промежуточных каналов может недооцениваться. Например, пользователь хотел приобрести кроссовки после рекламы у блогера, которая в пути конверсии из 5 шагов была на четвертом месте, но его размера не оказалось. Он подписался на рассылку, чтобы не пропустить новое поступление, и в итоге купил товар после полученного по email письма о появлении нужного размера. Получается, что реклама у блогера сильнее всего подтолкнула человека к покупке, но в дело вмешались другие обстоятельства, помешавшие конверсии и больше значения было отдано рассылке.
Модель Time Decay — атрибуция по давности взаимодействия
Модель с учётом давности взаимодействия. Ценность касания распределяется по нарастающей. У первого касания будет самая маленькая ценность, у последнего — самая большая. Предполагается, что чем ближе взаимодействие с брендом к моменту покупки, тем выше его ценность.
Пример: пользователь увидел рекламу прогулок на сап-бордах в Инстаграм*. Это касание было первым и познакомило его с услугой, поэтому оно получит меньше всего ценности — в нашем случае, 10%. Он подписался на рассылку и вскоре получил email-письмо о прогулках в текущем месяце — этому взаимодействию достанется 20%. Немного позже пользователь увидел рекламный ролик на ютубе — это 30% ценности. И, наконец, потенциальному клиенту позвонили сотрудники компании и рассказали об актуальных акциях, после чего он зашёл на сайт и оформил заявку на прогулку. Звонок получит максимум ценности — 40%.
Пример: пользователь увидел рекламу прогулок на сап-бордах в Инстаграм*. Это касание было первым и познакомило его с услугой, поэтому оно получит меньше всего ценности — в нашем случае, 10%. Он подписался на рассылку и вскоре получил email-письмо о прогулках в текущем месяце — этому взаимодействию достанется 20%. Немного позже пользователь увидел рекламный ролик на ютубе — это 30% ценности. И, наконец, потенциальному клиенту позвонили сотрудники компании и рассказали об актуальных акциях, после чего он зашёл на сайт и оформил заявку на прогулку. Звонок получит максимум ценности — 40%.
Модель Time Decay учитывает все точки взаимодействия клиента с продуктом и наделяет большим влиянием последние этапы маркетинговой воронки, поэтому они прорабатываются более тщательно и получают основную часть рекламного бюджета. Это хорошо работает на формирование лояльности к бренду и повышение уровня заботы о потенциальном клиенте.
Однако при использовании атрибуции Time Decay верхушка воронки, то есть первые касания, всегда будут недооцениваться.
Однако при использовании атрибуции Time Decay верхушка воронки, то есть первые касания, всегда будут недооцениваться.
Модель Data-driven — атрибуция на основе данных
Атрибуция на основе данных. Самая полная, гибкая, быстрая и адаптивная модель. Именно она позволяет обойти все нюансы и ограничения других, более традиционных моделей.
Data-driven модель использует алгоритмы, которые анализируют ценность каждого маркетингового канала в отдельности и определяет, как сильно они стимулируют конверсию.
Пример: пользователь увидел рекламу готовых рационов питания в Фейсбуке*. Этот канал привлек человека и познакомил с товаром. Ему будет присвоено 20% ценности. Он подписался на рассылку и просмотрел все письма и перешел по всем ссылкам, изучая особенности правильного питания. Этот канал получил наибольшую ценность в 40%. Позже пользователь созвонился с сотрудниками компании и получил подробную консультацию. Разговор был долгим, были получены ответы на все вопросы. Колл-центр заслуживает 30% ценности. После этого человек перешел по ссылке в Директ и купил товар — этот канал забирает оставшиеся 10% ценности.
Data-driven модель использует алгоритмы, которые анализируют ценность каждого маркетингового канала в отдельности и определяет, как сильно они стимулируют конверсию.
Пример: пользователь увидел рекламу готовых рационов питания в Фейсбуке*. Этот канал привлек человека и познакомил с товаром. Ему будет присвоено 20% ценности. Он подписался на рассылку и просмотрел все письма и перешел по всем ссылкам, изучая особенности правильного питания. Этот канал получил наибольшую ценность в 40%. Позже пользователь созвонился с сотрудниками компании и получил подробную консультацию. Разговор был долгим, были получены ответы на все вопросы. Колл-центр заслуживает 30% ценности. После этого человек перешел по ссылке в Директ и купил товар — этот канал забирает оставшиеся 10% ценности.
Алгоритмы этой модели можно настроить индивидуально, например, включить оценку определенных ключевых слов. Она легко встраивается и работает одинаково эффективно и на коротких, и на длинных путях конверсии, позволяет быстро выявить неэффективные каналы продвижения и простимулировать те, которые приносят доход.
Единственный недостаток атрибуции Data-Driven — потребность в большом объеме данных.
Единственный недостаток атрибуции Data-Driven — потребность в большом объеме данных.
Вся сила Data-driven атрибуции вместе с AnData
Андата использует в своей модели data-driven атрибуцию, которая значительно отличается от того, что предлагают Яндекс и Google. Она не использует стандартные фреймворки и строится на машинном обучении, что обеспечивает гибкость и высокую точность модели.
Чтобы понять, какой шаг в пути конверсии привёл к оформлению заказа, нужно этот самый путь выстроить. По умолчанию это делается с помощью файлов Cookie, но точность этих данных далеко не всегда высокая:
Google, например, закрывает сессию автоматически каждый день в полночь. То есть, если пользователь кликнул по рекламе и перешел на сайт сегодня в 23:00, а покупку совершил на следующий день, кликнув уже по другой рекламе, аналитика Google не учтёт первое касание.
Чтобы исправить эту ситуацию и повысить точность, Андата считывает цифровой профиль, используя цифровой паспорт. Учитываются разные Cookie: Andata фиксирует и запоминает каждый из них и склеивает в единую систему данных. Например, Cookie 1 Google; Cookie 2 Google; Cookie 3 Google; Cookie 4 Яндекс; Cookie 5 Яндекс — это все один профиль, все действия относятся к одному цифровому паспорту.
Система определяет каждый клик пользователя и фиксирует каждый источник трафика. Модель выстраивает сквозную сессию, независимо от её продолжительности, и определяет наличие конверсии.
Чтобы понять, какой шаг в пути конверсии привёл к оформлению заказа, нужно этот самый путь выстроить. По умолчанию это делается с помощью файлов Cookie, но точность этих данных далеко не всегда высокая:
- Файл cookie может стереться
- Пользователь может совершить последовательность действий на другом сайте через разное время,
- У разных систем разный срок жизни cookie-файла: это может быть и 30 часов, и 200 дней, и 2 года
Google, например, закрывает сессию автоматически каждый день в полночь. То есть, если пользователь кликнул по рекламе и перешел на сайт сегодня в 23:00, а покупку совершил на следующий день, кликнув уже по другой рекламе, аналитика Google не учтёт первое касание.
Чтобы исправить эту ситуацию и повысить точность, Андата считывает цифровой профиль, используя цифровой паспорт. Учитываются разные Cookie: Andata фиксирует и запоминает каждый из них и склеивает в единую систему данных. Например, Cookie 1 Google; Cookie 2 Google; Cookie 3 Google; Cookie 4 Яндекс; Cookie 5 Яндекс — это все один профиль, все действия относятся к одному цифровому паспорту.
Система определяет каждый клик пользователя и фиксирует каждый источник трафика. Модель выстраивает сквозную сессию, независимо от её продолжительности, и определяет наличие конверсии.
Важный момент: целевых действий может быть несколько.
Например, пользователь может оставить заявку на главной странице сайта и заполнить аналогичную форму в разделе контакты, а затем, для надёжности, написать письмо на email. Каждое из этих действий в Андата будет связано с источником трафика и считаться конверсионным. Между ними будет рассчитана временная дистанция, каждой конверсии будет присвоена своя стоимость и своя ценность.
Целевые действия фиксируются Андатой асинхронно. Информация о них хранится в отдельных массивах: когда они произошли, к какому рекламному каналу привязаны, какую ценность имеют эти каналы.
Атрибуция Data-Driven от Андата — первая модель, которая распределяет количество целевых действий и ценность рекламных каналов по времени. Она связывает информацию с разными параметрами:
Таким образом, модель формирует наиболее полное представление об эффективности каждого маркетингового канала. Она определяет, что повлияло на решение о покупке и строит предположения, где лучше закупать трафик и какие настройки кампании выставлять, чтобы она приносила клики и конверсию.
Например, пользователь может оставить заявку на главной странице сайта и заполнить аналогичную форму в разделе контакты, а затем, для надёжности, написать письмо на email. Каждое из этих действий в Андата будет связано с источником трафика и считаться конверсионным. Между ними будет рассчитана временная дистанция, каждой конверсии будет присвоена своя стоимость и своя ценность.
Целевые действия фиксируются Андатой асинхронно. Информация о них хранится в отдельных массивах: когда они произошли, к какому рекламному каналу привязаны, какую ценность имеют эти каналы.
Атрибуция Data-Driven от Андата — первая модель, которая распределяет количество целевых действий и ценность рекламных каналов по времени. Она связывает информацию с разными параметрами:
- с браузером,
- с цифровым паспортом,
- с датой,
- со временем,
- с типом устройства (мобильная или десктопная версия),
- с операционной системой,
- с ключевым словом,
- с объявлением,
- с рекламной компанией.
Таким образом, модель формирует наиболее полное представление об эффективности каждого маркетингового канала. Она определяет, что повлияло на решение о покупке и строит предположения, где лучше закупать трафик и какие настройки кампании выставлять, чтобы она приносила клики и конверсию.
Подводим итоги
- Атрибуция позволяет оценить эффективность разных рекламных каналов и правильно распределить рекламный бюджет.
- Существует много моделей атрибуции, и универсального ответа на вопрос, какая из них лучше, нет: всё индивидуально и зависит от многих факторов, среди которых масштабы бизнеса и рекламной кампании, цикл продаж и цели рекламы.
- Одноканальные модели хороши своей простотой и доступностью, однако они могут упускать важную информацию и недооценивать какие-то источники трафика.
- Многоканальная атрибуция формирует наиболее полную картину. Самые точные данные предоставляет модель data-driven.
- Такую атрибуцию предоставляет сервис AnData. Он не использует стандартные фреймворки, модель строится на алгоритмах машинного обучения, что обеспечивает наиболее высокую гибкость и адаптивность.
*Признана экстремистской организацией и запрещена на территории РФ.
Читайте также