Павел Хазов, Product Manager OWOX BI, рассказал об атрибуции, о том, что это такое и зачем она нужна.
Почему мы говорим про атрибуцию, и зачем она нужна? Многие ее используют, даже не зная об этом. Это не приставка к вашей маркетинговой активности в диджитале, а инструмент, который может продвинуть ваш маркетинг, увеличить его эффективность и правильно его оценить.
Попробую объяснить этот термин на простом примере. Представим, что у нас есть простая цепочка до покупки в интернет-магазине. Пользователь пришел с Google Ads и решил сделать заказ на сайте.
В этом случае все понятно: Google Ads – молодец! В своих отчетах мы увидим, что одна конверсия была с Google Ads.
Если в целом заявок было больше, то Google Ads принесет больше покупок. Делать оценку в таком ключе очень просто и понятно. Здесь не должно возникать никаких сложностей.
Но к сожалению, современный мир сложнее такой цепочки. Мы используем либо несколько каналов, либо десятки каналов. Все они приводят пользователей, все они участвуют в цепочке до покупки и т. д.
И чаще у нас получается примерно вот так. Сначала пользователь пришел из Facebook, потом тот же пользователь пришел из Google Ads, потом – из TikTok, потом – из Google Search. И уже после этого совершил покупку.
Когда мы видим эту цепочку, задаем себе вопрос: «А кто в данной ситуации молодец?» Какой канал мы можем назвать самым важным для себя? Мы должны больше денег вложить в Facebook или в TikTok? Или нам надо сделать SEO идеальным, чтобы всегда быть в топе?
От ответа на этот вопрос зависит успех всего нашего маркетинга. Если мы это будем делать по ощущениям, то ничего хорошего не выйдет.
Иногда чудеса случаются, и может быть, нам повезет. Но когда мы говорим об аналитике, о корректных и эффективных затратах бюджета, то лучше опираться не на удачу и ощущения, а на понятные знания.
Атрибуция дает ответ на вопрос: «Кто молодец?»
Но ответ не совсем однозначный. В этом вопросе нет точности и однозначности. И первое, к чему вам нужно привыкнуть: в онлайн-аналитике всегда есть доля погрешности. Нельзя воспринимать атрибуцию как инструмент, который вам точно говорит, что делать или как сейчас складывается ситуация.
В атрибуции многое зависит от того, как оценивать и что оценивать. Иногда ее можно неправильно интерпретировать или использовать неправильные форматы оценок. Либо можно использовать хороший формат оценки, но применить ее не в той ситуации. Результат получите соответственный.
Атрибуция – это инструмент распределения ценности, для справедливой оценки вклада каждого канала в конечный результат.
Конечный результат – это покупка. В нашем примере есть 4 канала, которые каким-то образом продвинули пользователя к этой покупке. Соответственно, мы должны правильно оценить, какой из этих каналов был максимально ценным. Атрибуция нам позволяет это сделать.
Атрибуция помогает оценить вклад канала/компании в общий результат. Ответить, как перераспределить рекламный бюджет между каналами/кампаниями. На какой канал бюджет нужно увеличить, на какие кампании – отключить. На все вопросы ответит атрибуция, если вы умеете ее правильно использовать.
Совет: не используйте правильную атрибуцию, а умейте правильно использовать. Это разные подходы.
Давайте разберемся, какие варианты оценки существуют.
Варианты оценки – это модели атрибуции. Мы можем оценивать наши рекламные активности по разным моделям атрибуции.
Есть какая-то общепринятая терминология, но в целом модель атрибуции может быть любая, даже выдуманная вами (если у вас достаточно экспертизы и возможностей реализовать свою).
Модели атрибуции (МА) стоит разделить как минимум на 3 вида:
Эти базовые виды МА можно еще как-то делить и изучать более подробно.
Разберем первый вид. Модели атрибуции, которые сделаны на основе правил. Например, last click.
Если мы возьмем такую цепочку, как Facebook, Google Ads, TikTok, Google и покупка, то здесь вся конверсия будет отдана Google Search. Это последний клик.
В наших отчетах мы увидим, что конверсию принес поиск из Google, и не увидим никакого влияния Facebook, TikTok.
Last paid click – когда последняя конверсия всегда отдается последнему платному каналу. В нашем случае последним был платный канал TikTok.
Несмотря на то, что после него был Google-поиск, вся конверсия отойдет TikTok. Эта модель атрибуции хороша, когда у нас не длинные цепочки, когда конверсии редко заканчиваются платными каналами. Например, платные каналы работают на привлечение, и мы хотим оценить их эффективность. Чаще всего, когда у нас один канал и мы хотим посмотреть, какая его ценность, в каком количестве конверсий он участвовал.
Last non direct – когда вся ценность отдается тому каналу, который был перед прямым. То есть прямой трафик никогда не получает конверсии, если он не был единственным в цепочке. А если он единственный в цепочке, то конверсию получит он.
Почему так? Директ – неуправляемый канал. Мы можем сделать больше прямого трафика только при помощи каких-то других инструментов. Например, развить проект, прокачать SEO. Но сам Директ-трафик мы прокачивать не можем, поэтому оценивать его напрямую некорректно.
Last non direct click – это базовая модель атрибуции для Google Analytics. Все отчеты, которые вы видите в сервисе, оцениваются по модели «Last non direct click». Поэтому когда вы видите какой-то стандартный отчет Google Analytics, вы должны понимать, что именно так распределяются конверсии.
First click – модель атрибуции, когда вся конверсия отдается первому клику. В нашем случае это Facebook (он был у нас первым, и мы отдадим ему всю конверсию).
Эта МА хорошо применима в тех случаях, когда вы хотите оценить каналы кампании, направленные на то, чтобы приводить новых клиентов на самый верх воронки.
Например, вы хотите расширить воронку, привести новых пользователей. Запускаете какую-нибудь кампанию или новый канал. Естественно, с него никогда не будет конверсии, потому что он призван приводить людей в воронку, и они дальше будут проходить какие-то этапы.
Возьмем три разных канала, которые работают на верхнем этапе воронки. Вам нужно ответить на вопросы: какой из них работает лучше? Какой из них приводит пользователей, которые доходят до конверсии?
Ответы может дать модель атрибуции First click.
Линейная МА – это стандартная модель атрибуции в Google Analytics, которая распределяет конверсию по всем имеющимся каналам в цепочке равномерно. Каждый канал получит по 25 %.
В моей практике не было проектов, где я смог применить эту модель.
Time decay – это МА, которая отдает самую большую ценность тому каналу, который был последним перед конверсией. В нашем случае это Google Organic. Например, Google – 50 %, TikTok – 30 %, Google Ads – 12 %, Facebook – 8 %. Эти проценты могут быть разными. Они зависят от того, на какой дистанции тот или иной канал был от конверсии. Канал, который был в пределах 7 дней, получает больше всего (потом у них 14 дней и т. д.).
Если у вас нет альтернативных моделей атрибуции, то эта МА может быть неплохой для общей оценки кампании.
Position based – эта МА дает больше всего ценности первому и последнему каналу. Все каналы посредине распределяют ценность равномерно.
Среди моделей, которые основаны на правилах, эта модель атрибуции самая логичная. Часто каналы, которые закинули в воронку, и каналы, которые закрыли пользователя, можно считать наиболее ценными. Они привели нового пользователя, который в самом конце конвертится. И этим каналам присваивается самая большая ценность.
Есть отдельная модель атрибуции – Facebook. Многие замечают, что конверсии в Facebook и Google Analytics не совпадают. Это связано с тем, что в них разные МА. Facebook любит присваивать себе все конверсии, в каком бы месте цепочки он ни находился. Это зависит от конверсионного окна, которое выставлено в настройках Facebook.
Например, конверсионное окно по показу может быть 28 дней. Если пользователь посмотрел объявление в Facebook и в течение 28 дней с любого другого канала совершил конверсию, то Facebook в своем рекламном кабинете засчитает эту конверсию. Поэтому вы увидите разные цифры. Это многих сбивает. Вы можете смотреть один и тот же канал и видеть разное количество конверсий.
Data driven – это алгоритмическая модель в Google Analytics. МА распределяет ценность по всем каналам в зависимости от того, насколько часто этот канал повторяется в других цепочках и увеличивает вероятность совершения конверсии.
Data driven построен на векторах Шепли. Там много формул. Алгоритм анализирует все касания пользователей с брендом, а потом создает альтернативные варианты, в которых одно из касаний отсутствует. Это показывает, как именно канал влияет на вероятность конверсии.
Соответственно, этот канал в общем отчете получает какую-то дополнительную ценность. Ему распределяется большее количество конверсий либо долей от конверсии.
Минус этой модели атрибуции: он дорогой, так как доступен в платном сервисе Google Analytics 360. При этом нужно собрать достаточно много данных.
Также эта МА не учитывает позицию канала в цепочке. Например, просто видно, что YouTube присутствует в большом количестве цепочек, которые закрываются заказами, и при этом учитывается еще стоимость этого заказа.
Значит YouTube – хороший канал, и ему нужно присвоить бóльшую ценность. Но каким был YouTube – первым, последним, в середине – Data driven не учитывает.
Несмотря на минусы, если сравнить ее с моделями атрибуции на основе правил, то она дает более объективную оценку.
OWOX – это модель атрибуции, расчет которой основан на цепях Маркова. Она работает по такому принципу: анализирует все цепочки и убирает тот или иной канал, оценивает вероятность достижения успешного прохождения этой цепочки, если этого канала не будет.
По сравнению с предыдущей моделью, эта МА учитывает, в каких местах находится тот или иной канал. Канал может получить разную ценность от того, что он был первым или последним. Это позволяет оценивать, на каких этапах воронки каналы максимально ценны.
Нам важно понять, на каком этапе канал приносит максимальную ценность, чтобы знать, где его потом использовать. Например, мы можем узнать, какой канал лучше всего сработал, какая кампания лучше всего закрывает цикл, кто хорошо работает на верхнем этапе воронки, приносит пользователей, которые закрываются.
Предиктивные модели сейчас набирают популярность, но еще редко используются, оттого что сложные и требуют очень много данных. К тому же эти модели дорогие.
Что делает предиктивная модель? Оценивает вероятность совершения покупки в каждой цепочке. На нашем примере цепочка, у которой конверсия еще не совершена. Но предиктивная модель позволяет понять, где в этой цепочки с большей долей вероятности будет совершена конверсия.
Например, если конверсия будет совершена в этой цепочке, то самым ценным здесь будет TikTok, вторым – Google и т. д.
Предиктивные модели позволяют принимать решения не на основе исторических данных, а на основе того, что предсказано. Это ускоряет принятие решений. Соответственно, мы можем не дожидаться, когда соберем определенное количество конверсий, чтобы сделать какие-то выводы, изменить рекламные кампании.
Так работает цикл для алгомитрических моделей на основе правил, но такие МА всегда тормозят бизнес. А сейчас в диджитал-маркетинге побеждают наиболее быстрые. Скорость очень важна, и предиктивные модели позволяют добиться скорости. Они работают на базе ML (англ. machine learning, ML) и прогнозируют конверсии в цепочке.
В зависимости от того, по какой МА будете оценивать, вы увидите разные результаты.
Например, представьте, что у вас есть отчет Google Analytics, где вы видите количество конверсий, отчет по источникам канала или отчет по каналам.
Допустим, у вас модель атрибуции Last click. Соответственно, вы увидите, что конверсия присвоена органике. И можете сделать вывод, что Facebook, Google Ads и TikTok не приносят вам конверсий. Подумаете, что нужно отключить рекламу или понизить бюджет, потому что они бессмысленны.
А если у вас модель атрибуции First click, то конверсия будет уже у Facebook.
При линейной МА видно, что 25 % от конверсии будет у каждого канала. Это как одна конверсия, разбитая на всех.
В Data driven уже есть распределение по каналам, в зависимости от того, кто был самым ценным.
Таким образом, оценка по каждой МА даст вам разные результаты, выводы и вектор действий.
Давайте рассмотрим плюсы и минусы каждого вида моделей.
Плюсы:
+ Просты в интерпретации и использовании. Все понятно: модель по первому клику всегда отдаст конверсию первому источнику, модель по последнему клику – отдаст последнему.
+ Не требуют много данных. Если у вас 10 конверсий, они распределяют 10 конверсий.
+ Бесплатные. Просто заходите в Google Analytics и используете.
+ Имеют алгоритм. Вы всегда знаете, чего от них ожидать.
Минусы:
- Они не объективны. Модели на основе правил всегда будут недооценивать какой-то канал. Потому что если это последний клик, то всегда будут недооценены предыдущие источники. Если это линейная модель, она будет недооценивать всех понемногу.
- Не универсальны. Подходят не всем и не под все задачи.
- Они оценивают только прошлое. Чтобы сделать выводы, вам нужно накопить конверсии и потом все это проанализировать и использовать.
Плюсы:
+ Справедливо оценивают вклад каждого канала в результат.
+ Универсальны, можно использовать одну модель атрибуции для разных каналов.
+ Часто доступны бесплатно (Data Driven Google Ads).
Минусы:
- Алгоритм расчета не всегда просто понять. Не каждый может себе объяснить, почему именно так. Иногда кому-то достаточно видеть результат и верить ему, принимать решение и все. А кто-то хочет докопаться, но это не всегда легко.
- Часто не бесплатны и требуют регулярной поддержки и вложений. Если вы ходите Data driven в Google Analytics, вам нужно купить Google Analytics 360.
- Оценивают только прошлое. Накапливаете конверсии, распределяете ценность, делаете выводы, перераспределяете бюджет рекламных кампаний и снова по кругу: опять накапливаете конверсии, делаете выводы, меняете бюджет.
Зависит от того, как быстро вы накапливаете данные. Если конверсий не так много, то мы ставим алгоритмические модели для небольшого количества конверсий. Вы будете долго собирать статистику, чтобы сделать какие-то выводы.
Плюсы:
+ Справедливо оценивают вклад каждого канала в результат.
+ Универсальны. Можно использовать одну МА для разных каналов.
+ Позволяют быстрее принимать решение и прогнозировать будущее.
Самое главное преимущество: вам не нужно ждать. Запустив рекламную кампанию и набрав какое-то количество еще не завершившихся конверсий, вы уже можете сделать выводы, какие из цепочек закончатся конверсией, а какие нет, какие каналы самые успешные и где стоит увеличивать бюджет.
Минусы:
- Алгоритм расчета является «черным ящиком» (Machine Learning). Даже если вы разрабатывали сами и знаете все фишки, на которых обучается модель, то это ничего не значит.
- Стоит денег (иногда много).
- Требует большого количества данных для обучения или переобучения.
Предиктивные модели подходят для больших бизнесов, которые уже прошли эволюцию от МА на основе правил, поработали с алгоритмическими моделями, и теперь их задача – скорость. Они хотят бежать быстрее рынка, быть эффективнее и здесь прогнозирование будущего – важное преимущество предиктивных моделей.
Я думаю, что такие модели будут набирать все больше популярности и чаще будут появляться в нашей жизни. Даже если вам сейчас не нужно их использовать, хорошо просто про знать о них.
Нет неправильных моделей атрибуции. Есть те, которые вам не подходят в текущий момент времени. Это главный тезис про атрибуцию. Очень много бизнесов ищут идеальную МА, как священный грааль. Но такой нет.
МА не может быть идеальной. Она может подходить в текущий момент времени или не подходить. Либо она может подходить сегодня, но не подходить завтра. Могут подходить три модели атрибуции для решения разных задач.
1. Длина сделки. Если ваши сделки короткие, например, вы продаете курсы, и вы закрываете людей на бесплатные вебинары. Часто у них может быть короткий цикл сделки. Для оценки таких рекламных кампаний вам может подойти Last Click. Эта модель будет объективно отражать результаты и не потребует дополнительных ресурсов.
Я часто вижу, как люди недооценивают свои сделки. На самом деле они короткие. Они не правильно оценивают ситуацию, начинают придумывать велосипеды, сложные МА. Но если бы они просто оценивали все по Last Click и больше экспериментировали с рекламными кампаниями, то добились бы большего результата.
При длинных сделках вам необходимо использовать другую модель, чаще – несколько моделей. Например, вы можете комбинировать Last Click, First Click. Все будет актуально. Вы можете разные активности оценивать по разным МА.
2. Канал/кампания, которую вы оцениваете. Каждый рекламный канал имеет свою цель и взаимодействует с пользователем на разных этапах воронки. Вы можете один канал оценивать одной МА, другой – иной МА.
Разберем пример.
У вас есть поисковые кампании в Google Ads, которые работают с общими запросами. Допустим, «купить кроссовки». Чаще всего такие запросы не приводят напрямую к конверсии. Пользователи просто смотрят, добавляют в wish-лист и уходят, а потом через какое-то время возвращаются. Поэтому если вы будете оценивать эти кампании по последнему клику, то ожидаемо, что там может не быть конверсии. И вы можете сделать вывод, что эти кампании не работают и они никому не нужны.
Но если вы оцените их по первому клику, то можете увидеть, что люди, которые пришли с общих запросов, потом совершили конверсии.
И можете посмотреть, какая доля из общего количества конверсий совершена по первым кампаниям. И уже более грамотно оценить эти кампании.
Это если вы знаете, зачем вы запустили эту кампанию. Если вы знаете, что эти кампании запущены, чтобы насыщать верхнюю часть воронки новыми пользователями и дальше доводить их до конверсии.
Кампании средней части воронки – поиск товаров, динамические поисковые объявления, шоппинг. Все это можно оценивать линейными МА, но лучше использовать с учетом давности взаимодействия. Или применять алгоритмические модели на основе данных. Например, Data driven, если у вас есть такая возможность.
Их лучше не оценивать ни первым, ни последним кликом, потому что они не дают какой-то ценности. Но при этом, если у вас в кампании есть брендовые запросы и ремаркетинг, то они чаще всего находятся на конечном этапе воронки. Тогда их можно оценивать по последнему клику.
Вот так можно визуализировать тезис о том, что МА зависит от того, какая цель стоит перед той или иной рекламной кампанией.
Если у вас очень длинные цепочки, но один канал (например, Google Ads) и одна рекламная кампания, то вы тоже можете использовать Last Click.
Если у вас один канал Google Ads, но большое количество рекламных кампаний, тогда Last Click не подойдет.
Работа с атрибуцией в компании – это эволюционный и живой процесс. Нельзя выбрать одну МА на всю жизнь. Такого не бывает. Все зависит от того, как развивается ваш маркетинг. Сегодня вы работаете с одним рекламным каналом, завтра – с другим. А послезавтра вы запустили какую-то охватную рекламную кампанию, чтобы усиленно насыщать верх воронки. И так далее.
Вы должны правильно выбирать нужную МА и использовать ее.
Модель атрибуции может подходить под вашу задачу или бизнес, но не быть идеальной.
Используйте несколько моделей атрибуции. Экспериментируйте с моделями. Один и тот же канал в разных моделях будет показывать разную эффективность.
Не используйте атрибуцию, как инструмент точного подсчета количества заказов. Это скорее ваш ориентир, который позволяет принимать правильные тактические решения (как перераспределить бюджет, какую кампанию выключить, где повысить ставки).
От редакции. Не забудьте подписаться на наш канал на Youtube и поставить колокольчик. Так вы не пропустите полезные вебинары и семинары от ведущих экспертов интернет-маркетинга, будете в курсе новостей рынка СРА и первыми узнаете, какие модели работы с партнерской сетью самые прибыльные.
А еще много интересного на нашем Телеграм-канале, в Инстаграм и на странице в Фейсбуке.
Присоединяйтесь, будет арбитражно!
