Какую модель атрибуции выбрать, чтобы оценить эффективность кампаний?

Модель атрибуции — это инструмент маркетолога, который помогает понять, сколько кампания заработала, принесла лидов или заказов. Чтобы убедиться, что кампания внесла свой вклад в результат, маркетологи оценивают эффективность кампаний, используя как можно больше моделей атрибуций: last click, first click, indirect free, position based, funnel based, или оценивают вклад по ассоциированным конверсиям.

У маркетологов нет цели настраивать десятки отчетов и сравнивать метрики по разным моделям атрибуции. Им важно понять, какие кампании генерируют доход, а какие убыток. После этого им нужно принять одно из решений:

1. отключить кампанию,
2. оптимизировать кампанию,
3. масштабировать кампанию,
4. оставить все как есть,
5. подождать.

Эти решения, в первую очередь, относятся к платным каналам, которые можно быстро масштабировать или выключить: yandex.direct, vk ads, google ads, mytarget и др. Используя разные модели атрибуции, большинство маркетологов как раз ищут ответ, что делать именно с такими кампаниями — поскольку с ними можно быстро проверять гипотезы: их можно оперативно менять и получать эффект в виде увеличения конверсий, ROI или снижения стоимости лида. ​

Главным образом, маркетологам нужно выделить группы объявлений, на которые они неэффективно тратят бюджет и что-то сделать с этими объявлениями. Если маркетологи будут принимать неверные решения, они рискуют отключить кампании, косвенно участвующие в привлечении платящих пользователей или отдавать деньги в каналы, которые привлекают меньше платящих пользователей.

Что касается SEO, email-маркетинга и реферальных ссылок, то эти типы каналов практически невозможно быстро нарастить или сократить. Для них используется другая логика принятия решений и в этой статье мы подробно об этих каналах писать не будем.

В статье мы расскажем про базовые модели атрибуции, которые есть в Rick.ai — last click, first click, indirect free, top score — и ответим на вопросы маркетологов, с которыми мы часто сталкиваемся:

1. Зачем использовать разные модели атрибуции, если Google Analytics по умолчанию использует last non direct click?
2. Когда last click и first click дают искажение и больше вредят, чем помогают вам принять правильное решение?
3. Почему атрибуция по last click и indirect free показывает кампании, которые можно масштабировать?
4. Как модель атрибуции top score выявляет кампании, которые точно нужно отключить или доработать?

Надеемся, нам удалось вас заинтересовать, давайте разбираться вместе!

Для начала разберемся в понятиях:

• Last click — атрибутирует доход последнему каналу, из которого пришел пользователь перед совершением заказа. В Рике эта атрибуция аналогична last non direct click в Google Analytics, но исправляет ошибки, такие как учет платежных шлюзов, отмену транзакций и не только.
• Indirect free — атрибутирует доход единственному платному каналу в пути пользователя до покупки.
• First click — атрибутирует доход первому каналу, из которого пользователь попал на сайт.
• Top score — атрибутирует доход всем платным каналам в пути пользователя от первого попадания на сайт до совершения покупки.

Базово многие маркетологи используют атрибуцию по last non-direct click

Этому есть простое объяснение — все отчеты Google Analytics изначально строятся по этой модели атрибуции. По last non direct click доход присваивается последнему каналу привлечения. Например, пользователь зашел на сайт из канала yandex cpc и заказал шины за 20 000 р. Доход 20 000 р. атрибутировался каналу yandex cpc. Далее в статье мы будем называть эту модель атрибуции last click.

С одной стороны, если ROI канала при атрибуции last click больше 100%, можно быть уверенным в решении масштабировать этот канал, так как last click показывает минимально возможный вклад канала в получение доходов. С другой — здесь стоит понимать, что модель атрибуции по last click не учитывает другие более ранние касания этого пользователя с вашими рекламными каналами — она показывает только те, что привели к оплате. То есть эта модель дает понимание, откуда пришел пользователь непосредственно перед совершением покупки.

Важно отметить, что last click работает без критичных погрешностей, только если сквозная аналитика настроена корректно — как настроить сквозную аналитику без погрешностей мы писали тут.

Давайте разберемся, когда оценка по last click может давать искажение и какие еще модели атрибуции стоит использовать:

Модель атрибуции last click не подходит для бизнесов, у которых много каналов привлечения, большие маркетинговые бюджеты, сложный сценарий привлечения пользователя и длинный цикл сделки.​ В этом случае у значимого количества пользователей на пути к покупке встречается несколько разных кампаний привлечения и подогревающих кампаний.

В примере ниже по модели last click доход в 6 545 р. от покупки кед атрибутировался последней кампании email_new_order:

При этом поведение пользователя было следующим:

1. 10 октября зашел на сайт через поиск Яндекса,
2. в тот же день его вернули через контекстную кампанию,
3. 12 октября пользователь вернулся на сайт через поиск и выбрал товар,
4. потом пользователь вернулся на сайт по ссылке из письма и купил.

В этом кейсе на почту пользователю отправили ссылку подтверждения регистрации. В других ситуациях это может быть и письмо о брошенной корзине, или подтверждение заказа.

Если использовать атрибуцию last click, доход в 6 545 р. запишется на канал email. Канал email занизит доходы от каналов yandex organic и yandex cpc. Конкретно по пользователю из примера с кедами доход у этих каналов обнулится. И если таких паттернов в поведении пользователей становится много, то у платных кампаний ROI может не сойтись и они покажутся убыточными — хотя мы видим, что в нашем примере yandex cpc мог повлиять на доход.

Если использовать модель атрибуции last click, то каналы Yandex direct и Google Adwords могут стать несправедливо убыточными:

Обратите внимание на скриншот отчёта выше — 4,3 млн рублей достались email-рассылкам. Органические каналы перетянули на себя доход платных каналов. Adwords и yandex direct кажутся убыточными. В обычной ситуации маркетолог примет решение, что эти кампании надо оптимизировать или отключать. Однако мы с вами уже понимаем, что last click не дает всю картину, из-за чего вы можете отключить кампании, которые ассистировали покупке и это приведёт к снижению доходов.

Indirect free показывает кампании, которые прячутся за бесплатными каналами

Indirect free — модель, которая атрибутирует весь доход единственной платной кампании, которая была в пути пользователя до заказа.

В примере ниже доход атрибутируется каналу google remarketing, потому что это был единственный платный канал в пути пользователя до покупки:

Пользователя привлекли на сайт из условно бесплатного канала — yandex organic. Транзакция тоже совершена из условно бесплатного канала referral. Google remarketing — единственный платный канал в цепочке, которому можно записать эту транзакцию.

Как и с last click, если ROI канала при атрибуции indirect free больше 100%, можно быть уверенным в решении масштабировать этот канал, так как indirect free показывает минимально возможный вклад канала в получение доходов. Только если у вас по last click много «бесплатных» каналов и платные прячутся за ними — indirect free их покажет.

Когда и как использовать indirect free:

Indirect free используется для определения вклада платных каналов, когда бесплатные каналы часто завершают путь пользователя до конверсии.

Какому типу бизнеса может быть полезна модель indirect free:

Например, если у вас длинный цикл принятия решения и при этом вы не используете много платных каналов. Это может быть, если вы массово используете контент-маркетинг, виральный контент и реферальные ссылки для привлечения пользователей на сайт.

First click покажет, откуда пользователь пришел впервые на сайт, но проигнорирует остальные кампании

Атрибуция по first click помогает понять, какие каналы и кампании работают на привлечение новых пользователей — то есть влияют на первое знакомство пользователя с вашим продуктом, а точнее с сайтом вашего продукта. С моделью атрибуции first click ситуация похожа на last click — она присвоит все очки только одной кампании. First click  присваивает 100% вклада кампании, с которой пользователь взаимодействовал впервые, и игнорирует все остальные подогревающие кампании. В случае пользователя с кедами весь доход засчитается yandex organic. Кампаниям в середине пути снова достается по нулям — как и в случае с last click.

Чтобы этого избежать и не отключать полезные для вашего бизнеса кампании, мы рекомендуем использовать атрибуцию top score.

Модель top score выявляет кампании, которые точно нужно отключить или доработать

Существует довольно много моделей атрибуции, которые учитывают мультиканальную аналитику: position based, ассоциированные конверсии, data-driven, funnel based. Все они присваивают вклад кампаниям, которые были не первыми и не последними, но часто умножают вклад кампании на какой-то вес: дают только 10%, или 80%, и пр.

Каждая модель предполагает, что по каким-то причинам какая-то кампания сильнее или слабее повлияла на решение пользователя купить ваш товар. Но мы на самом деле не знаем, насколько кампания повлияла на решение — для этого нужно провести глубинные интервью с каждым пользователем.

Некоторые маркетологи складывают данные между разными моделями атрибуции — это некорректно, т.к. каждая модель считается по своей логике и алгоритму и данные могут задваиваться.

В этом материале мы подробно разобрали, почему нельзя складывать данные по last click и ассоциированным конверсиям.

Для решения проблемы занижения вклада кампании мы разработали в Rick.ai модель атрибуции top score. Top score присваивает 100% дохода от транзакции всем кампаниям, по которым пользователь попадал на сайт, начиная от первой сессии до момента совершения оплаты. Это помогает получить каналу или кампании максимально возможный доход.

То есть, если в пути пользователя встречается несколько платных кампаний, top score присваивает доход 100% от цепочки каждой из кампаний:

К примеру, анализируя канал vk remarketing по модели top score, мы присваиваем ему весь доход от всех цепочек, в которых он участвовал (хотя покупка совершена в сессию, начавшуюся из канала yandex cpc). Вклад канала vk remarketing в покупку до конца не очевиден, но в модели атрибуции по top score мы записываем на него все 3 200 р. дохода. Это позволяет оценить максимальный доход, в получении которого участвовал этот канал.

Когда и как использовать top score:

Top score используется, чтобы определить максимально возможный вклад кампании. Если максимальный доход от канала по top score меньше затрат на этот канал, то он точно убыточный. Такие каналы можно уверенно выключать или оптимизировать.

Обычно мы рекомендуем делать оценку кампании «снизу» по last click и «сверху» top score — об этом расскажем ниже в статье.

Top score также необходим, если у вас большая цепочка касаний с вашими пользователями и вам нужно оценить «отложенный» вклад каналов и кампаний в покупку.

Какому типу бизнеса полезна модель top score:

Top score применяется, в первую очередь, если у вас длинный цикл принятия решения о покупке и пользователю необходимо поискать другие варианты, посмотреть отзывы, подумать или обсудить решение перед тем, как совершить платеж. Например, если вы продаёте образовательные курсы, дорогой девайс, или продукт для b2b-клиентов.

Возникает логичный вопрос: как в итоге определить кампании, которые нужно немного доработать или оставить в покое?

С помощью top score и last click мы точно определяем, какие каналы нужно отключать, какие переработать, а какие масштабировать.

Эта оценка помогает маркетологу увидеть, сколько он тратит на неэффективные кампании, и понять каким приоритетом и что делать:

• Красные кампании болеют — их нужно отключать или сильно перерабатывать
• Зеленые кампании здоровые — их стоит усилить, если это возможно, или оставить как есть
• Желтые кампании почти сходятся — их стоит доработать вторым приоритетом. Они не сходятся по last click, но сходятся по top score.

Кампании, которые находятся в «желтой» зоне, не находятся ровно посередине — они или ближе к убыточности, или к доходности. Кампании, которые почти выходят на прибыльность по last click надо дорабатывать в первую очередь. Кампании, которые по last click сильно убыточны, можно дорабатывать позже или пока отключать. Если по last click у вас много бесплатных источников, то можно сделать оценку «снизу» по indirect free — так вы поймете, какие платные кампании у вас ближе всего к сходимости.

В статье о мультиканальной аналитике мы подробнее разобрали проблему занижения вклада ассистирующих кампаний, и почему не стоит задача — посчитать точную модель атрибуции.

Перед отключением кампании посмотрите ее вклад по first click. Кампании, которые приносят много новых пользователей, отключать нужно осторожно — может уменьшиться общий приток пользователей. Тогда как бы хорошо ваша реклама ни конвертировала пользователя в покупку — пользователей станет сильно меньше и конвертировать будет некого.​ Если позволяет ресурс, лучше всего провести эксперимент — отключить и включить кампанию несколько раз и понаблюдать за результатом.

Подведем итог — маркетологу нужно привлекать больше лидов за меньшие деньги, а не пытаться настроить точные модель атрибуции

Маркетолог не занимается всем и сразу, он выстраивает приоритеты. Нужно фокусироваться на кампаниях, в прибыльности или убыточности которых вы уверены.

Теперь, когда вы понимаете, как модели атрибуции помогают оценить эффективность кампаний, у вас есть отличный инструмент для принятия решений и улучшения метрик.

В Rick.ai вы можете собрать один отчет с ключевыми метриками, используя сразу несколько моделей атрибуции. Это поможет оценить и сравнить эффективность каналов без необходимости строить несколько дашбордов.

Начните пробовать Рика самостоятельно на сайте. Чтобы узнать больше о возможностях продукта — смотрите демо-видео.