Мультиканальная аналитика или как маркетологу быть уверенным, что кампания неэффективна

Когда маркетологи запускают рекламу в Google Ads, F••••••k, Yandex Direct, или делают email-рассылки — они хотят понимать, какие кампании приоритетно дорабатывать или отключать.

Для более полной картины маркетологи часто смотрят метрики, используя как можно больше моделей атрибуций. На самом деле, вам достаточно двух моделей атрибуции last click и top score, чтобы увидеть неэффективные кампании.

Во всех известных атрибуциях — last click, first click, position based, ассоциированные конверсии, data-driven и пр. — вклад кампаний часто занижается. Это происходит, потому что часть кампаний подогревают аудиторию — то есть они встречаются где-то в середине пути пользователя, а не в начале или в конце. Именно эти кампании, как правило, самые недооцененные, то есть им не достается часть дохода.

В итоге, у подогревающих кампаний занижен ROI, т.к. вся ценность достается email-каналам или прямым заходам. И они кажутся кандидатами на отключение, хотя влияют на продажи. С этой проблемой особенно остро сталкиваются кампании со средним и длинным циклом сделки с большим количеством касаний — когда нужно честно оценить кампании в начале или в середине пути пользователя.

Некоторые используют ассоциированные конверсии, но в этом способе оценки есть нюансы

Маркетологи, которые глубже копнули аналитику, пользуются ассоциированными конверсиями в Google Analytics.

Ассоциированные конверсии и ценность ассоциированных конверсий — количество и денежное выражение продаж и конверсий, полученных с помощью канала. При расчете учитываются все вспомогательные каналы пути, за исключением последнего. Чем выше эти значения, тем больший вклад вносит канал. Из справки Google Analytics.

Распространенный способ посчитать эффективность каналов — сложить доход или пользователей на кампанию по last click и ассоциированным конверсиям. Но не так много маркетологов знают, что этот способ дает дубли.

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

Основной момент: когда кампания участвует в цепочке 2 раза, ей присваивается 2 заказа — это и есть дубль. Вот так это выглядит на исходных данных Google Analytics:

То есть если просто использовать ассоциированные конверсии, то это занизит вклад канала. А если сложить с другими моделями атрибуции — это даст дубли. Но если ассоциированные конверсии не решают задачу найти неэффективную кампанию — что делать?

Что если применить модель атрибуции на основе данных

Еще одно из решений точно рассчитать вклад канала — оценить его по модели атрибуции на основе данных.

Атрибуция на основе данных (от англ. — data-driven) анализирует все клики по вашим поисковым объявлениям и выявляет закономерности, сравнивая действия клиентов, которые совершили и не совершили конверсии. При этом могут быть обнаружены определенные действия, повышающие вероятность конверсии. После такого анализа ценность взаимодействий распределяется в зависимости от их роли в достижении конверсии. Из справки Google Analytics.

Однако мы не умеем вживлять электроды в головы, поэтому задача рассчитать точную модель атрибуции пока физически неразрешима.

Представьте, что пользователь пришел по рекламе шарфика и не купил. А после вернулся по рекламе кед и купил. Вопрос: привела ли реклама шарфика к покупке кед? И честный ответ: мы не знаем. А значит, не можем рассчитать точный вклад рекламы шарфиков.

Поэтому модель атрибуции на основе данных тоже дает занижение вклада кампании и не дает уверенности в решении отключить кампанию.

У нас нет задачи считать точную модель атрибуции

На самом деле, наше время и внимание ограничено, и мы хотим понять, где 20% нашего времени дадут 80% результата. Все что нам нужно — принять одно из решений о кампании:

1. останавливать или перерабатывать, если кампания убыточна, при любых допущениях
2. дорабатывать, если кампания почти сходится
3. усиливать, если кампания прибыльна и есть возможность усиления
4. не трогать, если кампания прибыльна и не понятно, как усилить
5. подождать, если статистики не хватает и не сходятся доверительные интервалы

И желательно в пару кликов получить все нужные цифры. Для решения этой задачи мы разработали в Rick.ai методологию оценки кампании «сверху и снизу».

Оценка кампании сверху и снизу: как быстро увидеть, какие кампании «болеют»

Самый честный способ не занизить вклад кампании — это не умножать вклад кампании на какой-то вес, а присвоить ей 100% вклада вне зависимости от того, где она была в пути пользователя.

В Google Analytics есть неочевидный способ посмотреть 100% вклада кампании— это конверсии или total conversion rate:

Это и есть оценка «сверху»: кампания получает транзакцию, если в цепочке действий пользователя UserStory эта кампания была хотя бы 1 раз. Таким образом, мы получаем максимально возможный вклад кампании. В Rick.ai эту модель атрибуции мы назвали top score.

А на этом примере мы показывали, как ассоциированные конверсии и last click в сумме дают погрешность:

Они в сумме часто больше, чем total conversions. Но такого не может быть физически, т.к. по total conversion компания уже получает максимально возможный вклад. Это еще раз говорит о дублях при сложении данных по разным моделям атрибуции.

Оценка «снизу» — это оценка кампании по уже известной многим маркетологам модели атрибуции last click, то есть по последнему непрямому источнику. Здесь мы описывали эту модель атрибуции. Почему «снизу»: оценка по last click, как минимум, дает понять, что кампания была триггером к покупке, но мы пока не знаем, была ли эта кампания где-то раньше в касаниях с пользователем.

Если по last click кампания сходится, ее точно можно усиливать или оставлять как есть. А если не сходится — нужно проверить по top score.

В итоге, оценив кампанию «сверху» по top score и «снизу» по last click, мы получаем не точную оценку вклада кампании, а диапазон оценки:

На графике мы видим пример оценки кампании по стоимости заказа CPO: левая граница — это оценка снизу по last click, а правая — это оценка «сверху» по top score. Эта оценка помогает маркетологу увидеть, сколько он тратит на неэффективные кампании и понять, что делать первым приоритетом:

• Зеленые кампании здоровые — их стоит усилить, если это возможно, или оставить как есть
• Красные кампании болеют — их нужно отключать или сильно перерабатывать
• Желтые кампании почти сходятся — их стоит доработать вторым приоритетом

Или вот так это выглядит в виде отчета:

Мы видим, что три кампании не сходятся от слова совсем — по last click и top score у них CPO выше порога 1000 рублей. Такие кампании нужно или отключать или перерабатывать. А еще две кампании если и сходятся, то с натяжкой — по last click у этих кампаний CPO ниже целевого порога, а по top score выше. Такие кампании нужно дорабатывать.

В Rick.ai такой график и отчет можно построить по CPL и CPO сразу после подключения Google Analytics и импорта расходов из рекламных кабинетов. После подключения CRM можно увидеть неэффективные кампании по ROI и ДРР.

Часто нужно понять, какие кампании приводят новых пользователей на сайт. В таком же отчете можно вывести метрики с атрибуцией по первому касанию first click. Мы уже писали, что с этими кампаниями нужно быть аккуратнее — если их отключить, то продажи могут снизиться из-за снижения потока новых пользователей и лучше провести эксперимент.

Мы знакомы с проблемой, когда маркетологи строят много отчетов, чтобы сравнить метрики по разным моделям атрибуции. В Rick.ai есть возможность выводить метрики сразу по всем моделям атрибуции в одном отчете — это удобно, когда нужно быстро и наглядно сравнить показатели.

Оценка кампаний сверху и снизу не только дает честный ответ, какие кампании стоит отключать, но и решает проблему с длинным циклом сделки с большим количеством касаний, о которой мы говорили в самом начале.

Оценку «сверху и снизу» можно сделать самостоятельно и в Google Analytics. Но чтобы вывести только один отчет по нужным срезам и полноценно проанализировать эффективность кампании — по новым и старым пользователям, в разрезах по десктопным и мобильным девайсам, платному и бесплатному трафику — придется залезть в API Google Analytics.

Кроме того, Google Analytics допускает ошибки в присвоении источников доходу или событиям. Самые распространенные:

1. Google Analytics часто показывает платежные системы как источники — когда пользователь отправляется на страницу оплаты банка и после оплаты возвращается на сайт, Google Analytics видит источник referral и присваивает ему ценность по last click
2. Google Analytics не умеет перезаписывать канал в случае отмены транзакций
3. Когда у пользователя заканчивается сессия после 30 минут бездействия (если пользователь не закрыл вкладку), то в Google Analytics у новой сессии не запишется source / medium предыдущей сессии и тем самым по last click все заслуги уйдут каналу direct type in.

Подробнее об ошибках атрибуции в Google Analytics мы рассказывали в этом материале. Когда Rick.ai берет данные из Google Analytics, он эти ошибки поправляет.

О сервисе аналитики Rick.ai

Rick.ai — сквозная аналитика на стыке маркетинга и продукта для маркетологов, собственников и продактов. Сервис исправляет методологические ошибки аналитики, которые стоят компаниям миллионы, что позволяет нашим клиентам найти точки роста в рекламных каналах, продукте или в воронке продаж.

Методология, по которой работает Rick.ai, помогает не только увидеть эффективные и неэффективные кампании, но и понять, куда сместился рост: в каналы продвижения, конверсии сайта или конверсии отдела продаж.

Оценивайте не только рекламные кампании, но и влияние первой сессии продукта, воронки продаж на стоимость лида. Считайте, как рост бюджета на онлайн-рекламу меняет юнит-экономику и прибыль.

Rick.ai работает на счетчике Google Analytics — начать подключение и попробовать сервис на своих данных можно бесплатно и самостоятельно на сайте.