✔Из онлайна в офлайн: модели атрибуции для омниканального бизнеса - «Заработок»

27 января 2020 408 Новости 0

Критерии для выбора эффективной модели атрибуции

На рынке есть несколько популярных моделей — стандартных и алгоритмических. Выбирая из стандартных, важно понимать, какие показатели приоритетны для бизнеса, а чем можно пренебречь. Одни модели позволяют оценивать верх воронки, другие показывают наиболее конверсионный канал, но не отражают значимость каналов для охвата аудитории.

Если у вас быстрорастущий стартап, основная цель которого — привлечь как можно больше пользователей при фиксированном показателе рентабельности инвестиций в рекламу (ROAS) или установленном бюджете, то эффективнее выбрать модель атрибуции First Click — по первому клику. Она позволит оценить, какие каналы привлекли людей, которые затем совершили конверсию — то есть покажет самый верх воронки.

В случае когда у компании короткий срок закрытия сделки и в конверсии участвует небольшое число каналов, можно использовать модель Last Non-Direct Click — атрибуция по последнему непрямому клику. В ней не учитываются прямые переходы, а наиболее ценным с точки зрения конверсии считается последний канал, из которого пришел клиент перед совершением целевого действия.

У крупного b2b-проекта или b2c-компании с большим средним чеком — например, автодилера или застройщика — срок закрытия сделки может доходить до года. Таким компаниям не подойдет атрибуция First Click. Это связано с тем, что в долгосрочной перспективе ценность составляют все каналы в миксе. Из стандартных моделей атрибуции могут сработать линейная (всем каналам в миксе присваивается равная ценность) или оценка по давности взаимодействия (наиболее ценным считается канал, который во времени контакта с пользователем находится «ближе» к конверсии).

Компании часто используют сразу две модели атрибуции, но при таком подходе один и тот же доход атрибутируется дважды. Если необходимо оценить взаимодействие каналов и определить их влияние на конверсию, то эффективнее использовать алгоритмические модели атрибуции. Их преимущество в том, что все шаги можно кастомизировать, например, не учитывать один из каналов или ввести свой коэффициент поправки. При этом алгоритм и логика их работы прозрачна (цепи Маркова, вектор Шепли и т. д.), то есть вы понимаете, как именно распределяется ценность, тогда как алгоритмам Google вам приходится слепо доверять.

Однако для работы с ними необходимы определенные навыки и ресурсы внутри команды.

Для выбора и построения эффективной алгоритмической модели необходимо определиться, какие показатели вы хотите оценивать, какие шаги учитывать и какие данные использовать. Составьте максимально полный список факторов, влияющих на конверсию. Это поможет понять, как атрибутировать ценность совершенного целевого действия на все события. С первого раза составить исчерпывающий список вряд ли получится. Будьте готовы к экспериментам и ошибкам — выбранная модель может не подойти, а расчеты внутри могут оказаться некорректными.

Например, для вас важно учитывать микроконверсии в продвижении по воронке: регистрацию на вебинар, скачивание лид-магнита и прочтение кейса. Но при этом вы хотите исключить из оценки email-канал (так как считаете, что масштабировать его дальше уже невозможно). В этом случае вы задаете определенную ценность микрошагам и полностью исключаете из расчетов письма.

Так же и с данными — вы можете подключить все необходимые источники данных, чтобы учитывать их при расчете ценности. Например, данные о конверсиях вы берете из Google Analytics, о возвратах — из CRM, о звонках — из системы коллтрекинга. Таким образом вы создадите полную картину вашего взаимодействия с пользователем.

Одинаково ли эффективны модели атрибуции

Стандартные модели атрибуции подходят не каждой компании. First Click эффективно оценивает верх маркетинговой воронки, Last Non-Direct Click — последние этапы. Однако неверно анализировать разные стадии пути пользователя к конверсии в отрыве друг от друга — необходимо измерять затраты и результаты по всей воронке.

Алгоритмические модели сработают эффективно для многих компаний при адаптации под цели и задачи бизнеса.

Задачи атрибуции в омниканальном бизнесе

Компаниям, которые работают в онлайне и в офлайне, важно иметь возможность атрибутировать покупки в физических магазинах и понимать, как на них влияет продвижение в сети. Например, пользователь мог увидеть рекламу в интернете, изучить отзывы, прийти в офлайн-магазин и совершить покупку. Оплата при этом может проводиться как при оформлении заказа, так и при получении покупки.

Отследить влияние онлайн-рекламы, особенно медийной, на офлайн-конверсии позволяет оценка Post-View офлайн-конверсий на основе CRM-данных рекламодателя. Инструмент анализирует, показывалась ли реклама пользователю, совершившему конверсию, неважно, где она произошла: онлайн или офлайн. Например, в рекламный кабинет myTarget можно загружать CRM-данные о визитах в офлайн-магазины и покупках в CSV-файле, чтобы система могла оценить, кто из клиентов взаимодействовал с рекламой в сети. Модель позволяет связать онлайн и офлайн и построить сквозную аналитику.

Дополнительная сложность возникает, когда бизнесу необходимо учитывать возвраты. С ними автоматизированные и аналитические сервисы, например, Google Analytics, справиться не могут. Такие сервисы не редактируют данные ретроспективно.

Например, если конверсия была совершена в 25 августа, а вернули товар 4 сентября, то за август Google Analytics покажет +1 транзакцию, а в сентябре ?1 транзакцию. То есть в отчете за август отмена не будет отображена, а в сентябре вы получите неожиданный минус. Это приведет к тому, что итоговый доход по системам аналитики будет отличаться от данных в вашей CRM-базе.

В компаниях, которые работают и онлайн, и офлайн, довольно длинная цепочка взаимодействия клиента с рекламой перед покупкой. Поэтому важно отслеживать не только каждый этап этой цепочки, но и взаимное влияние каналов друг на друга. Например, атрибуция Last Non-Direct Click не позволит учитывать контакты до последнего шага. Если рекламодатель в течение двух недель взаимодействовал с пользователем с помощью ремаркетинга, а затем отправил email-рассылку, с которой человек перешел на сайт и совершил покупку, сложно оценить, сработало бы письмо без ремаркетинга или нет. В миксах «ремаркетинг — ремаркетинг — email — ремаркетинг» или «email — email — медийная реклама», или «ремаркетинг — медийная реклама — видеореклама — email» важно понимать, какой из каналов в большей степени повлиял на конверсию.

Кроме того, омниканальный бизнес нацелен на удержание клиента — таким компаниям важно оценивать не только первую покупку и канал, из которого пришел пользователь, но и повторные покупки. В аналитических сервисах оценка первых и повторных покупок происходит по каналу трафика. Проанализировать данные на уровне пользователя — например, оценить стоимость привлечения конкретного клиента и возврат инвестиций — не получится.

Три вызова для аналитики омниканального бизнеса

Омниканальный ритейл сталкивается с тремя проблемами, в решении которых способна помочь аналитика: прогнозирование дохода, оценка кроссплатформенных покупок и продаж комплементарных товаров.

В прогнозировании дохода атрибуция должна отвечать на вопрос «Какая ценность будет распределена и с какой вероятностью?». На основании этого специалисты смогут с большей уверенностью и эффективностью управлять ставками в кампаниях, маркетинговыми бюджетами и бизнес-решениями в целом.

Анализ выкупа комплементарных товаров необходимо проводить, чтобы понимать, каким сессиям стоит присваивать ценность конверсии. Например, при покупке телефона и чехла приобретение последнего стоит атрибутировать на одну конверсию со смартфоном. Если после покупки одного товара вам показали рекламу другого, и вы решили приобрести и его тоже, часть ценности конверсии должна относиться к сессии первой покупки.

Оценивать кроссплатформенные покупки важно, чтобы анализировать весь путь пользователя на разных устройствах и понимать, какой канал эффективнее работает на каждом из этапов воронки. Например, человек может посмотреть продукт днем с рабочего компьютера, вечером с домашнего планшета, а завершить покупку в магазине. Пока маркетологи сталкиваются с тем, что свести все сессии и контакты одного пользователя с продуктом и рекламой в разных каналах достаточно сложно.

У каждой компании свои задачи, подходы и ресурсы для работы с аналитическими инструментами. Чтобы эффективно оценивать показатели маркетинговых кампаний, нужно понимать свои цели, анализировать путь пользователя к покупке и тестировать разные подходы к атрибуции. Работа с аналитикой данных позволяет не только оценивать продвижение, но и выстраивать и прогнозировать результаты будущих кампаний, а также принимать обоснованные бизнес-решения.

Критерии для выбора эффективной модели атрибуции На рынке есть несколько популярных моделей — стандартных и алгоритмических. Выбирая из стандартных, важно понимать, какие показатели приоритетны для бизнеса, а чем можно пренебречь. Одни модели позволяют оценивать верх воронки, другие показывают наиболее конверсионный канал, но не отражают значимость каналов для охвата аудитории. Если у вас быстрорастущий стартап, основная цель которого — привлечь как можно больше пользователей при фиксированном показателе рентабельности инвестиций в рекламу (ROAS) или установленном бюджете, то эффективнее выбрать модель атрибуции First Click — по первому клику. Она позволит оценить, какие каналы привлекли людей, которые затем совершили конверсию — то есть покажет самый верх воронки. В случае когда у компании короткий срок закрытия сделки и в конверсии участвует небольшое число каналов, можно использовать модель Last Non-Direct Click — атрибуция по последнему непрямому клику. В ней не учитываются прямые переходы, а наиболее ценным с точки зрения конверсии считается последний канал, из которого пришел клиент перед совершением целевого действия. У крупного b2b-проекта или b2c-компании с большим средним чеком — например, автодилера или застройщика — срок закрытия сделки может доходить до года. Таким компаниям не подойдет атрибуция First Click. Это связано с тем, что в долгосрочной перспективе ценность составляют все каналы в миксе. Из стандартных моделей атрибуции могут сработать линейная (всем каналам в миксе присваивается равная ценность) или оценка по давности взаимодействия (наиболее ценным считается канал, который во времени контакта с пользователем находится «ближе» к конверсии). Компании часто используют сразу две модели атрибуции, но при таком подходе один и тот же доход атрибутируется дважды. Если необходимо оценить взаимодействие каналов и определить их влияние на конверсию, то эффективнее использовать алгоритмические модели атрибуции. Их преимущество в том, что все шаги можно кастомизировать, например, не учитывать один из каналов или ввести свой коэффициент поправки. При этом алгоритм и логика их работы прозрачна (цепи Маркова, вектор Шепли и т. д.), то есть вы понимаете, как именно распределяется ценность, тогда как алгоритмам Google вам приходится слепо доверять. Однако для работы с ними необходимы определенные навыки и ресурсы внутри команды. Для выбора и построения эффективной алгоритмической модели необходимо определиться, какие показатели вы хотите оценивать, какие шаги учитывать и какие данные использовать. Составьте максимально полный список факторов, влияющих на конверсию. Это поможет понять, как атрибутировать ценность совершенного целевого действия на все события. С первого раза составить исчерпывающий список вряд ли получится. Будьте готовы к экспериментам и ошибкам — выбранная модель может не подойти, а расчеты внутри могут оказаться некорректными. Например, для вас важно учитывать микроконверсии в продвижении по воронке: регистрацию на вебинар, скачивание лид-магнита и прочтение кейса. Но при этом вы хотите исключить из оценки email-канал (так как считаете, что масштабировать его дальше уже невозможно). В этом случае вы задаете определенную ценность микрошагам и полностью исключаете из расчетов письма. Так же и с данными — вы можете подключить все необходимые источники данных, чтобы учитывать их при расчете ценности. Например, данные о конверсиях вы берете из Google Analytics, о возвратах — из CRM, о звонках — из системы коллтрекинга. Таким образом вы создадите полную картину вашего взаимодействия с пользователем. Одинаково ли эффективны модели атрибуции Стандартные модели атрибуции подходят не каждой компании. First Click эффективно оценивает верх маркетинговой воронки, Last Non-Direct Click — последние этапы. Однако неверно анализировать разные стадии пути пользователя к конверсии в отрыве друг от друга — необходимо измерять затраты и результаты по всей воронке. Алгоритмические модели сработают эффективно для многих компаний при адаптации под цели и задачи бизнеса. Задачи атрибуции в омниканальном бизнесе Компаниям, которые работают в онлайне и в офлайне, важно иметь возможность атрибутировать покупки в физических магазинах и понимать, как на них влияет продвижение в сети. Например, пользователь мог увидеть рекламу в интернете, изучить отзывы, прийти в офлайн-магазин и совершить покупку. Оплата при этом может проводиться как при оформлении заказа, так и при получении покупки. Отследить влияние онлайн-рекламы, особенно медийной, на офлайн-конверсии позволяет оценка Post-View офлайн-конверсий на основе CRM-данных рекламодателя. Инструмент анализирует, показывалась ли реклама пользователю, совершившему конверсию, неважно, где она произошла: онлайн или офлайн. Например, в рекламный кабинет myTarget можно загружать CRM-данные о визитах в офлайн-магазины и покупках в CSV-файле, чтобы система могла оценить, кто из клиентов взаимодействовал с рекламой в сети. Модель позволяет связать онлайн и офлайн и построить сквозную аналитику. Дополнительная сложность возникает, когда бизнесу необходимо учитывать возвраты. С ними автоматизированные и аналитические сервисы, например, Google Analytics, справиться не могут. Такие сервисы не редактируют данные ретроспективно. Например, если конверсия была совершена в 25 августа, а вернули товар 4 сентября, то за август Google Analytics покажет 1 транзакцию, а в сентябре ?1 транзакцию. То есть в отчете за август отмена не будет отображена, а в сентябре вы получите неожиданный минус. Это приведет к тому, что итоговый доход по системам аналитики будет отличаться от данных в вашей CRM-базе. В компаниях, которые работают и онлайн, и офлайн, довольно длинная цепочка взаимодействия клиента с рекламой перед покупкой. Поэтому важно отслеживать не только каждый этап этой цепочки, но и взаимное влияние каналов друг на друга. Например, атрибуция Last Non-Direct Click не позволит учитывать контакты до последнего шага. Если рекламодатель в течение двух недель взаимодействовал с пользователем с помощью ремаркетинга, а затем отправил email-рассылку, с которой человек перешел на сайт и совершил покупку, сложно оценить, сработало бы письмо без ремаркетинга или нет. В миксах «ремаркетинг — ремаркетинг — email — ремаркетинг» или «email — email — медийная реклама», или «ремаркетинг — медийная реклама — видеореклама — email» важно понимать, какой из каналов в большей степени повлиял на конверсию. Кроме того, омниканальный бизнес нацелен на удержание клиента — таким компаниям важно оценивать не только первую покупку и канал, из которого пришел пользователь, но и повторные покупки. В аналитических сервисах оценка первых и повторных покупок происходит по каналу трафика. Проанализировать данные на уровне пользователя — например, оценить стоимость привлечения конкретного клиента и возврат инвестиций — не получится. Три вызова для аналитики омниканального бизнеса Омниканальный ритейл сталкивается с тремя проблемами, в решении которых способна помочь аналитика: прогнозирование дохода, оценка кроссплатформенных покупок и продаж комплементарных товаров. В прогнозировании дохода атрибуция должна отвечать на вопрос «Какая ценность будет распределена и с какой вероятностью?». На основании этого специалисты смогут с большей уверенностью и эффективностью управлять ставками в кампаниях, маркетинговыми бюджетами и бизнес-решениями в целом. Анализ выкупа комплементарных товаров необходимо проводить, чтобы понимать, каким сессиям стоит присваивать ценность конверсии. Например, при покупке телефона и чехла приобретение последнего стоит атрибутировать на одну конверсию со смартфоном. Если после покупки одного товара вам показали рекламу другого, и вы решили приобрести и его тоже, часть ценности конверсии должна относиться к сессии первой покупки. Оценивать кроссплатформенные покупки важно, чтобы анализировать весь путь пользователя на разных устройствах и понимать, какой канал эффективнее работает на каждом из этапов воронки. Например, человек может посмотреть продукт днем с рабочего компьютера, вечером с домашнего планшета, а завершить покупку в магазине. Пока маркетологи сталкиваются с тем, что свести все сессии и контакты одного пользователя с продуктом и рекламой в разных каналах достаточно сложно. У каждой компании свои задачи, подходы и ресурсы для работы с аналитическими инструментами. Чтобы эффективно оценивать показатели маркетинговых кампаний, нужно понимать свои цели, анализировать путь пользователя к покупке и тестировать разные подходы к атрибуции. Работа с аналитикой данных позволяет не только оценивать продвижение, но и выстраивать и прогнозировать результаты будущих кампаний, а также принимать обоснованные бизнес-решения.