Что означает атрибуция в маркетинге
Соберите все данные для сквозной аналитики вместе с OWOX BI
Соберите все данные для сквозной аналитики вместе с OWOX BI
Согласно исследованиям Gartner более ⅔ рекламного бюджета сегодня приходится на онлайн каналы. Любая компания, вкладывая в свои рекламные кампании значительные бюджеты, подозревает, что далеко не все эти вложения прибыльны. Поэтому все чаще компании начинают задаваться вопросом: как увидеть и оценить эффективность вложений в онлайн и оффлайн маркетинг?
В нашей статье мы рассмотрим, что такое атрибуция, как она помогает компаниям, а также разберем типичные ошибки и сложности маркетологов и аналитиков в работе с атрибуцией.
Содержание
Запишитесь на демо, и мы на наглядных примерах покажем вам, как работает атрибуция в OWOX BI
Определение атрибуции в маркетинге
Модель атрибуции в веб-аналитике — это набор правил, которые определяют вклад каждого рекламного канала в продажи или другие целевые действия.
Другими словами, целью атрибуции является определение того, какие рекламные каналы и кампании оказали наибольшее влияние на принятие решения о покупке или о переходе на следующий шаг воронки.
Компании используют разные модели атрибуции, чтобы определить как, где и когда покупатель взаимодействует с брендом. Благодаря этим данным маркетологи изменяют и улучшают рекламные кампании, увеличивая показатели ROAS.
Примечание: согласно отчету Ad Roll за 2017 год — 4 из 5 компаний в таких регионах, как Европа, Северная Америка и Азия, используют атрибуцию в маркетинге, а 51% организаций считает атрибуцию самой важной частью маркетинга.
бонус для читателей
Сравнительная таблица с моделями атрибуциии
Почему стоит использовать атрибуцию?
В идеальном мире клиенты совершают покупки сразу же после первого просмотра рекламы. Однако в реальности все существенно сложнее. Например, один из возможных вариантов развития событий выглядит так:
Как же узнать, какой из каналов привел к покупке? Тут на помощь приходит атрибуция. Именно она поможет разобраться, как рекламные каналы повлияли на конверсию. Выбрав правильную модель атрибуции для вашей компании, вы увидите, как необходимо распределить рекламный бюджет для повышения ROAS. Соответственно, это поможет увеличить доход и уменьшить расходы.
Существующие модели атрибуции можно разделить по следующим категориям:
Примечание: о сравнении разных моделей атрибуции можно прочитать в нашей подробной статье.
Если вы хотите попробовать ML Funnel Based модель OWOX BI, которая распределяет ценность на основе влияния канала на движение пользователя по воронке, воспользуйтесь бесплатным 7-ми дневным пробным периодом.
Трудности при работе с атрибуцией
Согласно исследованиям Ad Roll — 59% компаний пробовали работать с атрибуцией, но из-за недостатка знаний прекратили ее использование. В реальности большинство маркетологов не имеют глубокого понимания атрибуции и испытывают сложности при работе с ней. В отчете Ad Roll также указывается, что 70% компаний затрудняются правильно использовать инсайты, полученные от данных атрибуции. И вот почему:
Более 35% компаний не могут корректно определить точки касания с клиентом. Для успешной атрибуции вам необходимо оценить все вовлеченные каналы. А с учетом омниканальности маркетинга довольно сложно контролировать каждый используемый канал.
Сложностей также добавляет тот факт, что один и тот же пользователь использует разные девайсы. С одной стороны — такая сеть соединенных устройств это новые горизонты возможностей для маркетологов. С другой стороны — как все это отслеживать?
К трудностям в работе с атрибуцией относятся еще и следующие:
Как видно, сложностей в применении атрибуции хватает. Однако, это не значит, что нужно отказываться от внедрения атрибуции, ведь с ней вы сможете вывести маркетинг на новый уровень.
Преимущества использования атрибуции
Несмотря на сложности в построении модели атрибуции, цель ее применения весьма проста — оценка эффективности рекламных каналов. Благодаря результатам этой оценки вы решаете насколько эффективно вы тратите свой рекламный бюджет.
Ключевые преимущества использования атрибуции:
Благодаря атрибуции вы можете увидеть ценность как от каналов, возвращающих постоянных клиентов, так и от каналов, которые приводят новых пользователей.
Чтобы избежать сложностей в работе с атрибуцией, нужно во-первых, исключить ручной труд из работы с данными. Автоматический импорт данных из рекламных источников сервиса OWOX BI Pipeline соберет всю информацию о ваших рекламных кампаниях, сведет все в единую базу и предоставит широкие возможности для последующего анализа. В частности, настроить точные отчеты, что поможет вам найти полезные инсайты для работы.
А во-вторых, если пользоваться услугами специализированных сервисов таких, как OWOX BI Attribution, то большей части проблем с внедрением атрибуции можно избежать.
Настройка продукта не требует от вас углубленных технических знаний, а модель ML Funnel Based от OWOX BI учитывает все точки контакта с клиентом. Модель атрибуции рассчитывается как на онлайн-, так и на оффлайн-данных из вашей CRM-системы.
Если вам нужно индивидуальное решение, то аналитики OWOX BI всегда рады помочь.
Как использовать данные атрибуции в маркетинге
Я встречал десятки, а то и сотни материалов о том, что такое атрибуция и зачем она нужна, какие бывают модели атрибуции, в чем преимущества и недостатки каждой из них. Но самый главный вопрос — как применять результаты атрибуции в маркетинге — авторы затрагивают как-то неохотно. В статье я постарался восполнить этот пробел.
Редкие пользователи совершают покупку после первого клика по объявлению или визита на сайт. Обычно перед конверсией клиент совершает несколько касаний с бизнесом через различные рекламные каналы. Атрибуция помогает оценить вклад в конверсию каждого канала и кампании, которые участвовали в цепочке.
Атрибуция — это распределение ценности от конверсии между кампаниями, с которыми взаимодействовал покупатель. А модель атрибуции — логика распределения этой ценности. Подробнее о том, какие бывают модели атрибуции, вы без проблем сможете нагуглить.
Скажем, модель Last Non-Direct Click, которая применяется по умолчанию в отчетах Google Analytics, недооценивает источники, которые предшествовали покупке. Чтобы узнать, какую ценность они недополучили, можно сравнить результаты расчетов атрибуции по последнему непрямому клику и, например, атрибуции на основе воронки.
Как использовать результаты, полученные при расчете атрибуции? Чтобы рекламные кампании работали слаженно, необходимо задать для них индивидуальные цели, которые учитывают сильные стороны каждой кампании и их взаимное влияние друг на друга. Не стоит оценивать display кампанию только по транзакциям, а email по привлеченным клиентам.
Например, можно скорректировать целевую стоимость конверсии для каждой кампании с помощью специального поправочного коэффициента. Этот коэффициент рассчитывается как отношение доходов, атрибутированных на рекламную кампанию по модели атрибуции на основе воронки и по модели Last Non-Direct Click.
В таблице выше вы видите поправочные коэффициенты кампаний в последнем столбце. Зеленым цветом помечены кампании, чей коэффициент больше единицы. Это значит, что при атрибуции по последнему непрямому клику эти кампании недополучают ценность. Такие кампании чаще других помогает пользователям пройти верхние этапы воронки, но за ними идет другая кампания, которая получает всю ценность конверсии.
Красным цветом отмечены кампании с коэффициентом меньше единицы. Это значит, что по атрибуции Last Non-Direct Click они переоцениваются. Например, канал Email получает всю ценность от конверсий и «не делится» с кампаниями, благодаря которым пользователь попал на сайт и оставил свой email.
Также с помощью эффективного перераспределения бюджета можно повысить ROI платных источников трафика при фиксированном показателе ДРР (доле рекламных расходов). Вот пример отчета, который показывает, как отличается ROI рекламных кампаний по разным моделям атрибуции:
Чтобы повысить эффективность отдела маркетинга, важно понимать, на каких этапах воронки есть просадки, и где именно нужно приложить больше усилий. Комплексной оценки рекламных кампаний недостаточно — нужно отдельно оценивать каждый этап воронки по модели AIDA.
Правильно настроенная алгоритмическая модель поможет узнать, как работает каждый из каналов на разных этапах воронки. Например, из графика видно, какие кампании почти не привлекают внимания пользователей, то есть не участвуют в первых двух шагах воронки:
Как правило, маркетологи используют один и тот же набор каналов для привлечения клиентов, независимо от того новые это клиенты или текущие. Кроме того, они не учитывают, по каким шагам воронки конкретный канал провел пользователя, чтобы он в итоге стал новым клиентом. Какие каналы двигают целевой тип когорт по воронке бизнеса.
1. Строим отчет, который покажет вклад каждой кампании в конкретный шаг воронки:
2. Определив охватные кампании, которые приносят больше всего ценности на первых шагах воронки (Awareness и Interest), сравниваем их эффективность в разрезе когорт новых и текущих клиентов.
Автоматически импортируем расходы из рекламных сервисов в Google BigQuery и распределяем их по сессиям. Благодаря этому можно узнать, сколько потратили на каждую сессию, и сгруппировать расходы и доходы по когортам пользователей:
3. Выяснив, какие каналы и кампании приносят больше всего транзакций от новых клиентов, можно распределить на них бюджет. При этом стоит учитывать емкость кампаний. Если это медийная реклама, то информацию о емкости каналов могут предоставить площадки, на которых она размещается. В случае с контекстной или таргетированной рекламой можно руководствоваться данными о доступном охвате аудитории.
Такой подход поможет сфокусироваться на кампаниях, помогающих расширить клиентскую базу при сохранении CPO.
При выборе модели атрибуции надо думать на несколько шагов вперед и обращать внимание, есть ли возможность интеграции сервиса аналитики и атрибуции с сервисами автоматизации управления ставками. Даже если на первых порах вы не планируете их использовать. Например, я знаю, что у атрибуции OWOX BI есть интеграции с Google Ads, K50 и Alytics. Это позволяет автоматически отправлять результаты расчетов атрибуции в эти сервисы, чтобы управлять ставками с учетом реальной эффективности вашей рекламы.
После настройки интеграции, результаты атрибуции будут автоматически загружаться в сервис управления ставками. Маркетолог сможет просматривать количество конверсий и доход согласно выбранной модели атрибуции и использовать эти данные в автоматических стратегиях по управлению ставками.
Не все модели атрибуции одинаково полезны. Для небольшого проекта с парой-тройкой рекламных каналов, скорее всего, стандартных моделей атрибуции от бесплатного Google Analytics будет достаточно. Но, если используется множество рекламных каналов и нужно знать их реальный вклад в продвижение пользователя по воронке, стоит обратить внимание на вероятностные модели атрибуции. Они помогут: увеличить доход, ROAS и ROI, не меняя рекламный бюджет; найти и устранить узкие места в воронке продаж; расширить клиентскую базу, сохранив при этом стоимость выкупленного заказа (CPO) и автоматически управлять ставками с учетом реальной эффективности рекламы.
Моделирование атрибуции в маркетинге
Атрибуция в маркетинге долгое время считалась одной из самых неприятных аналитических задач. Но объединив сырые данные (raw data), SQL и dbt (Data Build Tool) ранее такая сложная задача может стать невероятно простой.
Атрибуция в маркетинге — это по сути ваше понимание механизмов и тактик маркетинга, которые способствуют привлечению новых клиентов в ваш бизнес. Рано или поздно каждому аналитику предстоит углубиться в дремучий лес маркетинговой атрибуции, ведь это критически важная информация, которая необходима каждой маркетинговому отделу в мире. Если вам будет интересно познать степень опечаленности ваших коллег при упоминании маркетинговой атрибуции, просто просмотрите цепочку комментариев под этим твитом (лично я остановился после 50-ого):
В чем проблема с маркетинговой атрибуцией для SaaS?
Смог ли кто-нибудь выработать к ней подход или это гиблое дело?
Что на счет разных моделей: first-touch, last-touch, linear, decay, the works.
И прошу, только не заливайте мне о Google Analytics.
Что вы там найдете:
Продукты, которые стоят тысячи долларов в месяц, чаще всего построены по “принципу черного ящика” без какого либо намека на прозрачность.
“Простые”, “готовые” решения, которые стоят недорого, предлагают анализ только ограниченного объема данных.
Маркетологов, которые полностью опустили руки (просто действуют наобум) и измотаны обещаниями вендоров.
По мнению маркетологов, атрибуция — это задача обработки данных: “Просто получите эти данные, и у вас сложится полная картина того, что работает!” — но на самом деле, это задача моделирования данных. Логика за вашей моделью атрибуции, а именно то, что данные говорят о вашем бизнесе, также важна, как и сами данные. И эта логика будет меняться в зависимости от вашего бизнеса. Вот почему так много продуктов для атрибуции не работают на практике.
Так что же вам действительно необходимо для построения модели атрибуции?
Собственно на этом все! Добавив SQL поверх сырых данных, как результат, вы получите следующее:
Самую дешевую модель атрибуции. В этом руководстве предполагается, что вы работаете с современным стеком данных, и уже обладаете всей необходимой инфраструктурой:
Данные о событиях вы собираете, например, с помощью инструментов Snowplow или Segment (хотя Segment может быть дороговат);
Данные с рекламных платформ извлекаете с помощью Stitch или Fivetran;
Загружаете данные в современное облачное хранилище данных, такое как Snowflake, BigQuery или Redshift;
Используете dbt, чтобы ваши аналитики могли моделировать данные в SQL.
2. Самую гибкую модель атрибуции. Вы владеете бизнес-логикой и можете расширять ее по своему усмотрению и легко менять, подстраивая под изменения в бизнесе
3. Самую прозрачную модель атрибуции. Вам не нужно полагаться на логику вендоров. Если ваш отдел продаж считает, что ваша атрибуция неверна, покажите им dbt-доки, пройдитесь с ними по логике вашей модели и внесите изменения с помощью одной строки SQL.
Атрибуция в маркетинге подразумевает большие наборы данных, и это действительно интересная инженерно-аналитическая задача. Давайте же рассмотрим, как построить лучшую модель атрибуции, которую когда-либо видел ваш бизнес.
Атрибуционная модель данных
На самом деле невозможно точно сказать, почему тот или иной человек становится вашим клиентом. Лучшее, что мы можем сделать, как аналитики, чтобы подобраться к сути — это сделать довольно хорошее предположение. Для этого мы собираемся использовать подход, называемый позиционной атрибуцией (positional attribution). По сути, это означает, что мы будем взвешивать важность различных касаний (touch — взаимодействие клиента с брендом) в зависимости от их положения (порядка, в котором они происходят на протяжении жизненного цикла клиента).
Для этого мы собираемся построить таблицу, содержащую каждое “касание” (touch), которое предшествовало тому, как конкретный человек стал клиентом, и канал, который привел к этому касанию.
Затем мы оцениваем относительный вес каждого касания, которое привело к конверсии. Эта оценка выполняется путем присвоения касаниям «баллов»: каждая конверсия приносит ровно один балл, и этот балл делится между касаниями клиента. Существует четыре основных способа распределить этот балл:
First touch: приписать заслугу за всю конверсию первому касанию.
Last touch: приписать всю конверсию последнему касанию.
Forty-twenty-forty: приписать 40% (то есть 0,4 балла) к первому касанию, 40% к последнему касанию, и оставшиеся 20% разделить между всеми касаниями поровну.
Linear: разделить балл поровну между всеми касаниями.
Нет однозначного и быстрого ответа на вопрос, какой метод атрибуции вам следует использовать — обсудите со своим отделом маркетинга, что больше всего подходит для вашей компании.
В общем, вот примерно то, с чем мы будем работать (на примере электронной коммерции)
CUSTOMER_ID
SESSION_ID
STARTED_AT
UTM_SOURCE
UTM_MEDIUM
UTM_CAMPAIGN
CONVERTED_AT
FIRST_TOUCH_POINTS
LAST_TOUCH_POINTS
FORTY_TWENTY_FORTY_POINTS
LINEAR_ATTRIBUTION_POINTS
Здесь мы видим, что у клиента 745 было четыре взаимодействия до конверсии: он сначала перешел на ваш сайт по рекламе в Facebook, затем он попал туда через Adwords-рекламу, и, наконец, посетили ваш сайт, введя URL-адрес прямо в браузер (дважды!) перед покупкой.
Если вы сразу готовы погрузиться в dbt-проект, чтобы увидеть, как это все работает, вы можете ознакомиться с нашим примером проекта атрибуции здесь. Если нет, то далее для вас последует подробный разбор.
Как построить модель атрибуции
1. Соберите необходимые источники данных
Сессии:
Нам нужна таблица, которая отражает каждый раз, когда клиент взаимодействует с нашим брендом. Для компаний электронной коммерции самое близкое, чем мы можем воспользоваться, — это сессии (sessions, сеансы). (Если же вы работаете в B2B организации, вам скорее всего больше подойдут таблицы взаимодействий между вашим отделом продаж и потенциальным клиентом из вашей CRM).
Сессии — это дискретные периоды активности клиентов на сайте. Отраслевые стандарты определяет сессию как серию действий, за которыми следует 30-минутное окно без какой-либо активности.
SESSION_ID
CUSTOMER_ID
STARTED_AT
ENDED_AT
UTM_SOURCE
UTM_MEDIUM
UTM_CAMPAIGN
Стоит отметить, что сессии также содержат реферальную информацию, которая помогает нам понять откуда пришел клиент. Эти UTM-теги часто устанавливаются отделом маркетинга, поэтому всегда стоит сначала проверить, есть ли у них какая-либо таблица, определяющая теги, которая использует ваша компания. Точная иерархия для source, medium и campaign часто варьируется от бизнеса к бизнесу. Вот что говорится по этой теме в доках Google Analytics:
utm_source: рекламодатель, сайт, публикация и т. д., который направляет трафик на ваш ресурс, например: google, newsletter (рассылка по электронной почте), billboard (баннер).
utm_medium: рекламное или маркетинговое средство, например: cpc, баннер, рассылка по электронной почте.
utm_campaign: имя кампании, слоган, промокод и т. д. применимые к продукту.
Для создания таблицы сессий, на вашем сайте должна быть реализована система отслеживания событий, которая генерирует запись по факту каждого просмотра страницы. Если вы используете бесплатную версию Google Analytics, к сожалению, невозможно получить такой уровень детализации в ваших данных. Вместо того, чтобы тратить более 100 тысяч долларов в год на Google Analytics 360 для получения доступа к исходным данным, мы рекомендуем вам использовать опенсорсную альтернативу — Snowplow. Если ваша команда уже использует Segment или Heap, то это тоже хорошие альтернативы Google Analytics.
После того, как данные о просмотрах страниц уже есть в вашем хранилище, вам нужно будет сделать две вещи:
Разбивка на сессии (sessionization): агрегировать эти просмотры страниц в сессии, добавив логику, которая определяет промежутки продолжительностью 30 минут или более.
2. Связывание пользователей (user stitching): если пользователь впервые посещает ваш сайт без какой-либо идентифицирующей информации (обычно это “customer_id” или “email”), а затем по прошествии какого-то времени конвертируется, его предыдущие (анонимные) сессии нужно обновить, закрепив их за этим пользователем. Ваша система веб-отслеживания должна уметь связывать эти сессии вместе.
Такого рода моделирование — достаточно сложная задача, особенно для компаний с тысячами просмотров страниц в день (Спасибо, Господи, за инкрементальные модели). К счастью, кое-кто очень умный написал пакеты, которые сделают за вас всю тяжелую работу, независимо от того, отслеживаются ли просмотры ваших страниц с помощью Snowplow, Segment или Heap. Пользуйтесь этими благами, установив соответствующий пакет для преобразования данных.
Конверсии:
Вам также нужно знать, когда клиент совершил конверсию. Обычно для компании электронной коммерции это факт совершения первого заказа этим клиентом.
CUSTOMER_ID
CONVERTED_AT
2. Найдите все сессии предшествующие конверсии
Мы хотим ограничить наш анализ только сессиями, которые произошли до конверсии. Для этого нужно объединить два источника данных:
Мы часто ограничиваем сессии, которые засчитываются для атрибуции, только сессиями в течение 30 дней, предшествующих конверсии (что часто называют “окном атрибуции”). Это имеет особый смысл, когда у вас есть четкое представление о пути конверсии, который находится в определенном временном диапазоне; если вы будет засчитывать древние касания, это может привести к получению странных или бесполезных данных.
3. Рассчитайте общее количество сессий и их индексы
Необходимая SQL-техника: оконные функции.
Когда мы ограничились только сессиями, предшествующими конверсии, нам нужно узнать следующую информацию:
Сколько сессий было у этого клиента до конверсии? ( total_sessions )
Каков порядковый номер каждой сессии в рамках каждой конкретной группы сессий? ( session_index )
Эти поля формируют основу для расчета количества баллов атрибуции, присваиваемых каждой сессии.
3. Распределите баллы
Наконец-то! Вы построили свою модель атрибуции! По этим баллам вы можете определить, какой канал и кампания привели к наибольшему количеству конверсий с течением времени. Выполнение такого рода агрегирования мы уже оставим нашим бизнес-аналитикам:
В зависимости от вашего инструмента бизнес-аналитики вы также можете подумать над созданием интерфейсов, позволяющих заинтересованным сторонам (стейкхолдерам) переключаться между методологиями атрибуции и уровнем агрегации (отчеты по дням, неделям и месяцам, а также группировка по кампаниям, источникам или средствам).
Но погодите-ка, почему мы отталкиваемся здесь от даты конверсии, а не от даты сессии? Когда происходят сессии, мы не знаем, приведут ли они к конверсиям (и когда, если приведут). В результате, если мы будем группировать все по дате сессии, наши коэффициенты конверсии продолжат расти от недели к неделе.
Для маркетингового отдела это может затруднить принятие решений, поскольку цифры всегда меняются. Поэтому вместо того, чтобы отвечать на вопрос “какое количество сессий Facebook привело к конверсиям на этой неделе?”, мы выбираем ответить на вопрос “сколько конверсий на этой неделе было результатом сессий Facebook?” Теперь, когда ваш отдел маркетинга знает, какие каналы ведут к наибольшему количеству конверсий они могут спросить: “Какой канал приводит к наиболее ценным конверсиям?”
4. [Бонус] Добавьте показатели дохода
Если у вас есть долларовая стоимость конверсии, вам следует присоединить ее к своей модели!
Просто умножьте свои баллы на ценность конверсии:
Теперь, когда ваш отдел маркетинга знает, какие каналы ведут к наиболее ценным конверсиям, они могут спросить “какой канал обеспечивает максимальную окупаемость наших затрат? «
5. [Бонус] Добавьте данные по расходам на рекламу
Для этого вам необходимо поместить в свое хранилище данные с каждой платформы, на которую вы тратите деньги (Adwords, Facebook, Instagram, Bing и т. д.). Мы используем Stitch и Fivetran для доступа к API всех рекламных платформ и загрузки этих данных в наше хранилище. Поскольку эти источники данных загружаются в формате источника (т.е. столбцы и таблицы именуются API платформы, а не нами), вам необходимо преобразовать их, чтобы получить согласованную структуру, а затем объединить их все вместе.