Модели атрибуции

Разбираемся на практике
Мы разобрали маркетинговую воронку и то, как её оценивать при помощи UTM разметки и сквозной аналитики. Повторим тезисно:

  1. Юзеры кликают на рекламные объявления.
  2. После каждого клика UTM разметка объявлений сохраняется в системах веб/app аналитики
  3. Для юзеров, которые совершат покупки UTM разметка источниках их клика также будет сохранена в заказ благодаря интеграции с CRM системой.
  4. Расходы на каждое рекламное объявление сопоставляется с прибылью от клиентов, которых это объявление привело. Рассчитывается ROMI, как результирующий показатель эффективности привлечения.
Но что, если юзер перед покупкой делал несколько кликов? Например на рекламное объявление в Яндексе и в Тик-Токе? Траты мы понесли на оба канала, а прибыль от клиента только одна? Как разделить ее между этими каналами? Какой из них сыграл решающую роль?

Для ответа на эти вопросы применяются модели атрибуции.

Модель атрибуции – это правило распределения вклада в привлечение клиента между каналами в ситуациях, когда в привлечении задействованы несколько источников.

Ниже перечислены основные модели атрибуции:
Интерпретация​ боксплота (ящика с усами)
Физический смысл понятен из названия. Модель атрибуции «по первому клику» относит всю «вину» за привлечение клиента на тот источник, который был первым в череде сессий изучаемого клиента.

Линейная модель делит прибыль от клиента поровну между всеми платными каналами, которые «касались» юзера перед покупкой.

Модель по давности клика отдает больше веса каналам, которые были последними перед покупкой.

Модель по позиции делит прибыль клиента между первым и последним платным источником пополам.

Модель атрибуции по последнему клику отдает всю прибыль клиента источнику, который был последним перед покупкой.

Это не исчерпывающий список. Иногда компании изобретают собственные модели атрибуции.

Какую модель выбрать?

Зависит от типа бизнеса. Большинству компаний подходит «Last Click» благодаря своей простоте.
Её недостаток в том, что она «переоценивает» вклад ремаркетинга и недооценивает источники из которых юзеры впервые узнают у компании.
✨ ЗАДАНИЕ

Перед вами данные из предыдущей задачи. Рассчитайте CAC по разным моделям атрибуции. Как выводы зависят от модели? Почему? Какую модель использовать?

Кроссбраузерная аналитика

Реальный мир всегда сложнее: Утром жена потенциального клиента увидела рекламу подходящего туристического тура на домашнем компьютере, о чем рассказала мужу. Муж в пробке по пути на работу посетил сайт компании туристического оператора со смартфорна. Изучил все условия и параметры тура и понял, что он вполне подходит для отпуска. Алгоритмы ретаргетинга отработали на смартфоне, показал баннер с предложением скидки в 10%. Это стало решающим аргументом в пользу покупки тура. Днем на работе наш клиент позвонил жене и они решили воспользоваться предложением. Во время обеда муж окрыл браузер, ввел название турфирмы в поиск Google и оформил покупку двух туров на сайте с рабочего компьютера.

Вот как эта история будет выглядеть в таблицах веб-аналитиики:
Такая ситуация называется проблемой мультиканальной атрибуции. По факту эту сделку привлекли баннер в Яндексе и ретаргетинг в MyTarget, но вся прибыль будет атрибутирована на поисковый трафик из Google из-за того, что один и тот же человек заходил на сайт из разных устройств. Более того, если юзер заходит на ваш сайт с одного устройства, но разных браузеров: Safari, Chrome, встроенный в Telegram браузер… для систем веб-трекера такие визиты будет зачтены, как визиты трех разных юзеров.

Не существует способа корректно атрибутировать прибыль для таких кейсов. Частично проблема мультиканальной атрибуции решается для рекламы в социальных сетях (вне зависимости от устройства с которого вы заходите в социальную сеть, ваш ВК / Facebook / Instagram ID остается одинаковым) и за счет синхронизированных аккаунтов. Когда, например, у вас общий Chrome аккаунт на лэптопе и смартфоне.
Оцените страницу:
Бесполезно
Частично норм
Полезно