Модели атрибуции в Метрике, Директе и Google Analytics

Поймите, кто и когда влияет на решение о покупке, и оптимизируйте маркетинг соответственно.

Анализируя, как клиенты взаимодействуют с вашим бизнесом, вы можете выявить наиболее ценные точки контакта и скорректировать стратегию.

Однако для этого необходимо выбрать модель атрибуции, которая соответствует целям вашего бизнеса.

Мы рассмотрим различные модели атрибуции, используемые в Яндекс Метрике, Директе и Google Analytics, чтобы помочь вам принять обоснованное решение.

Атрибуционные модели позволяют маркетологам оценивать эффективность маркетинговых кампаний, приписывая доходность различным каналам и источникам.

Существует множество различных моделей атрибуции, каждая из которых имеет свои уникальные преимущества и недостатки.

Правильный выбор атрибуционной модели важен для обеспечения того, чтобы вы получали точные данные о производительности своей маркетинговой деятельности и могли принимать обоснованные решения о том, где инвестировать свой маркетинговый бюджет.

Вариации распределения результата: как определить вклад каналов

При оценке эффективности рекламы важно понимать, как разные каналы вносят свой вклад в достижение целей. Для этого существуют вариации распределения результата – способы оценки вклада каждого канала в общий результат.

Правильно подобранная вариация распределения результата позволяет точнее оценить эффективность вложений в рекламу и сфокусироваться на тех каналах, которые приносят реальные результаты.

Выбор подходящей вариации зависит от специфики бизнеса, целей рекламной кампании и данных, которые доступны для анализа.

Существуют разные вариации распределения результата, каждая со своими преимуществами и недостатками. Рассмотрим наиболее распространенные вариации, чтобы помочь вам сориентироваться в выборе.

Понимание различий между вариациями распределения результата позволит вам более эффективно анализировать данные и принимать взвешенные маркетинговые решения.

Мультипликативная модель

При мультипликативной атрибуции каждый контакт с рекламой учитывается и многократно влияет на конверсию: процент влияния умножается на вес предыдущего контакта.

Модель считает, что на решение о покупке все взаимодействия имеют одинаковое воздействие.

Следовательно, чем больше точек касания, тем выше итоговая конверсия.

Однако, как и другие модели, мультипликативная имеет свои плюсы и минусы.

Достоинства:

• Простота реализации;
• Равномерное распределение ценности среди всех каналов;
• Подходит для длинных воронок продаж.

Недостатки:

• Не учитывает влияние порядка взаимодействий;
• Не учитывает разную значимость точек касания;
• Может переоценивать влияние ранних взаимодействий.

Модель по последнему клику

Атрибуция по последнему клику – стандартная стратегия, используемая многими рекламными платформами. Она приписывает всю ценность взаимодействия последнему каналу, с которым взаимодействовал клиент перед совершением покупки.

Подобный подход хорош в кампаниях с простыми процессами принятия решения и короткими циклами продаж. Обычно, это рекламные кампании, ориентированные на побуждение к незамедлительному действию.

Например, если клиент видит рекламу распродажи в социальных сетях и сразу же переходит по ней, совершая покупку, вся ценность конверсии будет приписана именно этой рекламе.

С другой стороны, такая модель не учитывает влияние других каналов, которые могли участвовать в принятии решения о покупке. Если клиент сначала нашел бренд через органический поиск, а затем нажал на рекламу в социальных сетях перед совершением покупки, реклама в соцсетях получит всю заслугу.

Модель по первому клику

Атрибуция первого взаимодействия отдает все лавры первому источнику, которым стал ваш клиент. Он может принадлежать рекламной системе, органической выдаче или партнерам.

Логика такая: первым контакт был с ними. Значит, они и привели покупателя.

Применение

Это самый простой вариант. Обычно его не рассматривают в чистом виде.

Он может пригодиться, если на промежуточном этапе был телефонный звонок.

Все, что предшествовало звонку, не учитывают. Все, что последовало за ним, также приписывается звонку как первому контакту.

Модель по последнему непрямому клику

В этой модели конверсия приписывается последнему объявлению, на которое пользователь кликнул перед совершением действия на сайте. Такой метод актуален, если важно отследить влияние рекламы на конечное решение клиента.

Например, пользователь просматривает объявление в поиске, затем переходит по нему на сайт. Однако он не совершает покупку сразу. Через некоторое время он возвращается на сайт из поисковой выдачи и наконец совершает конверсию.

В модели по последнему непрямому клику, конверсия будет приписана объявлению из поисковой выдачи, хотя первое объявление (в контекстно-медийной сети) также сыграло свою роль в привлечении клиента на сайт.

Модель приоритета первому непрямому клику

Она дает большую значимость визиту, из которого пользователь совершил покупку, а не тому, который его инициировал.

Так рекламодатели могут оценивать вклад каналов в конверсии без переоценки роли первого визита.

Модель полезна для отслеживания эффективности рекламных кампаний, особенно тех, которые имеют длинный цикл принятия решения.

Она также помогает выявлять каналы, которые влияют на конверсии, даже если они не были последним кликом перед покупкой.

Однако модель может переоценивать вклад каналов, которые приводят к посещениям с низкой вероятностью конверсии.

**Плюсы:**	**Минусы:**
Оценка вклада непрямых каналов	Переоценка каналов с низкой вероятностью конверсии
Избежание переоценки последнего клика	Необходимость настройки для разных типов бизнеса

Временной распад

Концепция временного распада объясняет, как ценность конверсии постепенно уменьшается с течением времени. Почему это важно? Представьте, что пользователь кликает по вашему объявлению сегодня, но конвертируется только через неделю.

Временной распад позволяет оценить, насколько быстро ценность конверсий падает.

Это помогает понять, какие каналы рекламы приводят к наиболее ценным конверсиям в долгосрочной перспективе.

Некоторые каналы могут генерировать быстрые конверсии, но их ценность может быстро снижаться, в то время как другие каналы могут приводить к более отложенным конверсиям с большей долгосрочной ценностью.

Понимание временного распада позволяет маркетологам оптимизировать свои кампании для достижения наибольшего эффекта за счет использования каналов, которые приводят к конверсиям с высокой ценностью.

Позиционная модель

Позиционная модель присваивает весь вес преобразования либо первому, либо последнему контакту в цепочке.

Первый контакт забирает все лавры, независимо от того, сколько других взаимодействий было впоследствии.

Последний контакт оказывается героем дня, затмевая все предыдущие.

Эта модель проста в применении, но может быть неточной, особенно если преобразование произошло через некоторое время после первого или последнего контакта.

Модели, основанные на данных

Именно поэтому мы решили рассмотреть модели атрибуции, расчеты которых основаны на данных.

Эти модели учитывают историю посещений пользователей, их пути к совершению конверсий, а также и множество других факторов.

Таким образом, основанные на данных атрибутивные модели позволяют нам глубже понять весь процесс взаимодействия.

Благодаря чему мы можем определить наиболее эффективную стратегию распределения рекламного бюджета и максимизировать отдачу от инвестиций.

Атрибутивные модели Метрики и Директа: обзор и схожести

Эти системы предоставляют различные варианты моделей атрибуции, которые помогают владельцам сайтов отслеживать эффективность маркетинговых кампаний. В данном разделе мы сосредоточимся на сравнении моделей двух популярных платформ: Яндекс Метрики и Директа.

Несмотря на разнообразие моделей, Метрика и Директ предлагают основные базовые модели:

* Первый переход

* Последний переход

* Равномерное распределение

Эти модели имеют свои преимущества и недостатки в зависимости от целей и особенностей маркетинговой стратегии. Например, модель «Первый переход» отдает весь вес начальному касанию пользователя с рекламой, в то время как модель «Последний переход» фокусируется на конечном касании. Модель «Равномерное распределение» распределяет вес конверсии равномерно по всем касаниям.

Кроме того, Метрика и Директ предоставляют расширенные модели, такие как:

* Позиционная модель (первый и последний клик получают вес)

* Модель с учетом давности (вес уменьшается с течением времени)

* Модель на основе данных (измеряет фактический вклад касаний)

Эти расширенные модели позволяют более точно учитывать динамику поведения пользователя и распределять вес конверсии в зависимости от важности касаний.

Сочетание механизмов в Яндекс Метрике и Google Analytics

Рассматривая подходы к атрибуции в Яндекс Метрике и Google Analytics, несложно заметить одно важное сходство: как и Google Analytics, Яндекс Метрика предлагает широкий спектр стандартных моделей атрибуции, охватывающих различные сценарии кампаний.

Каждая модель имеет уникальные особенности, обусловленные сферой применения.

Базовые модели Яндекс Метрики и Google Analytics

Модель первого контакта в Яндекс Метрике и Google Analytics отдает преференцию первым точкам взаимодействия пользователя в рамках конверсионного пути. Она используется в случаях, когда важно определить самые начальные каналы, стимулирующие спрос.

Модель последнего клика, наоборот, приписывает 100% ценности последнему объявлению перед конверсией. Этот подход актуален при анализе рекламных кампаний с высокой вовлеченностью на заключительном этапе.

Модель с равномерным распределением распределяет ценность конверсии поровну между всеми взаимодействиями в пути клиента. Такой подход проявляет себя в ситуациях, когда влияние разных каналов на протяжении всего пути примерно одинаково.

Модель с учетом времени взаимодействия присваивает больший вес более поздним событиям, ближе к конверсии, что полезно для оценки эффективности каналов на поздних этапах.

Особенности выбора модели атрибуции

Определить, какая атрибуционная модель наилучшим образом соответствует целям бизнеса, непросто.

Существует ряд факторов, которые необходимо учитывать при выборе модели.

Вот некоторые из наиболее важных:

Цели бизнеса

Первое, что нужно учитывать, — это цели бизнеса.

Если цель заключается в повышении осведомленности о бренде, то модель с упором на первые касания может быть лучшим выбором.

Но если цель заключается в увеличении продаж, то лучше выбрать модель, которая учитывает влияния на протяжении всего пути к покупке.

Тип взаимодействия с клиентом

Тип взаимодействия с клиентом также важен для выбора модели.

Если взаимодействие в основном происходит в режиме онлайн, то модель, основанная на данных о поведении пользователей на сайте, может быть лучшим выбором.

Но если взаимодействие также происходит в офлайн-каналах, то может потребоваться модель, учитывающая как онлайн, так и офлайн-взаимодействия.

Доступность данных

Доступность данных также играет роль в выборе модели.

Модель	Необходимые данные
Последнее взаимодействие	Даты и время взаимодействий
Первый клик	Даты и время взаимодействий
Линейный	Доля участия по каналам
Позиционный	Доля участия по позициям
W-образный	Доля участия по первому и последнему взаимодействиям
Данных не требуется	Данные не требуются

Оптимальный выбор

Удачно подобранный подход раскроет взаимосвязи между действиями пользователей и эффективностью маркетинговых кампаний.

В зависимости от цели отслеживания, один метод может превзойти другой.

Например, для оценки эффективности конкретного объявления подойдет атрибуция по последнему переходу.

Когда важна траектория пользователя, e-commerce или сложная воронка продаж, лучше подойдет атрибуция на основе позиции.

Для комплексного понимания влияния всех точек контакта на конверсию используйте линейную или атрибуцию по времени удержания.

Вопрос-ответ:

В чем главное отличие между моделями атрибуции «Последний переход» и «Первый переход»?

Модель атрибуции «Последний переход» присваивает 100% конверсии последней точке касания, например, клику по объявлению, в то время как модель «Первый переход» отдает приоритет первому взаимодействию, учитывая, что оно запустило цепочку событий, приведших к конверсии.

Видео:

Консультация 048: Выбор правильной модели атрибуции для учета конверсий