Автоматическая модель атрибуции

Что такое атрибуция в маркетинге и аналитике

Существует несколько различных методов (или моделей) атрибуции (МА) — первый клик, последний клик, линейная и другие. Они отличаются принципами, по которым определяется значение каждого канала продвижения. Представьте, что потребитель узнал о вашем продукте из рекламной статьи, прошел на сайт, но сразу не купил. Затем он зашёл на страницу через таргетированную рекламу в социальной сети, но снова воздержался от покупки. Потом нашел сайт в поисковике, оставил несколько товаров в корзине и вышел. А покупку совершил после того, как на его электронную почту, указанную при регистрации, пришла рассылка о скидках. Какой канал реально привёл к продаже?

Атрибуция — это комплекс процессов, направленных на оценку вклада каждого маркетингового канала или события в конверсию, которую получил бизнес. Именно они объясняют, какой баннер, сайт или рекламный креатив больше повлиял на решение о покупке. 

В аналитике МА помогают понять, какие каналы приводят к конверсиям и лидам. А в рекламе они позволяют принимать обоснованные решения: как оптимизировать бюджет на рекламу, разумно распределить его между каналами и не тратить средства на неэффективные источники трафика. Ещё такие методы помогают проанализировать весь путь клиента: определить первое взаимодействие и решающий фактор, а также оценить ценность промежуточных шагов.

Какие бывают методы атрибуции

Модели атрибуции можно классифицировать по тому, сколько каналов они учитывают — один или несколько, а также по тому, используются ли какие-то дополнительные данные, кроме цепочки каналов. 

Одноканальные модели

Методы Last Click и First Click (атрибуция по последнему и по первому клику) по умолчанию считают, что только последний или первый канал в цепочке взаимодействий принес всю конверсию. То есть, если пользователь прошел по пути: телереклама — таргет в соцсетях — поиск — контекстная реклама, то конверсия в модели последнего нажатия будет приписана контекстной рекламе. А в модели First Click, соответственно, телерекламе.

Одноканальные модели появились одними из первых, поэтому они знакомы и понятны большинству маркетологов. Ещё они не требует сложных вычислений или обсуждения распределения ценности между каналами. Однако методы, фокусирующиеся только на одном канале, не учитывают роль других источников в цепочке перед покупкой. Их лучше использовать в комбинации с другими методами. Они подходят бизнесу с коротким циклом продаж, которые используют до трёх рекламных каналов.

Многоканальные модели

Все эти методы распределяют значимость взноса в конверсию между разными каналами, которые использует рекламодатель. Можно сравнивать как все источники трафика, так и отдельные пути продвижения и даже акции.

Линейная — самая простая из многоканальных моделей — оценивает все каналы, которые бренд использует для продвижения. В ней конверсия равномерно распределяется между всеми источниками трафика, вне зависимости от показателей и объёма вложенных ресурсов. Например, перед покупкой пользователь увидел рекламу по телевизору, получил письмо из email-рассылки, обратил внимание на товар через контекстную рекламу в поисковике и затем посмотрел рекламный баннер в стриминге. Всем ресурсам линейная модель присвоит одинаковую ценность. Однако на практике разные каналы редко дают одинаковую эффективность, поэтому линейная атрибуция не даёт чёткого представления о том, на какие пути продвижения стоит направить бюджет.

Модель «Последнее непрямое нажатие» приписывает конверсию последнему переходу, исключая прямые ссылки и закладки. Так алгоритм исключает пользователей, которые уже знают о продукте и ищут его целенаправленно. Логика здесь заключается в том, что если пользователь перешёл к вам через закладки или набрал URL, то скорее всего он уже знаком с брендом. Поэтому конверсию дало какое-то другое действие раньше. Например, если покупатель перешёл на сайт через контекстную рекламу, сохранил его в закладках и вернулся позже, то конверсия будет приписана контекстной рекламе. 

Модели на основе позиции оценивают каналы в зависимости от их места в цепочке перед заказом. Модель Position Based учитывает, что более близкие к заказу каналы могут иметь бόльшую значимость. Это позволяет оценить точки входа и выхода из процесса продаж. Правда, иногда сессии в середине воронки оказывают на пользователя гораздо больше влияния, чем может показаться на первый взгляд. Позиционные методы не всегда учитывают эти сеансы и их источники в полной мере.

Метод Time Decay оценивает каналы в зависимости от времени, прошедшего между взаимодействием с пользователем и покупкой. Больше ценности получает последний канал перед покупкой, а первый ресурс в цепочке оказывается в конце рейтинга. В итоге все каналы получают свою долю признания, но отражается вклад каждого источника трафика. Однако важность первого взаимодействия в этом методе атрибуции часто недооценивается. Зато эта МА помогает оценить эффективность ограниченных по времени маркетинговых акций. 

Автоматические модели

Классические МА, которые встроены в большинство рекламных сервисов, не способны сравнить пользу от каналов, к которым обращаются разные инструменты. У каждого сервиса свой подход к оценке данных модели, поэтому собрать аналитические данные из разных источников в единую картину не получится. Алгоритмические (или автоматические) методы построены на математических моделях и машинном обучении, это позволяет обрабатывать большой массив данных и находить взаимосвязи. Они используют все доступные данные, а не только позицию канала в цепочке. Например, модели Data-Driven и «Цепи Маркова» анализируют дополнительные данные, чтобы определить значимость каждого канала.

Самая распространенная алгоритмическая модель атрибуции —  «Последнее непрямое нажатие». Этот метод удобен для анализа основного и наиболее значимого канала конверсии, особенно для ниш с коротким циклом принятия решения — максимум 1-2 дня. Однако есть и другие модели, которые используются для анализа всей воронки продаж, особенно если у компании длительные циклы сделок или нужно оценить результаты репутационных инструментов продвижения. 

Атрибуция на основе данных не учитывает порядок канала в цепочке, а оценивает его общее влияние на конверсию. Например, модель на основе Цепей Маркова основана на идее, что будущий результат не зависит от прошлого, а каждое событие случайно и не зависит от предыдущих. Цепи Маркова изначально использовались для прогнозирования, например, погоды или исходов спортивных событий. Но с развитием цифрового рынка они начали применяться для оценки рекламных кампаний. 

Data-driven, вместо использования фиксированного алгоритма для оценки вклада каждого канала, обрабатывает данные о пути пользователя с помощью машинного обучения. Это позволяет создавать индивидуальную модель для каждого бизнеса. Каждая точка взаимодействия пользователей с брендом учитывается и получает свою взвешенную оценку, основанную на реальном вкладе в конверсию.

Автоматическую атрибуцию можно использовать не только для онлайн-продвижения. Например, Platforma, российский маркетплейс инструментов Big Data, применяет эти алгоритмы в ТВ-аналитике. Platforma получает огромный массив агрегированных данных от своих партнёров — банков, операторов связи и других крупных компаний. Это позволяет создать подробный портрет аудитории и настроить рекламу максимально точно на целевую группу потенциальных клиентов. Сегменты для рекламных кампаний учитывают как общие демографические характеристики (пол, возраст, семейное положение), так и более специфичные (интересы, покупки, увлечения, образ жизни). Машинный алгоритм анализирует контент 700 телеканалов, чтобы подобрать идеальные временные слоты, каналы и форматы для каждого рекламодателя. Полученные данные позволяют отслеживать путь покупателя от момента, когда он увидел рекламное объявление, и до требуемого рекламодателю действия — покупки в магазине, например, что даёт возможность более полно анализировать эффективность кампаний.