Способы атрибуции рекламы без явного касания — клика или перехода

Захар Сташевский, CMO Letyshops, вместе с GoPractice продолжает серию материалов о том, как влиять на рост продуктов через эффективное управление рекламными каналами. 

Из этого материала вы узнаете об альтернативных способах атрибуции пользователей в случаях, когда в маркетинг-миксе есть каналы, в которых сложно или невозможно зафиксировать касание пользователя с рекламой.

Оглавление цикла

Первый материал: Ошибки при расчете ROI и юнит-экономики. Влияние моделей атрибуции и инкрементальности на ROI в маркетинге 

Почему при расчете ROI и юнит-экономики нельзя игнорировать влияние используемых моделей атрибуции и инкрементальности рекламы. 

Второй материал: Модели атрибуции трафика. Почему модель атрибуции должна изменяться вместе с каналами продвижения, продуктом, маркетинговой задачей и внешней средой

Как подбирать модели атрибуции для оценки эффективности рекламных каналов исходя из специфики продукта, маркетинг-микса, бизнес-задачи и условий внешней среды; почему надо пересматривать и адаптировать модель атрибуции в случае изменений этих факторов.

Третий материал: Способы атрибуции рекламы без явного касания или клика [вы здесь]

Как атрибутировать рекламу, если в маркетинг-миксе есть каналы, где сложно или невозможно зафиксировать касание пользователя с рекламой: альтернативные способы и их внедрение.

Четвертый материал: Инкрементальность рекламы. Как оценить истинное влияние рекламных каналов на рост продукта

Что такое инкрементальность в маркетинге, чем она отличается от модели атрибуции, какие индикаторы указывают на наличии проблем с инкрементальностью. Подходы к проведению инкрементальных тестов в разных условиях, калибровка модели атрибуции и всей системы оценки эффективности рекламных каналов.

Пятый материал: Проблемы с инкрементальностью каналов. Типичные ситуации их возникновения и признаки, которые на них указывают

Какие факторы могут привести к проблемам с инкрементальностью каналов, какие признаки указывают на их наличие.

Далее повествование ведется от лица Захара.

Если вы хотите глубже разобраться в том, как создаются, развиваются и масштабируются продукты, пройдите обучение в симуляторах GoPractice.

→ «Симулятор управления продуктом на основе данных» поможет научиться принимать решения с помощью данных и исследований при создании продукта (путь от 0 к 1).

→ «Симулятор управления ростом продукта» поможет найти пути управляемого роста и масштабирования продукта. Вы построите модель роста и составите стратегию развития продукта (путь от 1 к N).

→ «Симулятор SQL для продуктовой аналитики» поможет освоить SQL и применять его для решения продуктовых и маркетинговых задач.

→ «Симулятор управления ML/AI-проектами» научит применять технологии машинного обучения с пользой для бизнеса.

Не знаете с чего начать? Пройдите бесплатный тест для оценки навыков управления продуктом. Вы определите свои сильные стороны и слепые зоны, получите план профессионального развития.

Еще больше ценных материалов и инсайтов — в телеграм-канале GoPractice.

В предыдущем материале цикла мы достаточно глубоко разобрали методы подбора моделей атрибуции трафика с учетом специфики продукта, канала и бизнес-задач. Но важно учесть, что мы рассматривали ситуации, в которых обладаем полной историей взаимодействия пользователя с рекламой.

В реальности — это далеко не всегда так. Часто в маркетинг-миксе есть каналы, где сложно или даже невозможно зафиксировать касание пользователя с рекламой.

В этом материале мы разберемся:

• Когда и почему модели атрибуции на основе клика не работают;
• Какие есть альтернативные способы зафиксировать рекламные касания;
• Как внедрить такие способы и насколько это сложная задача;
• Каким образом внедрение таких способов влияет на оценку результатов рекламных каналов.

Когда модели атрибуции на основе клика не работают 

В прошлом материале мы дали определение модели атрибуции — это набор правил и технических решений, которые позволяют наиболее эффективно управлять маркетинговыми каналами на основе имеющихся данных в сжатые сроки. 

Исходя из определения мы можем выделить две ключевые составляющие работы модели:

• Набор правил по распределению ценности между каналами, с которыми соприкасался пользователь на пути к целевому действию. Как правило, они отражены в названии модели — Last Non-Direct Click, First Interaction, Last Interaction и так далее;
• Технические решения, на основе которых фиксируются взаимодействия пользователя с рекламными материалами.

Часто команды фокусируются при подборе и настройке моделей атрибуции на первой составляющей — наборе правил распределения ценности между каналами. Но качество модели атрибуции зависит от обеих составляющих. 

Даже при условии удачного подбора правил по распределению ценности, без полной истории взаимодействия пользователя с рекламными каналами не удастся получить объективную картину.

Таким образом, полнота данных взаимодействия пользователя с каналами — это фундаментальный элемент создания и эффективной работы модели атрибуции.

Как теряются данные о взаимодействии пользователя с каналами

Полнота данных об истории взаимодействия пользователя с рекламой на пути к целевому действию зависит от способов фиксации касаний. Большинство моделей атрибуции и систем аналитики используют для фиксации UTM-метки, cookie и клики по рекламной ссылке.

Эти методы хорошо работают в значительной части случаев. Но они также имеют и большую слепую зону. Вот что они не учитывают:

• Пользователей, которые приходят после медийных рекламных кампаний. Пример: вы запускаете кампанию на построение знания о вашем бренде → В рамках кампании вы взаимодействуете с пользователями, которые уже готовы купить, и пользователями, которые купят через какой-то период времени → Последних мы часто относим к брендовой органике, но это отложенный эффект медийных кампаний; 
• Пользователей, которые приходят после рекламы, но в их пути был кросс-девайсный или кросс-браузерный разрыв;
• Каналы, специфика работы которых не предусматривает клик и переход по ссылке после просмотра рекламы. Например, YouTube, ТВ, радио, подкасты;
• Пользователей, которые приходят через сарафанное радио; 
• Трафик, который теряется через мобильный WebView. Пример: пользователь переходит по рекламной ссылке и попадает на сайт через встроенный браузер приложения, а не тот, которым пользуется обычно;
• Изменения в области приватности данных, которые делают атрибуцию на основе клика менее эффективной (работа cookie в браузерах, ограничения IDFA и GAID);
• Трафик, который блокируется AdBlock.

Пример, когда атрибуция на основе клика не работает

Давайте вернемся к примеру из прошлой публикации. Компания N запустила сервис для покупки кофе по подписке. Сервис оказался значительно лучше альтернатив, поэтому у продукта появились лояльные пользователи, которые начали активно рассказывать о новинке своим друзьям и знакомым. 

Рассмотрим путь конкретного пользователя.

Как только сервис появился на рынке, у него образовались лояльные клиенты — «ранние последователи» (Early Adopters), которые готовы пробовать все новое. 

↓

Один из «ранних последователей», довольный клиент сервиса, рассказал своему другу Марку о новом способе быстро и удобно покупать кофе. 

↓

Этот сервис показался Марку интересным, но разговор состоялся вечером — в такое время, когда уже поздновато пить кофе. Поэтому он не стал оформлять подписку.

↓

На следующий день Марк увидел рекламу в Facebook, вспомнил о продукте N и оформил подписку. 

Для оценки эффективности рекламных каналов команда использовала три модели атрибуции:

• Last Non-Direct Click, которая 100% ценности атрибутирует последнему непрямому каналу;
• Внутреннюю модель атрибуции Facebook (клик с окном атрибуции в неделю, Post View с окном атрибуции в один день);
• Кастомную модель «участия канала в привлечении пользователя», которая 100% ценности атрибутирует каждому каналу, который был в цепочке.

На основе имеющейся истории все три модели атрибутируют 100% ценности Facebook. Вот как это выглядит:

На первый взгляд, логика атрибуции в условиях работы одного платного канала выбрана правильно:

• Используем базовую модель Google Analytics — Last Non-Direct Click;
• Сравниваем результаты с внутренней моделью атрибуции рекламной сети; 
• Для страховки добавляем кастомную логику, где модель будет атрибутировать 100% ценности каждому каналу в цепочке привлечения пользователя. Эта логика нужна, чтобы не упустить инсайты по каналам, которые могут скрываться в серых зонах базовых моделей атрибуции.  

Но этот набор моделей не учел рекомендацию друга, то есть — сарафанное радио. Возникает логический вопрос — смог бы Facebook привлечь пользователя, если бы разговор с другом не состоялся? 

Скорее всего, инкрементальность Facebook в данном случае меньше 100%. Реклама в Facebook определенно выполнила часть работы в привлечении клиента. Как минимум, она помогла закрыть сделку. Но какой именно вклад в привлечение пользователя сделал этот канал — мы не знаем. 

Мы не умеем читать мысли пользователя. 

При этом все три используемые модели атрибуции отдали всю ценность Facebook, а это значит, что маркетологи компании N, скорее всего, переоценили этот канал. 

Таким образом, несмотря на правильную логику распределения ценности между каналами, была допущена ошибка, которая может привести к неверным решениям. Это произошло из-за отсутствия полной истории взаимодействия пользователя с маркетинговыми каналами.

Модель атрибуции не может дать объективную картину, если нет полной истории взаимодействия пользователя с каналами

Если бы удалось зафиксировать влияние сарафанного радио на привлечение пользователя, то результат распределения ценности между каналами изменился бы. 

Все модели атрибуции по-прежнему отдали бы 100% ценности Facebook, но одна из них, кастомная модель, атрибутировала бы 100% ценности и сарафанному радио. 

С одной стороны, кастомная модель атрибуции, которая отдает 100% ценности каждому каналу, порождает Overlap. Но, с другой стороны, позволяет обнаружить важный инсайт, который можно исследовать с целью выработки альтернативных правил распределения ценности. Задача кастомной модели состоит как раз в том, чтобы подсвечивать подобные кейсы. 

Однако вышеописанный сценарий возможен только при условии наличия полной истории взаимодействия пользователя с рекламными каналами. Если полной истории нет, то даже кастомные модели не помогут выявить такие инсайты.

Из этого примера можно сделать выводы: 

• Команда N переоценила Facebook, что могло привести к неправильному распределению бюджетов и потере денег;
• Команда N не заметила потенциальный защищенный канал роста через сарафанное радио;
• Понимание реального механизма привлечения пользователя могло бы натолкнуть команду N на идею создания искусственного вирального цикла роста — реферальной программы. Почему упускать такие инсайты нельзя — более детально можно прочитать здесь.

Даже правильно подобранные модели атрибуции не смогут дать объективную картину мира, если у вас нет полной истории взаимодействия пользователя с каналами, которые участвовали в его привлечении. Решение этой проблемы — модернизация способов фиксации касаний.

Давайте изучим, какие способы фиксации рекламных касаний существуют, и какие из них подошли бы команде N.

User-центричная атрибуция и атрибуция на основе сегментов. Их плюсы и минусы

Большинство маркетологов привыкли работать с user-центричной атрибуцией на основе клика или UTM, но, как мы видели из примера, такие способы фиксации касаний не всегда работают. Ниже мы рассмотрим несколько других способов фиксации истории взаимодействия пользователя с рекламными каналами. Их специфика работы не предусматривает клик и переход по ссылке, но при этом эти способы сохраняют уровень детализации до клиента.  

Стоит помнить, что далеко не все рекламные каналы поддаются фиксации и оценке на уровне отдельного пользователя. Поэтому мы также рассмотрим способы фиксации рекламных каналов и атрибуции трафика на основе сегментов. Актуальность этого подхода резко выросла с введением изменений в области приватности данных, что заставило маркетологов мобильной рекламы и аналитиков переходить от user-центричной к сегментной аналитике. Это требует отдельных навыков.

User-центричная атрибуция

User-центричная атрибуция — это метод атрибуции трафика, который позволяет работать на уровне конкретного пользователя: 

• Просматривать историю взаимодействия пользователя с рекламой;
• Делать тактическую оптимизацию рекламных кампаний;
• Изучать поведение пользователя в продукте;
• Прогнозировать доход от пользователя за определенный период времени; 
• Формировать персональное предложение конкретному пользователю в рамках конкретного канала;
• И так далее.

UTM-метки

UTM-метки или другие GET-параметры в ссылке — это основной и самый распространенный способ фиксации касаний при user-центричной атрибуции. Его использует большинство систем аналитики и рекламных сетей. В примере компании N именно этот способ помог зафиксировать касание с Facebook. 

Плюсы способа атрибуции на основе UTM-меток:

• Простота. Подавляющее большинство маркетологов знакомы с этим способом и умеют с ним работать; 
• Универсальность. Большинство рекламных и аналитических систем работают с этим способом «из коробки»;
• Гибкость. Можно задавать любую детализацию: канал, кампания, ключевые слова, платформа и так далее;
• Готовые решения. Есть множество моделей атрибуции, которые работают на основе UTM-меток. Так работают, в том числе, автогенераторы ссылок и так далее.

Минусы способа атрибуции на основе UTM-меток:

• Требует активных действий пользователя, то есть работает только после клика и перехода по ссылке;
• Не все сервисы и рекламные сети поддерживают UTM-метки. Например, Facebook App Installs не позволяет добавлять ссылки;
• Легко допустить ошибку при формировании ссылки и тем самым усложнить последующую оценку кампании. Если UTM-метки в базе с информацией о стоимости рекламы будут отличаться от данных рекламной сети, то система аналитики будет работать некорректно. Часто для решения этой проблемы нужно привлекать аналитика; 
• Хорошо работает с каналами, где есть явный СТА (призыв к действию), но для каналов с визуальной и голосовой рекламой неэффективен (ТВ, радио, реклама с инфлюенсерами, сарафанное радио); 
• Становится все менее эффективен с нововведениями в области приватности данных от Apple, Google;
• Является заметным признаком рекламы, поэтому не подходит для нативного формата.

Как изменения в области приватности данных влияют на эффективность UTM-меток и cookie

С учетом нововведений Apple, в браузерах Safari все cookie ограничиваются по времени хранения 24 часами, если при переходе на сайт соблюдаются условия:

• Referrer содержит домен рекламной сети (google.com, facebook.com и так далее);
• В URL есть параметры рекламной сети (glid, fbclid, utm_source и так далее).

Давайте разберем на простом примере как это работает для пользователей Safari.

Луис увидел рекламу сервиса по подписке кофе в Facebook и перешел по рекламной ссылке, но у него было мало свободного времени, поэтому он не успел купить подписку. 

↓

Через 24 часа Луис все-таки решил вернуться и купить подписку, так как для него это было релевантным предложением. Он нашел в Google интересующий его сервис и перешел по контекстной рекламе.

↓

Луис зарегистрировался и оплатил подписку. 

Для системы аналитики Луис был новым клиентом, который пришел по контекстной рекламе. История взаимодействия с рекламным каналом Facebook не сохранилась, поэтому модель атрибуции сработает некорректно.

Изменения условий по использованию IDFA в iOS 14 ставят под сомнения эффективность работы моделей атрибуции, которые используются сервисами аналитики мобильной рекламы (AppsFlyer, Adjust и другими). Более детально об этих изменениях можно прочитать здесь.

Проблемы со сбором данных об истории взаимодействия пользователя с рекламой выходят на новый уровень, что еще больше усложняет работу классических моделей атрибуции на основе клика. Если проблемы с оценкой рекламных каналов через нововведения в Safari пока вас не коснулись, то имейте в виду, что с 2023 года cookie начнет ограничивать и Google. Это повлияет на точность атрибуции существенно большего объема трафика.

К осени 2021 года (когда публикуется этот материал) польза от способа фиксации касаний через клик и переход по ссылке сохраняется. Чем больше способов вы применяете, тем лучше для полноты истории взаимодействия пользователя с рекламой. Однако нужно готовиться к тому, что скоро этого способа станет недостаточно для целого ряда случаев.

Промокоды

Одним из способов фиксации касаний могут быть промокоды. Обычно промокод дает пользователю дополнительную выгоду при покупке, что мотивирует его воспользоваться им. Компании же это дает возможность понять, было ли у пользователя касание с определенным рекламным каналом.

В случае компании N можно было бы заранее предусмотреть то, что о сервисе станут рассказывать (то есть заработает сарафанное радио), и на основе промокодов построить реферальную программу. Таким образом можно было бы усилить органический виральный цикл и получить способ фиксации сарафанного радио.  

Многие компании используют этот метод (например, Uber и Glovo). Он прост в использовании и хорошо знаком конечному пользователю. Промокоды можно также использовать при медийных кампаниях, где нет возможности поставить ссылку, но можно несколько раз озвучить или показать промокод на экране. Разумеется, он должен быть легко запоминаем и прост в написании.

Этот метод отлично работает с пользователями, чувствительными к цене, но не будет работать с premium-сегментом, где скидками пользоваться не принято.

Плюсы применения промокодов:

• Не требуют клика; 
• Ситуативно повышают product/market fit. Эффективность решения задачи пользователя на время действия кода растет, что помогает быстрее конвертировать его в клиента;
• Можно остановить действие кода даже после того, как он был опубликован;
• Понятная механика работы для обычного пользователя. Данный метод используют множество компаний на постоянной основе;
• Быстро распространяется. Промокодами удобно делиться;
• Можно выстраивать партизанский маркетинг. 

 Минусы применения промокодов:

• Не всегда попадают по назначению. Промокоды могут использовать нецелевые пользователи, которые обнаружили их в сторонних источниках;
• Уменьшают маржу;
• Имеют низкую инкрементальность;
• Провоцируют фрод;
• Требуют усилий по созданию дополнительной воронки, где пользователь сначала активирует код, а затем покупает. Подобные воронки могут порождать дополнительные сложности на пути пользователя к покупке;
• Требуют значимой добавочной ценности по сравнению с базовыми условиями;
• Не все пользователи в конечном счете используют промокоды, что усложнит оценку их эффективности.

Опросы перед регистрацией или после целевого действия

Этот способ отлично дополняет вышеперечисленные. Опрос можно применять перед регистрацией, либо после целевого действия — установки, регистрации, покупки, подписки.

Он подразумевает простой способ анкетирования пользователя с набором вопросов, которые позволяют выяснить, откуда пользователь узнал о сервисе. С помощью опроса вы можете узнать о канале со значимым вкладом, который сыграл ключевую роль в привлечении пользователя, но при этом плохо фиксировался другими способами.

Ниже примеры того, как может выглядеть опрос. Слева — опрос после регистрации, справа — опрос на странице благодарности после совершения заказа.

Плюсы опросов:

• Работают с каналами, где нет явного касания с рекламой (ТВ, радио, подкасты); 
• Достаточно точный метод по сравнению с другими способами фиксации касаний; 
• Легко включаются, выключаются и редактируются;
• Могут фиксировать ранние касания с рекламой;
• Позволяют расширять глубину исследования — добавлять вопросы, углубляясь в ответ пользователя. 

Минусы опросов:

• Требуют большого количества ответов пользователей для репрезентативности;
• Могут давать искажения. Люди неосознанно врут или отшучиваются в ответах;
• Не всегда применимы при большом знании о бренде;
• Работают только для каналов, которые воспринимаются как рекламные (многие люди не отличают поисковую рекламу от органической выдачи — в этих случаях опрос не поможет);
• Не дают возможности измерять эффект разных форматов рекламы в рамках одного канала. Например, вы можете делать рекламу в YouTube, покупая интеграцию у инфлюенсера, и параллельно запускать прероллы в YouTube через Google Ads → Пользователь не заметит разницы. 

Что надо учесть:

• Перед запуском опросов обязательно нужно замерять false awareness (ложное знание) для новых рекламных каналов, которые ранее не использовали. Пользователи могут случайно отвечать на опросы, не читая их, либо отвечать в шутку; 
• Перед запуском опросов нужно замерять baseline (базовые значения до существенных изменений) по каналам, которые уже работают, но есть планы их усилить; 
• Лучше запускать опрос после целевого действия, чтобы не создавать неожиданных препятствий в воронке до его совершения; 
• Использовать опросы лучше для каналов, которые легко осмыслить как рекламные;
• Важно не только замерять «спайк» в дни кампании, но и «хвост» после нее. Часто после кампаний есть остаточный трафик, который может еще долго генерировать клиентов и влиять на ROI;
• Составлять опросы (особенно если есть несколько уровней дополнительных вопросов) нужно с помощью специалистов, чтобы избежать ситуаций, когда вы наводите пользователей на нужные вам ответы;
• Опросы не позволяют решать тактические оптимизационные задачи. Например, вы не можете атрибутировать пользователя к конкретной рекламной кампании, если их много запущено одновременно.

Пример применения опроса после целевого действия

Компания N хочет запустить рекламу в TikTok. Ранее этим рекламным каналом не пользовались.

TikTok не позволяет поставить ссылку под постом, поэтому нет явной возможности отследить логистику трафика. Промокоды тоже не подойдут, потому что требование к кампании — нативность. Зато опросы после покупки могут увеличить уровень знания об истории взаимодействия пользователя с рекламой в этом канале.

Поэтапный запуск:

• Измеряем false awareness — ложное знание о канале, который еще не запущен; 
• Запускаем рекламную кампанию и делаем замеры в дни, когда она вышла;
• Замеряем «хвост» — затухающий результат после рекламной кампании;
• Замеряем дельту между показателями false awareness и результатами, полученными в дни кампании и в период затухания. 

Дельта — это заслуга рекламного канала.

Посадочные страницы

Посадочные страницы — еще один способ фиксации касаний пользователя в случаях, когда вы не хотите использовать UTM-метки (например, для сохранения нативности), но канал дает возможность выстроить логистику трафика через переход по ссылке. Также может использоваться для рекламы на ТВ, радио, в подкастах, где можно показать или озвучить адрес посадочной страницы.

Поэтапный запуск:

• Формируем отдельную посадочную страницу с уникальным алиасом (параметры, которые указываются после домена); 
• Оставляем ссылку на эту страницу там, где есть призыв к действию; 
• Используем ссылку только в рамках кампании, результаты которой нужно измерить. 

Пример:

Плюсы посадочной страницы:

• Легко сделать; 
• Можно часто использовать одну и ту же страницу для однотипных кампаний, а атрибуцию выстраивать на основе временных окон;
• Нативно выглядит. Рекламная разметка незаметна для обычных пользователей;
• Не блокируется рекламными сетями и AdBlock;
• Высокая инкрементальность. О странице знают пользователи, которые видели рекламу. 

Минусы посадочной страницы:

• Сложно использовать одну и ту же страницу для рекламы, где есть «хвост» — остаточный эффект. Если вы будете оценивать разные кампании на основе окна атрибуции, хвост одной компании может попадать в результат другой;  
• Требует ресурса, если нужно создать большое количество страниц;
• Требует от пользователя вручную вводить адрес страницы;
• Сложно оценивать кампании с другими методами фиксации касаний, если применяются временные окна для расчета результатов.

Как описанные способы фиксации касаний повышают качество user-центричных моделей атрибуции

Перечисленные способы фиксации касаний дополняют и расширяют возможности моделей атрибуции, обогащая их данными. Эти данные более полно описывают реальность и помогают точнее распределить ценность между каналами. Использовать эти методы фиксации можно совместно с моделями атрибуции на базе клика. 

При этом часто разные user-центричные способы фиксации используются одновременно. Это обогащает данные, на основе которых работает модель атрибуции, но также требует дополнительных технических решений на уровне логики модели.  

Вот пример структуры объединенных данных:

Давайте посмотрим простой пример пути пользователя с  UID = 12321123:

• Пользователь узнал о сервисе от друзей (PPS или Post Purchase Survey = WOM или Word of Mouth);
• Через какое-то время увидел рекламу на канале блогера Wylsacom;
• Перешел по ссылке в описании, где есть UTM-метка “utm_campaign = wylsa”, и зарегистрировался;
• После этого пользователь активировал промокод “wylsa-123”, который тоже был в описании в рамках акционного предложения.  

Приведенный выше путь пользователя легко интерпретировать и понять. Мы также понятным способом можем распределить ценность каналов. 

Но могут встречаться и более сложные запутанные кейсы.

Конфликтные сценарии, которые тяжело понять

Часто возникают ситуации, когда модель атрибуции показывает противоречивые или неадекватные результаты из-за аномалий в данных.

Вот пример:

Пользователь с UID = 12321128 пришел из поисковой рекламы по бренду, но при этом активировал промокод “wylsa_1”, который был сделан для блогера, а в опросе ответил, что узнал о сервисе от друзей. 

Понять путь такого пользователя уже сложнее. Здесь помогает фиксация нетипичных сценариев. В описанном случае ситуация могла быть следующей: 

• Пользователь узнал о сервисе от друзей, но не стал оформлять подписку на него;
• Позже он увидел рекламу на YouTube, где был промокод с выгодным предложением;
• Пользователь скопировал код, нашел сервис в поиске, перешел по брендовой поисковой рекламе, применил код и подписался. 

Как правило подобного рода сценарии анализируются в частном порядке и, по мере частоты появления, добавляются в качестве дополнительного правила в модель атрибуции. 

Большинство подобных сценариев со временем удается зафиксировать, что повышает точность и качество модели атрибуции. По сути, вы формируете кастомную логическую часть модели, которая работает в отдельной описанной вами ситуации. 

Но важно помнить — чем сложнее модель, тем больше вероятность, что будет допущена ошибка, поэтому добавляйте только те правила, которые обрабатывают важные частотные кейсы. 

Методы атрибуции на основе сегментов

В ряде случаев user-центричные методы фиксации касаний с рекламой применить не получится:

• Каналы, которые по своей природе не работают с UTM-метками;
• Каналы, которые сложно распознать, интерпретировать человеком как рекламные;
• Рекламные сети, которые не передают информацию о клиентах и дают возможность работать только с агрегированными данными. 

Но для принятия решения по конкретному каналу или кампании нам часто будет достаточно надежного ориентира, а не точных данных на уровне каждого пользователя. 

Атрибуция на основе сегментов — это метод, который позволяет понять, сколько пользователей пришло из канала или кампании, но при этом не дает детализации по каждому из них в отдельности.

В этом случае все расчеты нужно будет делать на уровне выбранного сегмента, а не конкретного пользователя. Самая главная сложность в таком подходе — определение сегмента.

Использование моделей атрибуции рекламных сетей

Часто возникают ситуации, когда результаты в рекламных кабинетах отличаются от результатов в нашей системе аналитики. В такой ситуации некоторые команды принимают решение использовать внутреннюю систему аналитики с базовой моделью атрибуции. Но это не всегда правильно. 

Причиной различий в результатах часто может быть то, что рекламная сеть обладает большим количеством данных о взаимодействии пользователя с рекламой. Как мы обсуждали ранее, качество модели атрибуции зависит от полноты истории взаимодействия пользователя с рекламой и применяемых поверх этих данных правил.

Давайте рассмотрим несколько распространенных ситуаций, когда возникают подобные различия:

Кросс-девайсные и кросс-браузерные разрывы 

Пользователь ехал в метро и увидел рекламу продукта в Facebook на смартфоне. Затем он приехал домой, зашел на сайт с десктопа и совершил целевое действие. 

↓

Внутренняя система аналитики атрибутирует эту продажу органике, хотя именно Facebook являлся причиной покупки. Рекламная система Facebook, в свою очередь, атрибутирует это действия кампании, где была показана реклама, так как обладает более полной историей касаний. В большинстве случаев для Facebook не важно, какая платформа была использована.

Касания без клика внутри рекламной сети 

Рекламные сети умеют работать не только с кликом, но и с показом. Они также могут комбинировать эти способы, что в конечном итоге более эффективно. 

Facebook Ads, к примеру, в базовых настройках использует атрибуцию на основе клика с окном атрибуции в 7 дней и показа с окном атрибуции в 1 день. Подробнее можно узнать здесь. 

Комбинация способов атрибуции трафика и временных окон может меняться, что дает гибкость в работе с каналом, но при этом может приводить к различиям с данными во внутренней системе аналитики. 

У подхода с использованием моделей атрибуции рекламных сетей есть и недостатки: 

• Facebook Ads и Google Ads владеют только своими данными взаимодействия пользователя с рекламой. Если на пути пользователя к покупке будут другие каналы, то система атрибуции их не учтет. В рамках таких кейсов у модели атрибуции рекламной сети будут проблемы с инкрементальностью, которую стоит исследовать, чтобы не переоценить канал. 
• При использовании модели атрибуции рекламной сети у вас не будет возможности увидеть целостную картину пути пользователя к покупке и понять, какие каналы участвовали в его привлечении. Вы не сможете применять разные модели атрибуции, чтобы увидеть возможные сценарии распределения ценности между каналами. 

Такие особенности атрибуции рекламных сетей обостряют проблему инкрементальности, поэтому очень важно следить за Overlap и проводить тесты на инкрементальность (более детально эту тему мы рассмотрим в следующем материале). Другой подход, который мы обсуждали ранее — использовать несколько моделей атрибуции, чтобы понимать диапазон потенциальных значений.

Всегда стоит помнить, что переоценка одного канала — это недооценка другого, поэтому даже если вы решите задачу инкрементальности конкретного канала, вам нужно будет искать канал, который вы недооценили.

Спайк-анализ

Многим знакомы всплески органики при запуске медийных кампаний, пресс-релизов или ТВ-рекламы. Интуитивно понятно, что именно эта реклама привела к такому эффекту, но остается вопрос — какую именно часть трафика атрибутировать этому каналу. В решении этой задачи может помочь метод спайк-анализа.  

Суть метода очень проста — нужно определить аномалию в органике, «спайк» (размер всплеска) в период запуска рекламы, а затем атрибутировать эту аномалию запущенному каналу или кампании.  

Ниже — пример поведения органики в период запуска кампании с популярным блогером.

Спайк-анализ часто используется для охватных кампаний вроде ТВ-рекламы, радио, наружной рекламы, а также больших медийных онлайн-кампаний, где есть высокая вероятность, что пользователи узнают о бренде через упомянутые каналы, но попадут на сайт через органический или брендовый поисковый запрос. 

Для оценки эффективности таких каналов можно также использовать опросы после целевого действия. При этом опросы не дают возможности тактически оптимизировать большие медийные кампании, когда они уже запущены и идут. На основе полученных данных будет сложно принять решение о том, какой ролик работает лучше и как выстроить сетку эфиров, когда флайт уже запущен. Поэтому опросы стоит использовать в комбинации со спайк-анализом: эти методы во многом схожи (работают на основе «спайков»).

Основная логика этого способа:

• Делаем замеры baseline-показателей, по которым будем оценивать рекламную кампанию в органическом и брендовом поиске. Такими показателями могут быть регистрации, новые покупатели, продажи;
• Замеряем изменения органики в период рекламной кампании или запуска ролика на ТВ. Такие замеры можно делать как для всей кампании в целом, так и в рамках отдельных выходов роликов. В этом случае важно знать точное время показа определенного ролика на конкретном канале и уметь оценивать эффект ровно от него с целью оптимизации флайта (креатива, времени или дней недели выхода рекламы);
• Определяем разницу между baseline-показателями и результатами в период рекламы. В подобного рода кампаниях также присутствует «хвост», который стоит замерять.

Такие тесты лучше запускать в периоды, когда нет выраженной сезонности, а также без запуска акций и активной работы других каналов. Стоит избегать аномальных календарных дней, например, государственных или религиозных праздников. Кроме того, тесты лучше проводить в паре с аналитиком или специалистом, которые помогут избежать ошибок. Это особенно актуально при запуске и анализе дорогостоящей ТВ-рекламы.

Большинство каналов, которые просто определить как рекламные, можно оценивать на основе опросов после покупки, но этот метод не позволит оперативно внести изменения в сетку эфиров, определить лучшее время, хронометраж и креатив. Спайк-анализ дает более оперативную и детализированную обратную связь.

Пример использования спайк-анализа для определения лучшего ролика в эфире в рамках медийной рекламной кампании Letyshops на ТВ

Для того, чтобы определить лучший вариант, надо было взять сетку эфиров по секундам и рейтинги (Target Rating Points — TRP) каждого ролика (сюжет + хронометраж) и наложить данные по сессиям из Google Analytics.

На первом графике виден мгновенный прирост трафика после выхода рекламных роликов, а также кульминация кампании в нужные даты (на «Черную пятницу»). Кампания состояла из 2 коротких флайтов и 3 сюжетов по 20 и 10 секунд, где высота и цвет столбца — это рейтинги ролика (TRP) по неделям. 

С одной стороны, оценив график, можно сделать вывод, что кампания прошла успешно: количество сессий в пиковые периоды выросло в 2–3 раза, медиапланирование сделано правильно, пик трафика пришелся на распродажу. 

Но была ли это оптимальная конфигурация выхода сюжетов?

Ответ на этот вопрос дает следующая диаграмма — прирост сессий на сайт в результате выхода разных роликов (сюжет + хронометраж), где:

• На оси X — рейтинги выходов роликов (TRP);
• На оси Y — моментальный прирост сессий.

Если подсчитать прирост сессий на рейтинг ролика, то, зная стоимость рейтинга в разные периоды времени, можно определить стоимость сессии. Описанная логика сильно упрощена, чтобы легче было уловить суть.

Из таблицы под графиком можно сделать вывод о том, какой ролик лучше всего. В нашем случае это Box 20 — лучшая стоимость сессии. 

Подобного рода анализ позволяет определить не только самый эффективный ролик (сюжет + хронометраж), но также может помочь получить данные по лучшему каналу, лучшему дню недели, лучшему времени суток, лучшей позиции в рекламном блоке. Наличие таких данных позволяет делать тактическую оптимизацию кампании даже когда она уже запущена.

Пример рекомендаций по тактической оптимизации:

Такого рода исследования сложно делать силами внутренней команды, но при этом есть внешние подрядчики и агентства, которые специализируются на решении подобных задач. Мы воспользовались услугами одного из них.

Отдельно стоит отметить, что результаты рекламных кампаний можно увидеть не только по органическому и брендовому поиску. Часто в период выхода таких рекламных кампаний результаты и других платных инструментов улучшаются: продаж становится больше, а ROI — лучше. Это тоже стоит учитывать. 
Еще один пример применения этого метода «Яндексом» можно посмотреть тут.

Региональные тесты

Одним из видов спайк-анализа могут быть региональные тесты. Подход не меняется, но за baseline берется результат другого региона. 

Этот способ похож на A/B тест, где группа А — регион, где вы запускаете рекламу, а регион B — тот, где рекламы нет. Разница в ключевых метриках каналов и будет отражать заслугу рекламной кампании. 
Ключевая сложность этого метода в том, чтобы подобрать одинаковые по ключевым признакам регионы, которые будут различаться только наличием рекламы. Именно такой способ помог нам определить поправочный коэффициент вклада рекламы у блогеров: этот кейс был описан в первой публикации цикла.

Выводы по моделям атрибуции на основе сегментов

Методы атрибуции на основе сегмента имеют ряд ограничений:

• Нет возможности работать на уровне конкретного пользователя;
• Нет возможности применять разные модели атрибуции и их логическую часть, так как нет полной истории взаимодействия каналов с пользователем; 
• Часто могут возникать проблемы с инкрементальностью; 
• Требуют значительного ресурса и экспертизы.

Несмотря на эти ограничения, часто применение этих методов анализа — единственный способ эффективно оценить результат рекламных кампаний и сделать тактическую оптимизацию. 

Использование аналитики внутри рекламной сети, как частный случай сегментных методов атрибуции, позволит получить более точное понимание конкретного канала и дополнить картину мира. 

Подбор метода атрибуции под канал

Модель атрибуции состоит из двух частей:

• Логика распределения ценности;
• Методы фиксации касаний пользователя с рекламой.

Мы выяснили, что даже идеальный метод распределения ценности не даст хороших результатов, если у вас нет данных, которые отражают реальность. Поэтому инвестиции в развитие этой составляющей моделей атрибуции очень важны.

В рамках этого материала мы рассмотрели много разных способов фиксации касаний рекламы с пользователем, где классический подход на основе кликов не справляется. Эти данные сильно влияют на логическую часть модели атрибуции, и качество ее работы зависит от них. 

Также мы рассмотрели методы атрибуции на основе сегментов, которые позволяют работать со специфическими каналами. 

Универсального способа фиксации истории взаимодействия пользователя с рекламными каналами не существует. Чем больше методов вы будете использовать, тем больше будет шансов получить ответ, близкий к реальности. 

Понимание специфики работы рассматриваемых методов может натолкнуть вас на мысли о том, какой метод подходит конкретному каналу в зависимости от природы его работы.

Ниже — рекомендации по использованию методов атрибуции с разными каналами. И не забывайте про влияние инкрементальности (подробнее об этом — в следующем материале цикла).

Ключевые выводы 

Даже правильно подобранные модели атрибуции не смогут дать объективную картину мира, если у вас нет полной истории взаимодействия пользователя с каналами, которые участвовали в его привлечении. 

Универсального способа фиксации истории взаимодействия пользователя с рекламными каналами не существует. Чем больше методов вы будете использовать, тем больше у вас будет шансов получить ответ, близкий к реальности. 

В условиях изменений в области приватности данных (изменения в работе с cookie в браузерах, ограничения IDFA и GAID), атрибуция на основе клика становится менее эффективной. Все это требует развития новых навыков, особенно — в отношении мобильной аналитики.

Даже с учетом изменений в области приватности данных, использовать клик как способ фиксации взаимодействия пользователя с рекламой — можно и нужно. Чем больше способов фиксации вы будете использовать, тем более полной будет история взаимодействия пользователя с рекламными источниками.

Не все рекламные каналы поддаются фиксации и оценке на уровне отдельного пользователя, но это и не нужно. Для решения задачи определения ценности вклада конкретного канала часто будет достаточно работать с сегментами и делать атрибуцию на их основе.

***

Вы прочитали материал, подготовленный GoPractice и Захаром Сташевским, CMO Letyshops.

Если вы хотите глубже разобраться в том, как создаются, развиваются и масштабируются продукты, пройдите обучение в симуляторах GoPractice.

→ «Симулятор управления продуктом на основе данных» поможет научиться принимать решения с помощью данных и исследований при создании продукта (путь от 0 к 1).

→ «Симулятор управления ростом продукта» поможет найти пути управляемого роста и масштабирования продукта. Вы построите модель роста и составите стратегию развития продукта (путь от 1 к N).

→ «Симулятор SQL для продуктовой аналитики» поможет освоить SQL и применять его для решения продуктовых и маркетинговых задач.

→ «Симулятор управления ML/AI-проектами» научит применять технологии машинного обучения с пользой для бизнеса.

Не знаете с чего начать? Пройдите бесплатный тест для оценки навыков управления продуктом. Вы определите свои сильные стороны и слепые зоны, получите план профессионального развития.

Еще больше ценных материалов и инсайтов — в телеграм-канале GoPractice.

Оглавление цикла

Первый материал: Ошибки при расчете ROI и юнит-экономики. Влияние моделей атрибуции и инкрементальности на ROI в маркетинге 

Почему при расчете ROI и юнит-экономики нельзя игнорировать влияние используемых моделей атрибуции и инкрементальности рекламы. 

Второй материал: Модели атрибуции трафика. Почему модель атрибуции должна изменяться вместе с каналами продвижения, продуктом, маркетинговой задачей и внешней средой

Как подбирать модели атрибуции для оценки эффективности рекламных каналов исходя из специфики продукта, маркетинг-микса, бизнес-задачи и условий внешней среды; почему надо пересматривать и адаптировать модель атрибуции в случае изменений этих факторов.

Третий материал: Способы атрибуции рекламы без явного касания или клика [вы здесь]

Как атрибутировать рекламу, если в маркетинг-миксе есть каналы, где сложно или невозможно зафиксировать касание пользователя с рекламой: альтернативные способы и их внедрение.

Четвертый материал: Инкрементальность рекламы. Как оценить истинное влияние рекламных каналов на рост продукта

Что такое инкрементальность в маркетинге, чем она отличается от модели атрибуции, какие индикаторы указывают на наличии проблем с инкрементальностью. Подходы к проведению инкрементальных тестов в разных условиях, калибровка модели атрибуции и всей системы оценки эффективности рекламных каналов.

Пятый материал: Проблемы с инкрементальностью каналов. Типичные ситуации их возникновения и признаки, которые на них указывают

Какие факторы могут привести к проблемам с инкрементальностью каналов, какие признаки указывают на их наличие.