Модели атрибуции

Меня зовут Дмитрий Добродей. 🤚
С 2016 года развиваю продукты в корпорациях.
В моем портфеле 20+ продуктов.
Среди достижений — запуск FBO-маркетплейса и рост P&L в 8 раз.

А сейчас руковожу новым продуктом - Статистика от SberAds.

Атрибуция — это процесс идентификации набора действий пользователя (“событий”) на экранах и в точках касания, которые тем или иным образом способствуют достижению желаемого результата, а затем присвоению значения каждому из этих событий.

Как правило, мы видим рекламу одного товара несколько раз в нескольких местах. Особенно если цена товара высокая и для принятия решения нужно много времени.

Например:

Кто из этой цепочки повлиял на решение о покупке? Кому платить комиссию? Эту проблему и решают модели атрибуции.

Модели атрибуции — это правила, по которым осуществляется распределение веса/вознаграждения за конверсию/покупку/лид между источниками трафика.

Например, мы продаем автомобили через менеджеров по продажам. Менеджеры получают комиссию. Кому и сколько платить определяется моделью атрибуции.

Одноканальная модель атрибуции подразумевает, что всю комиссию отдадим одному продавцу, а не распределим по всем.

На примере с продажей автомобилей через менеджеров.

Первое касание — вся комиссия тому, кто первый связался с клиентом.

Последнее касание — последнему.

Последнее значимое касание — исключаются прямые, сохраненные, межстраничные и др.

Последнее не прямое касание — исключаем невыплату комиссии, если с клиентом связались, но купил клиент сам (пришел без приглашения).

Выбранное касание — например, платим тому, кто чаще связывался с клиентом.

Многоканальная модель атрибуции подразумевает, что всю комиссию распределяем между всеми продавцами, а не кому то одному.

На примере с продажей автомобилей через менеджеров.

Равномерная — распределение комиссии между всеми поровну.

U-, W-, Z- образная — распределение комиссии визуально похоже на буку.

По-времени — равномерно убывает от даты покупки. Чем дальше от даты покупки, тем ниже комиссия.

ML-атрибуция / автоматическая / data-driven / вероятностная — комиссия распределяется используя математические модели.

Своя — может быть некоторая комбинация из предыдущих.

Алгоритмическая, на основе данных, data-driven, ml-атрибуция, вероятностная. Это многоканальная атрибуция, которая рассчитывает комиссию/веса используя математические модели и некоторые эвристики вроде факторного анализа.

В расчете участвует множество входящих факторов — канал привлечения, время сессий, типы устройств, количество взаимодействий с объявлениями, порядок, кросс-девайс.

Сейчас есть два самых популярных метода/подхода такой атрибуции — Шепли и Цепи Маркова.

Цепи Маркова — это математическая модель, которая описывает последовательность событий, где вероятность каждого последующего события зависит только от состояния, достигнутого в предыдущем событии.

Учитывает последовательность и количество контактов с клиентом.

Трудозатратно, зато алгоритм реализован уже в библиотеках.

Цепи Маркова — это легко для реализации, но нагружено для расчета.

Вектор Шепли — это широко используемая концепция в теории игр, которая обеспечивает справедливый способ распределения общего выигрыша в кооперативной игре между игроками. Введенная Л. Шепли в 1953 году, концепция основана на идее, что каждый игрок должен получать компенсацию за свой предельный вклад в игру.

То есть справедливая оценка каналов в цепочке коммуникации.
Не учитывает последовательность и количество контактов с клиентом. Только факт контакта.

Шепли — тоже легко в реализации и легко для расчета.

Мне удалось воспроизвести его в экселе:

Составил небольшую таблицу рекомендаций применения моделей атрибуций.

В Статистике от SberAds нам удалось реализовать 4 модели атрибуции:

Ознакомиться с ними вы можете в демо режиме.