Атрибуционное моделирование – почему вам это не нужно

Все маркетологи делают вид, что весь их бюджет используется самым эффективным образом. В глубине души, они знают, что это не так -) И это нормально.

Half the money I spend on advertising is wasted; the trouble is I don't know which half

John Wanamaker

В медиасплите крупного бренда могут быть десятки разных форматов контакта со своей аудиторией. Такое разнообразие создает огромное число разных вариантов взаимодействия бренда с пользователем. В разных порядках, с разным количеством и так далее.

Очевидно, что все активности имеют какой-то положительный эффект.

Но никто в точности не знает насколько совокупный маркетинг влияет на бизнес-цели.

Распутав или поняв эти цепочки взаимодействий, мы смогли бы убрать оттуда лишние контакты или добавить недостающие. Определить какие именно связки рекламных форматов эффективнее всего отрабатывают и масштабировать позитивный опыт. То есть атрибутировать продажи и другие бизнес-цели к конкретным связкам отдельных каналов.

Цепочка пользователя в принятии решения о покупке может быть такой:

Атрибуционное моделирование – почему вам это не нужно

Какой канал в этой ситуации принес конверсию? Какой повлиял сильнее или слабее? Куда вкладывать больше денег?

Если считать, что именно последний контакт поспособствовал совершению покупки, то кажется логичным усилить его и ждать лучших результатов. Но мы не знаем, дошел бы пользователь до последнего, если бы не случился хотя бы один из предыдущих.

С развитием диджитала появился большой соблазн закопаться в данных и больше размещаться там, где все легко измеримо. Гугл, Фейсбук и другие компании начали разрабатывать целые системы продуктов для отслеживания пользовательского пути и размещения рекламы. В том числе предложили свои уникальные модели атрибутирования результатов к форматам (атрибуционные модели).

Несколько лет назад, многие маркетологи ринулись активно применять те или иные атрибуционные модели, делать какие-то выводы.

В сути своей атрибуционная модель – это две вещи. Первая – система трекинга, которая установлена на всем пути пользователя от показа до покупки. Вторая – аналитическая система. То есть правила, по которым определяется вклад рекламного формата в совершенную продажу.

Вообще-то, система может показать много интересного. Например:

  • Какие источники и форматы лучше работают на конверсии?
  • Можно ли отключить медиа, каналы или площадки, которые не генерируют конверсии напрямую?
  • После какого контакта потребители конвертируются?
  • Как креатив или хронометраж влияет на конверсию?

Но, полагаю, найдется примерно равное количество респондентов — у которых получилось увеличить свои результаты с помощью особой атрибуционной модели и у которых нет.

Вот почему:

Проблема №1. «Перекладываем из одного кармана в другой»

Как правило, в успешных кейсах, где продажи выросли на ХХ%, речь идет не совсем об увеличении продаж. Скорее о том, что какие-то «органические» конверсии атрибутированы теперь к рекламному формату. Это и позволило искусственно поднять его ценность. Если же посмотреть на общее число продаж за этот период, то оно останется неизменным.

Атрибуционное моделирование – почему вам это не нужно

Разумеется, есть примеры и настоящих приростов. Но это скорее исключение.

Проблема №2. «Ищем там, где светлее, а не где потеряли»

Если ваша услуга продается только в диджитале и продвигается только там — никакой проблемы нет. Атрибуционное моделирование и грамотный аналитик – ваша волшебная таблетка.

Но если клиент может увидеть вашу рекламу или купить товар еще и в офлайне, то он всегда будет перемещаться между цифровым и реальным мирами. Он будет это делать вопреки вашим ожиданиям, вопреки вашей логике. Он будет делать это столько раз, сколько захочет. И с каждым выходом в реальный мир вы будете терять его из виду. Будете думать, что между двумя кликами не произошло ничего, по статистике. А он часть жизни прожил, мир повидал)))

Вот во что превращается полный путь пользователя и что видите вы:

Атрибуционное моделирование – почему вам это не нужно

Атрибуционная модель покажет какие-то результаты, зависимости и подтолкнет к выводам. Но все это будет заведомо ложным из-за учета только части пути пользователя.

Вот еще пара примеров из жизни, где офлайн перемешался с онлайном:

Пример 1.

Один бренд дал клиентам промокоды в пуше мобильного приложения. Их можно было активировать только на сайте этого бренда. Что сделали клиенты? Правильно, в значимом % случаев пошли применять код в офлайновую ритейл сеть этого бренда. Тех поддержке пришлось обрабатывать их в ручном режиме, чтобы не потерять продажи и клиентов. А по прямой статистике активация промо-кодов была значительно ниже. И данные говорили о неэффективности всей кампании.

Пример 2.

Другой бренд продвигал технику в диджитале: соцсети, программатик, OLV. По пост-клику видео показывало худший результат. Его настраивали, оптимизировали, но все бестолку – разрыв с соцсетями только усиливался с ходом кампании. Тогда OLVвыключили, оставив только программатик и соцсети. По окончании кампании оценили совокупный вклад рекламной кампании. Заметили, что через неделю после отключения видео, продажи в офлайне замедлили рост. Еще через неделю пошли на спад. Волна так называемых докатов продаж в офлайне закончилась раньше, чем сошла на нет та же волна на сайте. Никакие другие факторы в ходе кампании не менялись: стоки в порядке, цена одинаковая, персонал сети работал без изменений.

Атрибуционное моделирование – почему вам это не нужно

Вывод напрашивается сам собой – ролики генерировали бесполезные, случайные клики на сайт, но все же вызывали интерес у части аудитории. Она могла никак не проявить себя в диджитале, а ножками топала в офлайн и покупала там.

Опираясь только на видимую часть картины, можно домыслить себе все, что угодно. Это может оказаться правдой, а может и нет. Помните такой проект одного иллюстратора? :)

Опираться только на атрибуционные модели – как бросить монетку.

Моя любимая история на эту тему — про брокера-афериста и теорию вероятности.

Брокер (из тех, которые продавали акции домохозяйкам в Америке по телефону) разделил свою базу потенциальных клиентов на 2 группы. И дал каждой противоположные советы относительно одной и той же бумаги. Одним — что она упадет и надо шортить. Вторым — что вырастет и надо покупать.

Через неделю бумага показала какой-то результат. Одни проиграли и разочаровались в брокере, а вторые наоборот начали верить ему больше.

Тогда он повторил трюк с выигравшей группой. Снова разделив ее на две и дав случайные рекомендации. С каждым разом он терял половину своей клиентской базы. Но оставшиеся люди регулярно выигрывали и не могли ему не верить. Провидец, не иначе. Естественно, чем больше группа верила, тем больше она несла денег брокеру, увеличивая его заработок на комиссии.

Афериста вроде поймали (иначе откуда мы знаем эту историю). Но при этом осталась группа людей, которые просто статистически, из-за своего невероятного везения, считала брокера пророком и своим лучшим другом.

Аналогично и с атрибуционным моделированием. Вы можете выбрать какую-то систему и улучшить результаты. Или нет.

Все специализированные агентства честно говорят: выбирайте ту модель атрибуции, в которую верите. Это просто вопрос веры.

Но если аналитике верить нельзя, а поведение пользователей непредсказуемо, то что делать?

Вывод: Нужно систематизировать проблему и решать ее по частям. От большего к меньшему:

Инкрементальный эффект рекламы

На сколько именно все маркетинговые активности влияют на бизнес-результат?

Кросс-медийный учет влияния

Как форматы онлайна и офлайна влияют друг на друга и на совокупный эффект? И как отделить одно от другого?

Трекинг в оффлайне

Как оценивать эффект разных офлайн форматов при их низком уровне измеримости в целом?

Трекинг в онлайне

Как правильно измерять эффективность источников в онлайне?

Решать эти задачи стоит от большего к меньшему. И применять получаемые выводы на практике сразу, в той же последовательности. Так основной прирост эффективности произойдет раньше. И, возможно, отсечет большую часть вопросов в других этапах.

И когда проблема понятна, можно переходить к более верхнеуровневым решениям. Они окажут действительно весомое и настоящее влияние на рост метрик.

В следующих статьях подробно расскажу про методы и инструменты оценки. Подписывайтесь)

55
8 комментариев

отдельное спасибо,за наглядность)

2
Ответить

мощный пост. прикольно, что собрано сразу много всего в одном месте. интересно было бы посмотреть кейсы как те или иные метрики оптимизировались какими-то реальными шагами, но с точки зрения базы знаний нравиццо уже сейчас

1
Ответить

Продолжение уже скоро

1
Ответить

Признание проблемы/сложности – половина решения, если не больше, материал и правда хороший. Сложность еще и том, что внутри бизнеса часто есть те, кто где-то краем зацепил курс маркетинга и ждет "только прозрачных и 100% измеряемых кампаний", желательно 360.

1
Ответить

Это и правда сильно усложняет дело) К сожалению, даже наличие сертификатов разных курсов, не всегда говорит о грамотности их владельца

1
Ответить

Store Visits от Google дает вполне определённые KPI о взаимодействии кроссмедиальных кампаний

Ответить

а если делается реклама не сайта магазина, а айос приложения, причем через тикток? как гугл затрекает юзера вместе с каналом?
а если в магазин этот айос пользователь придет с неактивированными гугл картами или, что реальнее, с запретом на отслеживание, который так любит пихать эпл на каждом шагу?

кажется, что количество белых пятен может не просто усложнить трекинг, но прямо таки изменить баланс результатов

если что, это не наброс, а приглашение к дискуссии)

1
Ответить