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.

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.

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:

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:

Вот почему:

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.

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

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:

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.

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? :)

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.

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

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

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

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

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)