{"id":13588,"url":"\/distributions\/13588\/click?bit=1&hash=c4e99935d6b377960319c62e0c7dc30b541ffc5c218860b8308fee5adbfdcd9f","title":"\u0418\u043d\u0444\u0435\u0441\u0442\u0441\u043e\u0432\u0435\u0442 \u2116134 \u2014 \u043a\u0443\u043f\u0438\u0442\u044c \u0434\u043e\u043b\u044e \u0432 \u0442\u043e\u0440\u0433\u043e\u0432\u043e\u043c \u0446\u0435\u043d\u0442\u0440\u0435","buttonText":"\u0423\u0437\u043d\u0430\u0442\u044c","imageUuid":"48b43026-aa57-59b3-94fc-8d140389b616","isPaidAndBannersEnabled":false}
Маркетинг
Dmitry Malygin

Как измерить эффективность взаимодействия с клиентом?

Компании взаимодействуют с клиентами через разные маркетинговые каналы одновременно: контекстная реклама, холодные звонки, смс-рассылки, наружная реклама и прочие. Клиент в результате совершает покупку. Какой канал принес компании этого клиента?
Эффективность маркетинговых каналов определяется атрибутивными моделями: распределение дохода от совершивших покупку клиентов по каналам. Наибольшей популярностью пользуется модель FirstClick, по которой весь эффект приписывается первому каналу взаимодействия, остальные не учитываются вовсе. Но привлечь клиента недостаточно, важно довести его до продажи. Каким образом можно распределить доходы от клиентов по каналам более эффективно? Как учесть каналы, которые доводят клиента до продажи?
С такими вопросами столкнулась крупная автомобильная компания, использующая модель FirstClick. В результате маркетинговых исследований появилась альтернативная модель маркетинговой атрибуции.

Атрибуция – это распределение ценности от совершенных сделок по маркетинговым каналам, через которые компания взаимодействовала с клиентом. Ценность от сделки может переходить на один маркетинговый канал (одноканальные модели атрибуции) или на несколько (многоканальные). Маркетологи чаще всего используют наиболее простые модели вне зависимости от их эффективности. Так же поступали и маркетологи крупной автомобильной компании: выбрали атрибуцию по первому клику как наиболее простую, со временем Альтернативная атрибуция маркетинговых каналов.

Атрибуция – это распределение ценности от совершенных сделок по маркетинговым каналам, через которые компания взаимодействовала с клиентом. Ценность сделки может переходить на один маркетинговый канал (одноканальные модели атрибуции) или на несколько (многоканальные). Маркетологи часто используют простые модели вне зависимости от эффективности. Так же поступали и маркетологи крупной автомобильной компании: выбрали атрибуцию по первому клику как наиболее простую, со временем осознали ее неэффективность и начали искать замену.

В ходе исследовали была разработана альтернативная алгоритмическая модель атрибуции с распределением ценности по всем маркетинговым каналам. Модель состоит из двух этапов: определение вероятности сделки каждого канала и распределение ценности от совершенных сделок по каждому каналу.

Описание модели

Этап 1. Определение вероятности сделки после взаимодействия с клиентом для каждого канала. Если после звонка назначена встреча, которая привела к сделке, то взаимодействие (звонок) считается успешным. Если после звонка потребовались дополнительные действия для назначения встречи (информационная рассылка или дополнительный звонок) или встреча вовсе не назначена, то взаимодействие не было успешным.

Для расчета вероятности выполним следующие вычисления по каждому каналу:

1) просуммировать успешные взаимодействия (касания);

2) просуммировать все взаимодействия;

3) разделить пункт 1 на пункт 2.

Средняя вероятность сделки при расчете альтернативной атрибуции Dmitry Malygin

Показатель дает понять с какой вероятностью после взаимодействия с клиентом через канал будет совершена сделка.

Этап 2. Распределение ценности совершенных сделок по каждому каналу рассчитывается следующим образом:

1) определяем последовательность взаимодействий с каждым клиентом;

2) назначаем каждому взаимодействию коэффициент, вычисленный в этапе 1;

3) коэффициент каждого взаимодействия делим на сумму коэффициентов по каждому клиенту.

Распределение веса сделки по каналам Dmitry Malygin

Получаем распределение эффекта сделки по каналам взаимодействия, сумма которых равна единице по каждой сделки.

Пример работы модели

Допустим, взаимодействие с клиентом проходит через 3 канала: исходящие звонки, смс и контекстная реклама.

Этап 1. За предыдущий год было сделано:

1) 10000 звонков, 200 из которых закончились назначением встречи и заключению сделки;

2) 20000 смс, 300 из которых привели к звонку клиента, назначению встречи и заключению сделки;

3) 50000 заходов на сайт через контекстную рекламу, 600 из которых сопровождались назначением встречи или оформлением заказа и, следовательно, сделкой.

За прошлый год было заключено 1100 сделок. Каждой сделки предшествовало несколько звонков, смс или заходов на сайт. 1 сделке соответствует 1 результативный канал: последнее значимое взаимодействие.

Исходя из приведенных данных, получаем:

Вероятность сделки после взаимодействия через канал Dmitry Malygin

Этап 2. Рассмотрим 2 цепочки взаимодействий, которые привели к сделке:

1) звонок – смс – смс – звонок -> сделка;

2) смс – клик – звонок -> сделка.

Распределение веса сделки по каналам первой и второй цепочек Dmitry Malygin

Таким образом, по 2 цепочкам взаимодействий видим, что звонки принесли 1 сделку, смс – 3/4, а контекстная реклама – 1 четверть сделки.

Для распределения прибыли с каждой сделки необходимо вес каждого канала в цепочке умножить на прибыль сделки.

Применение модели автомобильной компанией.

При разработки модели полученные веса маркетинговых каналов сравнивались с аналогичными значениями применяемой модели первого клика за 2 года. Также оптимизировались следующие параметры:

  • срок, в течение которого определялась вероятность сделки;
  • сделать определение весов статическим (посчитать один раз и использовать в дальнейшем) или динамическим (пересчитывать веса каждый месяц);
  • нужно ли менять веса в прошлом на основании вычисления в текущем месяце;
  • срок давности взаимодействия (например, взаимодействия двух годовой давности не учитывались);

и другие.

На следующем этапе внедрения модели компания использовала двойную атрибуции с дальнейшем сравнением результирующих показателей. По сравнению с моделью первого клика, новая модель повысила значимость offline-каналов, контекстной рекламы и других цифровых каналов, а также снизила значимость реферальных программ, CRM и сервисных звонков. Руководители департамента маркетинга доверяли выводам новой модели больше, чем модели первого клика.

Новая модель демонстрировала явное преимущество, т.к. по каждому каналу рассчитали вероятность сделки. Например, если холодные звонки давали 2% вероятности сделки, то для совершения 1 сделки нужно сделать 50 звонков. В соотношении прибыли от взаимодействия (прибыль от сделки * 2%) и стоимости видна экономическая эффективность каждого канала. Благодаря новой модели, маркетологи начали рассчитывать стоимость и прибыль от каждого взаимодействия, а следовательно и оптимизировать подход к взаимодействию с клиентом: сокращали дорогие неэффективные взаимодействия и увеличивали дешевые эффективные. Также начали учитывать насыщаемость каналов и оптимизировать под них маркетинговую стратегию.

Следующим шагом внедрение модели было проведение полугодового А/Б-теста на двух аналогичных регионах Приволжского федерального округа, на котором в одном регионе принимали решение о распределение бюджета на основании модели первого клика, а в другом на основании новой модели. Размер маркетингового бюджета оставался неизменным. Регион с новой модели атрибуции показал рост числа сделок на 7.2% за счет оптимизации расходов и способов взаимодействия с клиентом.

По завершению полугодового тестирования в компании заменили атрибуцию по первому клику на новую модель атрибуции.

Для каких организаций подойдет приведенная методика?

Модель подойдет для:

1) учета всей цепочки взаимодействия с клиентом;

2) учета каналов, не генерирующих трафик;

3) организаций с долгим циклом сделки;

4) организаций с дорогим или технически сложным товаром.

Перед внедрением модель протестируйте на имеющихся исторических данных. Результат работы любой маркетинговой модели не должны противоречить здравому смыслу.

0
Комментарии
Читать все 0 комментариев
null