Как использовать данные атрибуции в маркетинге

Я встречал десятки, а то и сотни материалов о том, что такое атрибуция и зачем она нужна, какие бывают модели атрибуции, в чем преимущества и недостатки каждой из них. Но самый главный вопрос — как применять результаты атрибуции в маркетинге — авторы затрагивают как-то неохотно. В статье я постарался восполнить этот пробел.

Редкие пользователи совершают покупку после первого клика по объявлению или визита на сайт. Обычно перед конверсией клиент совершает несколько касаний с бизнесом через различные рекламные каналы. Атрибуция помогает оценить вклад в конверсию каждого канала и кампании, которые участвовали в цепочке.

Атрибуция — это распределение ценности от конверсии между кампаниями, с которыми взаимодействовал покупатель. А модель атрибуции — логика распределения этой ценности. Подробнее о том, какие бывают модели атрибуции, вы без проблем сможете нагуглить.

По сути атрибуция помогает решить две основных задачи: оценить эффективность кампаний и на основе этой оценки перераспределить рекламный бюджет. Но цели у этих задач могут быть разные.

Скажем, модель Last Non-Direct Click, которая применяется по умолчанию в отчетах Google Analytics, недооценивает источники, которые предшествовали покупке. Чтобы узнать, какую ценность они недополучили, можно сравнить результаты расчетов атрибуции по последнему непрямому клику и, например, атрибуции на основе воронки.

Если построить отчет, учитывающий вклад всех кампаний и источников, которые продвигали пользователя по воронке, а не только тех, что закрывали сделки, то это покажет недооцененные источники трафика и их эффективность в деньгах и позволит более эффективно распределить маркетинговый бюджет.

Как использовать результаты, полученные при расчете атрибуции? Чтобы рекламные кампании работали слаженно, необходимо задать для них индивидуальные цели, которые учитывают сильные стороны каждой кампании и их взаимное влияние друг на друга. Не стоит оценивать display кампанию только по транзакциям, а email по привлеченным клиентам.

Например, можно скорректировать целевую стоимость конверсии для каждой кампании с помощью специального поправочного коэффициента. Этот коэффициент рассчитывается как отношение доходов, атрибутированных на рекламную кампанию по модели атрибуции на основе воронки и по модели Last Non-Direct Click.

В таблице выше вы видите поправочные коэффициенты кампаний в последнем столбце. Зеленым цветом помечены кампании, чей коэффициент больше единицы. Это значит, что при атрибуции по последнему непрямому клику эти кампании недополучают ценность. Такие кампании чаще других помогает пользователям пройти верхние этапы воронки, но за ними идет другая кампания, которая получает всю ценность конверсии.

Красным цветом отмечены кампании с коэффициентом меньше единицы. Это значит, что по атрибуции Last Non-Direct Click они переоцениваются. Например, канал Email получает всю ценность от конверсий и «не делится» с кампаниями, благодаря которым пользователь попал на сайт и оставил свой email.

Используя атрибуцию на основе воронки, можно рассчитать поправочные коэффициенты, определить реальную эффективность каждой кампании, что позволит перераспределить рекламный бюджет. Например, перенести его с переоцененных кампаний на недооцененные. По моему опыту, такое решение позволяет компании увеличить доход на 25%, не меняя при этом суммы рекламного бюджета.

Также с помощью эффективного перераспределения бюджета можно повысить ROI платных источников трафика при фиксированном показателе ДРР (доле рекламных расходов). Вот пример отчета, который показывает, как отличается ROI рекламных кампаний по разным моделям атрибуции:

На скриншоте выше видно, что ROI кампании vkontakte на 100% больше, чем в Google Analytics. То есть на самом деле она заработала больше денег, но была недооценена, потому что находилась в середине воронки.

Чтобы повысить эффективность отдела маркетинга, важно понимать, на каких этапах воронки есть просадки, и где именно нужно приложить больше усилий. Комплексной оценки рекламных кампаний недостаточно — нужно отдельно оценивать каждый этап воронки по модели AIDA.

Правильно настроенная алгоритмическая модель поможет узнать, как работает каждый из каналов на разных этапах воронки. Например, из графика видно, какие кампании почти не привлекают внимания пользователей, то есть не участвуют в первых двух шагах воронки:

Как следствие, кампании, призванные работать на следующих этапах воронки, могут выглядеть неэффективными. Оценка ROAS существующих кампаний может показать как перераспределить бюджет между ними, но не вскроет нехватку усилий на верхнем этапе воронки. Атрибуция на основе воронки даст понимание того, на каком этапе воронки необходимо приложить усилия в первую очередь.

Как правило, маркетологи используют один и тот же набор каналов для привлечения клиентов, независимо от того новые это клиенты или текущие. Кроме того, они не учитывают, по каким шагам воронки конкретный канал провел пользователя, чтобы он в итоге стал новым клиентом. Какие каналы двигают целевой тип когорт по воронке бизнеса.

Чтобы увеличить клиентскую базу, недостаточно смотреть на источники трафика, с которых была совершена покупка. Фокус на каналы, работающие на конец маркетинговой воронки приведет к истощению новой аудитории и увеличению CPO. Поэтому нужно сбалансированно управлять маркетинговой воронкой:

1. Строим отчет, который покажет вклад каждой кампании в конкретный шаг воронки:

2. Определив охватные кампании, которые приносят больше всего ценности на первых шагах воронки (Awareness и Interest), сравниваем их эффективность в разрезе когорт новых и текущих клиентов.

Автоматически импортируем расходы из рекламных сервисов в Google BigQuery и распределяем их по сессиям. Благодаря этому можно узнать, сколько потратили на каждую сессию, и сгруппировать расходы и доходы по когортам пользователей:

3. Выяснив, какие каналы и кампании приносят больше всего транзакций от новых клиентов, можно распределить на них бюджет. При этом стоит учитывать емкость кампаний. Если это медийная реклама, то информацию о емкости каналов могут предоставить площадки, на которых она размещается. В случае с контекстной или таргетированной рекламой можно руководствоваться данными о доступном охвате аудитории.

Такой подход поможет сфокусироваться на кампаниях, помогающих расширить клиентскую базу при сохранении CPO.

При выборе модели атрибуции надо думать на несколько шагов вперед и обращать внимание, есть ли возможность интеграции сервиса аналитики и атрибуции с сервисами автоматизации управления ставками. Даже если на первых порах вы не планируете их использовать. Например, я знаю, что у атрибуции OWOX BI есть интеграции с Google Ads, K50 и Alytics. Это позволяет автоматически отправлять результаты расчетов атрибуции в эти сервисы, чтобы управлять ставками с учетом реальной эффективности вашей рекламы.

После настройки интеграции, результаты атрибуции будут автоматически загружаться в сервис управления ставками. Маркетолог сможет просматривать количество конверсий и доход согласно выбранной модели атрибуции и использовать эти данные в автоматических стратегиях по управлению ставками.

Не все модели атрибуции одинаково полезны. Для небольшого проекта с парой-тройкой рекламных каналов, скорее всего, стандартных моделей атрибуции от бесплатного Google Analytics будет достаточно. Но, если используется множество рекламных каналов и нужно знать их реальный вклад в продвижение пользователя по воронке, стоит обратить внимание на вероятностные модели атрибуции. Они помогут: увеличить доход, ROAS и ROI, не меняя рекламный бюджет; найти и устранить узкие места в воронке продаж; расширить клиентскую базу, сохранив при этом стоимость выкупленного заказа (CPO) и автоматически управлять ставками с учетом реальной эффективности рекламы.