Атрибуция с помощью PPS в эру SKAN

Всем привет! Меня зовут Подольский Александр, и последние 8 лет я занимаюсь аналитикой. В этой заметке я хочу рассказать про такой старый инструмент, как опросы (а именно, опросы после покупки), который может оказаться очень полезным для атрибуции, когда между пользователем и вашем продуктом появился SKAN.

Перенесемся во времена до введения SKAN.

Для отдела маркетинга при решении задачи атрибуции было 2 вызова:

После введения SKAN стало еще хуже. Раньше можно было считать, что со 2-м пунктом всё более менее понятно, а после выхода обновления iOS 14.5 сложность онлайн атрибуции максимально приблизилась к оффлайн (компании-гиганты, кажется, не так пострадали, т.к. имеют возможность использовать IDFV и прочие преимущества объема данных, которым они располагают). После такого по-настоящему тектонического сдвига в маркетинге, который произошел уже год как, никто все еще не предложил единого решения, как делать атрибуцию (конечно, существует Appsflyer / Adjust / …, но все равно это требует от маркетинга некоторого "прыжка веры"). Ровно поэтому любые "сигналы" / данные и инструменты, полезные для атрибуции, ценны как никогда. Один из таких инструментов – PPS.

До боли знакомая оффлайн механика, которую очень легко реализовать силами своей разработки или интегрировать готовые решения (Iterate, Survey Sparrow,… ). Iterate – однозначно не тот проект, который "на слуху", но по воле случая именно с ним я работаю уже лет 5 и могу рекомендовать (в первую очередь со стороны маркетолога / менеджера / аналитика).

Предположим, что введение убедило вас внедрить (или хотя бы попробовать) PPS к себе в продукт, ниже я приведу несколько важных пунктов, на которые надо обратить внимание.

Отдельно хочется выделить часть пункта 2. "Простые ответы". На самом деле, выбрать правильное название маркетингового канала (понятное для пользователя) не так уж и просто, и это тоже отдельный процесс, в котором нужно итеративно экспериментировать с разными названиями и искать оптимальное. Основная сложность заключается в том, что пользователь может не отличать рекламные каналы между собой, не знать "общепринятого названия среди маркетологов" или же просто не понимать, что за реклама его привела.

К примеру:

Итак, с основными трудностями на пути внедрения мы разобрались, дальше я хочу рассказать о нескольких кейсах использования и работы с PPS.

Разберем на примере Direct Mail и Street Teams (это скорее специфика американского рынка), начнем с определения того, что это за каналы такие.

Direct mail – листовки, которые кидают пользователям в физические почтовые ящики (да-да, на одном из главных рынков мира все еще безумно популярен и эффективен такой метод рекламы) .

Street Teams – это тоже листовки (флаеры) , но которые раздаются на улице, чаще всего помимо листовки пользователю еще дают какой-нибудь бесплатный напиток (снек или что-то аналогичное) и, допустим, просят установить приложение (да, удивление x2, но это тоже работает и популярно на рынке US) .

Так вот, по сути в обоих этих каналах речь идет о листовках, и пользователю трудно их отличать.

В итоге мы провели несколько тестов:

и остановились на формулировках "Street Teams" и "Flyer in my mail". Для принятия решения мы смотрели на ответ пользователя и купон, который он использовал. Нам повезло, так как все рекламные материалы содержали индивидуальный купон со скидкой на первый(-ые) заказ(-ы) (для каждого "материала" / "канала" / "активности" /… свои купоны), а значит помимо ответа пользователя мы могли узнать, какой купон использовался для первого заказа. В итоге, мы оценивали % пользователей, у которых атрибуция купона совпадает с выбранным ответом в опросе.

Предположим, что мы хотим запустить крупную ТВ кампанию, соответсвенно, мы ожидаем увидеть рост доли пользователей, которые будут отвечать, что они узнали о нашем продукте из ТВ рекламы. Вроде все звучит логично, с другой стороны, как я уже говорил ранее, люди могут "лгать" (намеренно / ненамеренно), а значит, после добавления нового варианта ответа мы увидим, как часть "лживых" ответов перераспределится и на этот канал тоже.

Для частичного решения такой проблемы можно добавлять новый ответ в опрос до фактического запуска рекламной кампании, в итоге, вы замерите "false awareness", и потом можно будет просто вычесть из % доли тех, кто отвечает ТВ, константу, которую вы получите. Способ выглядит очень элегантно, правда, сразу же появляется новая трудность – атрибуция перестает быть юзер-центричной.

Получается, что вы можете посчитать сколько было пользователей, которые пришли по выбранному рекламному каналу (простым умножением (% ответивших – false awareness) x кол-во новых пользователей) , но не можете выделить конкретных (а точнее, можете выделить тех, кто выбрал в опросе нужный ответ, но при этом не можете отфильтровать тех, кто попал в группу false awareness) . Описанный недостаток далеко не всегда является критичным, поэтому такой способ улучшения качества данных достаточно часто применяется.

Когда я работал в Scentbird, мы активно закупали рекламу в Facebook, и я застал момент внедрения SKAN (вне зависимости от того, гнали вы трафик на app или нет, это изменение почувствовали все участники аукциона) .

Благодаря тому, что мы использовали отдельные лендинги / купоны для Facebook, а также PPS, у нас была возможность строить атрибуцию и считать эффективность рекламы несколькими способами (по версии Facebook и по PPS) , если представить, что мы считаем CAC (деньги / новые пользователи) , то визуально это можно было представить, как 2 кривых, между которыми была почти константная разница (для простоты представим, что там действительно была константа) .

В итоге, после раскатки SKAD мы увидели, что по версии Facebook–a CAC отправился в космос, при этом "по версии" PPS CAC остался примерно на том же уровне, а значит и соотношение между CAC, посчитанном 2-мя разными способами изменилось (впервые за крайне долгий период наблюдений) . Соответственно, путем несложных вычислений мы смогли скорректировать наши расчеты. Тут, конечно, важно проверить, а действительно ли мы верим PPS, и готовы ли мы ему верить после таких изменений.

Для этого достаточно следить за тем, как соотносятся ответы пользователей с теми купонами (лендингами / utm метками… ), которые они используют. К примеру, вы видите, что среди тех, кто отвечает, что увидел вашу рекламу в метро, растет процент тех, кто использует инфлюенсерские промокоды.

Это не тот инструмент, который на 100% закроет проблему с утечкой купонов, а скорее дополнительный сигнал, который можно использовать.

У большинства сервисов есть свои API с документацией и примерами. Поэтому после внедрения PPS в ваш продукт (скорее всего, силами разработки), вы сможете собрать нужные графики / дашборды и настроить импорт данных из PPS платформы к себе силами одного аналитика, причем достаточно быстро. По сути вам потребуется база данных, один python скрипт и cron для того, чтобы скрипт запускался и загружал новые данные к вам в базу данных, а дальше уже дело техники связать пользователя / заказ /… с ответом из опроса и рассчитать необходимые метрики.

Надеюсь, что вы найдете эту заметку полезной для себя, и с помощью внедрения PPS (если дойдет до такого) сможете улучшить метрики своего продукта.

P.S. Эта заметка является дополненной версией моего выступления на вебинаре EpicGrowth.

#атрибуция #SKAN #pps #facebookads