Эльвира Сафаева, Weborama: роль атрибуционного моделирования при анализе Customer Journey

В связи с уходом Google резко повысился спрос на замер post-view и атрибуции, и перед технологическими вендорами стояла задача предложить рекламодателям достойную альтернативу, которая позволит оптимизировать рекламные стратегии и эффективно распределять медиаинвестиции. Эльвира Сафаева, заместитель генерального директора и директор по дата-продуктам Weborama, рассказала о разработке нового модуля аналитики Attribution Modeling & CJM Analytics и возможностях атрибуционного моделирования для брендов.

В коммуникации с пользователем задействовано множество каналов, поэтому брендам важно иметь возможность проанализировать все точки касания клиента, включая показы, и правильно оценить вклад медийных инвестиций в одноканальные и мультиканальные цепочки. Мы в Weborama автоматизировали этот процесс в новом модуле атрибуции, который интегрирован в интерфейс нашей adserving-системы Weborama Campaign Manager. С помощью него мы можем увидеть весь путь пользователя, от показа рекламы до целевых действий на сайте бренда. Статистика обновляется в режиме реального времени, что дает возможность рекламодателю и агентству принимать решение в моменте и оптимизировать медиасплит, форматы и креативы.

Для построения атрибуции мы в первую очередь ориентируемся на data-driven модели — Цепи Маркова, Вектор Шепли и ML-based модель. В отличие от стандартных моделей, по которым мы также предоставляем аналитику, атрибуция на основе данных считается максимально объективной: оценка каждого канала происходит исходя из реального вклада и основана на алгоритмическом моделировании.

Модель Шепли построена на одной из концепций теории игр и оценивает индивидуальный вклад игроков (рекламных каналов) в получение выигрыша (конверсии) в разных комбинациях каналов. Особенность модели в том, что она не учитывает порядок касаний с каналами в цепочке, а оценивает в целом влияние присутствия того или иного рекламного ресурса на конверсию. При изменении порядка ценность каналов по Вектору Шепли не поменяется.

Модель Маркова, наоборот, учитывает порядок каналов в цепочке на заданном конверсионном пути и вычисляет относительную важность каждого тачпоинта на основе его удаления.

ML-based модель основана на методах машинного обучения, где в качестве признаков выступают каналы, а в качестве таргета — совершение конверсии. Данная модель учитывает все данные в совокупности, включая неконверсионные цепочки. На первом шаге модель обучается прогнозировать вероятность конверсии на основе частоты каналов в цепочке, а на втором — используются стандартные методы оценки признаков для оценки важности каждого канала.

В рамках интерактивного дашборда Weborama доступно большое количество отчетов и графиков, которые позволяют проанализировать эффективность каналов и сплита каналов. Ниже рассмотрим основные.

Данный график показывает наиболее эффективные маршруты клиента, которые привели к наибольшему числу конверсий в рамках всего медиасплита. К примеру, пользователь посмотрел видеоролик, потом увидел баннер на одном ресурсе, затем на другом, а далее перешел на сайт через контекст.

Кроме того, можно посмотреть на сочетаемость каналов: какие рекламные ресурсы хорошо коррелируют друг с другом и увеличивают эффект, а какие достаточно автономны.

Отдельно мы выделяем отчет по Removal-эффекту, который показывает, как удаление того или иного канала из цепочки повлияет на конверсии. Например, при отказе видеорекламы (OLV), потеря конверсий достигнет 23%, потому что данный канал играет значительную роль в цепочках рекламодателя. Данная статистика важна при принятии решения о сокращении бюджета на тот или иной канал.

Идеальная картина, к которой должен стремиться бренд в рамках распределения каналов, — оптимальное соотношение между бюджетом и ценностью каналов. На график по недооцененным и переоцененным каналам мы выводим те каналы, которые были высококонверсионными, но встречались в маленьком количестве цепочек. Поскольку на них пришелся небольшой объем показов, мы рекомендуем увеличить на них бюджет.

Существует теория семи касаний о том, что клиенту нужно в среднем семь раз напомнить о себе, чтобы он совершил целевое действие. Однако на практике для разных брендов в рамках разных цепочек эффективная частота может сильно разниться. На данный показатель влияют используемые форматы рекламы, способность перфомить различных каналов и другие факторы. Поэтому рекламодателям необходимо не просто знать среднерыночный бенчмарк по частоте, а вывести его непосредственно для своего продукта, опираясь на собственную статистику. То же самое касается и среднего времени до покупки: нужно понимать, какое время оптимально для конкретного продукта и предложения.

В рамках анализа Customer Journey важно смотреть на динамику конверсий в разрезе различных когорт охваченной аудитории. Брендам необходимо понимать, как пользователи из разных когорт конвертируются при одной и той же схеме коммуникации на протяжении всей рекламной кампании. Когорты формируются в зависимости от времени (дня/недели) первого касания пользователя. Для каждой когорты в модуле отображена информация по конверсиям в разбивке по дням и сводный результат по когорте.

Помимо этого, у нас есть возможность вывести портрет аудитории, которая совершает конверсии. Мы можем посмотреть топ интересов пользователей в разбивке по каналам с анализом глубины интереса. Эти инсайты рекламодатель может использовать при формировании аудиторных сегментов для роста конверсий.

Атрибуционное моделирование — один из важнейших базовых инструментов для ежедневной работы диджитал-специалистов на стороне брендов и агентств. Наличие интерактивного дашборда дает возможность всегда иметь под рукой детальную статистику для анализа эффективности каналов, креативов, площадок и оперативно принимать решения по оптимизации рекламных размещений.