Энциклопедия маркетинга

Данные — это все. Но данные — это всего лишь данные. Они приобретают силу не когда используются для поддержания определённых решений, а когда направлены на стимулирование действий. Чтобы выжать максимум из данных, необходимо соединять аналитические выводы с результатами атрибуции.

Взглянем на следующий гипотетический сценарий.

Госпожа Иванова является директором по маркетингу в компании, занимающейся розничной продажей обуви, назовем ее ABC. ABC продает свою продукцию как онлайн с помощью веб-сайта, так и офлайн в обычных магазинах. Ее маркетинговые кампании затрагивают разнообразные каналы и устройства. В этом году цель ABC — продать как можно больше туфель работающим женщинам в возрасте от 18 до 24 лет. Присвоим этой целевой группе условное имя «молодые женщины-специалисты».

Именно госпожа Иванова ответственна за то, чтобы продать наибольшее количество пар обуви этим людям. Но сначала, однако, ей нужно понять, как данный клиентский сегмент попадает на сайт ABC и что он там делает. Нажимают ли пользователи на платную поисковую рекламу после определенного запроса (скажем, «красивые туфли на танкетке для весны»)? В какие разделы сайта они заходят? Много ли времени они проводят, разглядывая сезонные предложения (зимние сапоги или летние шлепанцы)? Являются ли они посетителями, заинтересовавшимися ежемесячными постами относительно обувных трендов? На все эти вопросы Ивановой поможет ответить аналитика. Затем она сможет применить находки для оптимизации опыта целевой аудитории и улучшить ее путь к сайту. Что из этого выйдет? Молодые женщины-специалисты получат шанс находить именно то, что они ищут, а ABC получит довольных, лояльных клиентов, которым захочется возвращаться.

Теперь давайте предположим, что некоторые из этих молодых женщин-специалистов давно не посещали сайт ABC (или не бывали на нем вовсе) и госпожа Иванова хочет найти способ поощрить их вернуться (зайти). Для этого ей нужно больше деталей обо всем их медиапути. С какими медиаканалами они взаимодействовали? Осуществляли ли они покупки онлайн или в магазинах? Какие устройства применяли во время шопинга?

Иванова начнет с изучения маркетингового микса обувной компании: цифровой баннерной рекламы, органического и платного поиска, соцсетей, телевизионной рекламы, полиграфической продукции и всех других точек соприкосновения. Атрибуция поможет нашей героине идентифицировать паттерны и тренды на всех каналах (например, потенциальный покупатель видит рекламу на определенном ТВ-канале, делает запрос в сети и попадает на сайт ABC). Иванова заметит, что социальные сети позитивно влияют на email-кампании и увеличивают продажи. Анализ также покажет, что покупатели иногда изучают продукты в Интернете, а покупку как таковую осуществляют в реальных магазинах. Все это подскажет Ивановой, что необходимо скорректировать маркетинговый бюджет так, чтобы правильным образом получить доступ к омниканальным потребителям.

Определение ваших потребностей в атрибуции

Предположим, что вы уже используете какой-то тип клиентской аналитики и хотите узнать, как можно дополнить вашу стратегию измерений. Еще до внедрения атрибуции, задайте себе несколько важных вопросов.

1. Учитываете ли вы все маркетинговые точки соприкосновения? Возможно, существующий в вашей компании подход к измерениям предполагает некие основы атрибуции (например, отслеживание событий, произошедших в конце воронки и приведших пользователя на ваш сайт, с последующей оценкой вклада каждой точки соприкосновения в эту конверсию). Тем не менее, вам может понадобиться более серьезная атрибуция. Все зависит от комплексности ваших данных. Сколько источников данных сможет поддерживать применяемое вашей компанией решение по атрибуции? Если ваш маркетинговый микс прост (1-2 канала) и отсутствуют трудности в переносе или понимании данных, то одной аналитики будет достаточно. Если же, наоборот, вы работаете с большим количеством каналов, медиаплатформ и оффлайн-средств (радио, ТВ и пр.), то стоит обдумать внедрение более широкого атрибутивного функционала.
2. Какие дополнительные преимущества даст атрибуция? Специальные возможности атрибуции используют сложные алгоритмы, помогающие получить весомые и обоснованные выводы. Атрибуция на основе данных способна обнаружить, какие точки соприкосновения клиентов с вашим бизнесом обладают наибольшей силой.
3. Имеет ли ваша команда достаточно знаний для того, чтобы выбирать и внедрять атрибутивные методы, а затем интерпретировать выводы и действовать согласно им? Возможно, вам понадобится обратиться к профессионалам на стороне. Они смогут задать нужные вопросы и получить ответы, касающиеся внедрения, интеграции, оптимизации, методологии, технологий, поддержки, типов атрибуции и т.д.
4. Не платите ли вы дважды, применяя два разных решения? Какой-то один из используемых вами продуктов для измерения вполне может обеспечить потребности как в аналитике, так и в атрибуции. Однако если вы много работаете с рекламой и у вас есть сложная маркетинговая экосистема, инвестиции в глубокую аналитику и атрибутивную функциональность помогут получить наилучшие результаты.

Обзор самых распространенных моделей атрибуции

Каждая из приведенных ниже моделей имеет свои преимущества и недостатки, поэтому при выборе подходящей опции вы должны рассматривать их с точки зрения возможностей и потребностей вашей компании. Ваши цели будут определять сложность вашей модели атрибуции.

Если ваш маркетинговый микс ограничен несколькими каналами и вы не вкладываете много средств в платное привлечение (paid acquisition), вам будет достаточно базовой аналитики и last-click атрибуции (если вы действительно измеряете все точно). Если же вы работаете с большим количеством маркетинговых каналов, медиа-платформ и оффлайн-ресурсов, все обстоит намного сложнее.

1. Last-click атрибуция

Атрибуция по последнему клику/взаимодействию

Как видите, last-click атрибуция представляет собой очень простую, но в то же время неточную модель — вы присваиваете 100% ответственности за сделку последнему тачпоинту клиента на пути к конверсии. Таким образом, если в вашем случае последним взаимодействием был прямой переход на сайт, эта модель игнорирует любые усилия, которые были вложены в социальные медиа, email-кампании и т. д.

2. Last non-direct click атрибуция

То же самое касается и этой модели — согласное ей, вы делаете ответственным за продажи взаимодействие, предшествующее последнему клику. Плюсы: она простая; минусы: она плохо отражает реальную эффективность вашего маркетинга.

3. Last Adwords click атрибуция

Эта модель присваивает всю ответственность вашим кампаниям Adwords.

4. First-click атрибуция

Вы присваиваете 100% ответственности за сделку первому тачпоинту клиента на пути к конверсии.

5. Линейная атрибуция

В линейной модели каждый этап конверсионного пути оценивается одинаково, но на самом деле это очень идеалистический подход. Вы действительно считаете, что ваши email-кампании приносят такую же пользу, как и платный, органический и социальный каналы?

6. Time-decay атрибуция

В рамках этой модели больше ценности присваивается тому взаимодействию, которое произошло ближе всего к конверсии.

7. Атрибуция на основе позиции

Опираясь на эту модель, вы присваиваете основную ценность конверсии первому и последнему взаимодействию. В большинстве случаев компании распределяют между этими двумя тачпоинтами 80% ценности.

Модель Маркова

Вышеописанные модели атрибуции являются базовыми — они дают вам ответ, но их точность остается под сомнением. Если вас не устраивает такой результат и при этом у вас нет доступа к большим объемам аналитических данных, вы можете воспользоваться моделью Маркова. Она учитывает вероятность возникновения следующих шагов на заданном конверсионном пути и вычисляет относительную важность каждого тачпоинта на основе его удаления:

Выполняя атрибуцию по модели Маркова, вы получаете такие преимущества:

• Объективность — никаких предположений.
• Предиктивная точность — прогнозирование конверсионных событий.
• Надежность — реальные результаты.
• Интерпретируемость — прозрачная и легко интерпретируемая модель.
• Универсальность — не зависит от набора данных, адаптируется к новым данным.
• Алгоритмическая эффективность — предоставляет своевременные результаты.

data-driven решения

За последние несколько лет технологии существенно улучшились. Сегодня мы можем обрабатывать большие массивы данных, чтобы получать более четкие инсайты при большем уровне точности. Именно поэтому решения для атрибуции, предлагающие алгоритмические (или «data-driven») модели, с каждым днем набирают популярность.

К примеру, Google Analytics 360 предлагает алгоритмическую атрибуцию как в онлайн-, так и в оффлайн-сетях, а это значит, что, воспользовавшись данным сервисом, вы можете с некоторой точностью определить эффективность ваших кампаний.

С одной стороны, такие инструменты действительно впечатляют и приносят огромную пользу. Но с другой — покупатели относятся к этим продуктам скептически, поскольку не знают, что происходит внутри такого «черного ящика». Как было сказано в одной из статей от SAS: «Digital-маркетинг представляет собой громадную экосистему, и у кого есть время обсуждать диагностику аналитических моделей, коэффициенты ошибок классификации, ROC графики, кривые подъема и эти дурацкие, запутанные матрицы?».

Как бы там ни было, прежде чем задумываться о таких моделях, вам придется потратить уйму денег на маркетинг и создать множество коммерческих продуктов и услуг. Для начала поработайте над вашей организацией, целями и более простыми/действенным моделями.

Атрибуция — это проблема организации

Как правило, недоверие к атрибуции обуславливается одним из двух факторов:

• С одной стороны, люди не доверяют last-click атрибуции, потому что эта модель проста для понимания и считается неэффективной.
• С другой стороны, люди не доверяют дорогостоящим продуктам, которые используют сложные алгоритмы, потому что не знают, как именно работают такие сервисы.

Чем более сложной и крупной является ваша компания, тем больше проблем влечет за собой атрибуция — как с управленческой точки зрения, так и (чаще всего) с технической. На даже на начальных уровнях измерения и оптимизации метрик этот процесс имеет свои сложности.

Джоанна Лорд (Joanna Lord), руководитель маркетингового отдела (CMO) в ClassPass, подтвердила это в одной из своих статей: «Атрибуция — это не только к модели и последние методики разметки воронки. Прежде всего, этот процесс сводится к присвоению правильной ценности каждому маркетинговому тачпоинту — ни больше, ни меньше. Главной преградой на пути к его эффективному выполнению является предположение о том, что CMO может заниматься этим самостоятельно. Атрибуция нуждается в разработческих ресурсах, сотрудничестве в области финансового моделирования и управленческой поддержке продукта. Она требует полной осведомленности компании обо всех доступных тачпоинтах, а также о том, как/когда их нужно использовать. Это то, что я называю «знакомством с опытом вашего клиента». Если моя команда разработчиков создаст новую схему onboarding’а и привлечения клиентов, не обращая внимания на то, как это может отразиться на текущем отслеживании атрибуции, и наши показатели LTV внезапно снизятся, такое падение может остаться незамеченным в течение года… если только мы не будем действовать сообща. Атрибуция — это не маркетинговая проблема, это проблема всей компании».

Чтобы сделать выбор в пользу того или иного атрибутивного инструмента, вы должны обсудить этот вопрос с вашей командой, начальством и любыми другими заинтересованными сторонами. Подумайте о том, какие общие факторы вам стоит учитывать для создания действенной модели атрибуции, на которую можно будет опираться в процессе принятия важных решений.

Версия для печати