Оценить эффективность рекламных каналов – задача непростая, ведь путь клиента от первого касания с вашим брендом до покупки может быть долгим и извилистым. Представьте: пользователь увидев баннер на сайте, подписывается на вашу email-рассылку, но покупку не совершает. Затем он дважды переходит на сайт из рекламы во ВКонтакте и только после этого решается на приобретение товара, увидев интеграцию у блогера и найдя сайт через контекст. Как понять, какой из источников трафика сыграл решающую роль? В этом поможет модель атрибуции, позволяющая оценить вклад каждого канала в конверсию.
Почему важно применять разные модели атрибуции?
Без моделей атрибуции бизнес рискует тратить деньги вслепую. Не понимая, какие каналы работают и решают свои задачи, а какие нет, есть риск, что бюджеты будут распределены неэффективно. В таком случае, максимизировать ROI (возврат инвестиций) не удастся.
Преимущества использования подходящей модели атрибуции
- осознанно управлять продвижением: распределять бюджет, вовремя отказываться от непродуктивных каналов и фокусироваться на тех, что приносят наибольший результат.
- оптимизировать рекламные кампании, улучшая таргетинг, креативы и ставки для достижения максимальной эффективности
- выявить каналы, которые кажутся неэффективными при использовании стандартных метрик, но на самом деле играют важную роль на пути клиента к покупке
- получить более глубокое понимание взаимодействия клиента с вашим брендом на разных этапах воронки продаж. Это помогает адаптировать маркетинговые стратегии под потребности вашей целевой аудитории
Виды моделей атрибуции
В целом, модели атрибуции делятся на два больших типа: одноканальные и многоканальные.
Одноканальные модели – это самые простые модели. Они всю ценность конверсии приписывают только одному касанию клиента с брендом на определенном этапе воронки.
Одноканальные модели – это самые простые модели. Они всю ценность конверсии приписывают только одному касанию клиента с брендом на определенном этапе воронки.
Одноканальные модели атрибуции
First click (первое касание)
Атрибуция, в которой вся ценность приписывается тому каналу, в котором клиент совершил первое взаимодействие с брендом. Например, если клиент впервые перешел на сайт по рекламе в Яндекс, затем посмотрел видеоролик у блогера с промокодом на товар и приобрел его, достижение по привлечению клиента будет приписано рекламе в Яндекс.
Как видно на примере, основной недостаток в том, что модель игнорирует касания, которые могли сыграть ключевую роль в принятии решения, а также преувеличить значимость верхневоронечных каналов и недооценить те инструменты, которые на самом деле «конвертируют» интерес в действие. При этом, подходит, если бизнесу необходимо оценить эффективность первого касания с брендом и чаще используется в случаях, когда цель рекламы - наращивание знания о продукте и наполнение верха воронки продаж..
Например, стартапам и брендам, которые только выходят на рынок, им непосредственно важно понять, что дает начальное вовлечение. Преимущество как раз в том, что есть возможность определить, какие источники помогают привлекать холодную аудиторию. Но что на самом деле привело пользователя к конверсии, особенно если этот путь занял пару недель и включал множество касаний, не удастся.
Как видно на примере, основной недостаток в том, что модель игнорирует касания, которые могли сыграть ключевую роль в принятии решения, а также преувеличить значимость верхневоронечных каналов и недооценить те инструменты, которые на самом деле «конвертируют» интерес в действие. При этом, подходит, если бизнесу необходимо оценить эффективность первого касания с брендом и чаще используется в случаях, когда цель рекламы - наращивание знания о продукте и наполнение верха воронки продаж..
Например, стартапам и брендам, которые только выходят на рынок, им непосредственно важно понять, что дает начальное вовлечение. Преимущество как раз в том, что есть возможность определить, какие источники помогают привлекать холодную аудиторию. Но что на самом деле привело пользователя к конверсии, особенно если этот путь занял пару недель и включал множество касаний, не удастся.
Пример из опыта
В проекте с крайне длинной цепочкой взаимодействий до покупки клиент активно инвестировал в каналы, которые конвертировали клиентов по первому клику, но не получал роста продаж вне зависимости от влитых денег. Проблема оказалась в том, что люли узнавали про курс из одного источника, а покупали только благодаря брендовой рекламе и ретаргетингу, на которых стояли жесткие ограничения бюджета и они не могли охватить всю растущую аудиторию.
Last-Click (Последнее касание)
Действие модели аналогично первой, только в обратной последовательности. Всю ценность получает последнее взаимодействие перед конверсией.
Как и First-Click, можно использовать как базовую модель для быстрого анализа эффективности каналов, прежде чем переходить к более сложным вариантам.
Она полезна для оптимизации каналов с высокой конверсией, но не дает полной картины эффективности маркетинговых усилий. Я бы рекомендовал использовать ее в сочетании с другими моделями, что позволит провести детальный анализ всех источников трафика.
Как и First-Click, можно использовать как базовую модель для быстрого анализа эффективности каналов, прежде чем переходить к более сложным вариантам.
Она полезна для оптимизации каналов с высокой конверсией, но не дает полной картины эффективности маркетинговых усилий. Я бы рекомендовал использовать ее в сочетании с другими моделями, что позволит провести детальный анализ всех источников трафика.
Когда и кому использовать Last-Click?
Разбираемся: поскольку это одна из базовых моделей, ее легко интерпретировать и применять в отчетности. Эта модель будет удобна компаниям, которым важно быстро понять, какие инструменты доводят пользователя до продажи. Особенно хорошо она работает при коротком цикле принятия решения — например, в случае покупки недорогого товара по скидке.
Недостатки
Модель легкая и в этом ее уязвимость. Last Click полностью игнорирует все предыдущие касания клиента с брендом, следовательно, не учитывает влияние других источников трафика на формирование доверия и первоначального интереса. Это может исказить реальную картину, делая упор на последние каналы, в то время как “ознакомительные”, например, медийная реклама или органический трафик, остаются не оцененными.
Таким образом, вы начнёте инвестировать в то, что просто завершает путь, игнорируя то, что его начинает и не сможете существенно нарастить объемы..
Таким образом, вы начнёте инвестировать в то, что просто завершает путь, игнорируя то, что его начинает и не сможете существенно нарастить объемы..
Пример из опыта
У нас был случай, когда такой анализ по ласт-клику показал полную неэффективность мобильной рекламы. Ее отключили и продажи рухнули. Выяснилось, что пользователи знакомились с продуктом утром и вечером по дороге с и на работу. Таким образом отключили инструмент, который приводил потенциальную аудиторию на сайт и без него они вообще не находили клиента и, как следствие, не могли физически ничего купить.
Если ваша задача — понять, за какие каналы стоит платить за привлечение новых клиентов, стоит обратится к модели первого касания (First click)
Если же важно узнать, какой канал способствует продаже — подойдет Last Click.
При этом объединяющая черта одноканальных моделей — фокус на одном источнике трафике во всей цепочке. Именно эта особенность делает их удобными, но одновременно и ограниченными.
Если ваша задача — понять, за какие каналы стоит платить за привлечение новых клиентов, стоит обратится к модели первого касания (First click)
Если же важно узнать, какой канал способствует продаже — подойдет Last Click.
При этом объединяющая черта одноканальных моделей — фокус на одном источнике трафике во всей цепочке. Именно эта особенность делает их удобными, но одновременно и ограниченными.
Модель последней непрямой атрибуции (Last Non-Direct Click Attribution)
Если перед конверсией последний переход был по прямому переходу, конверсия присваивается не прямому, а предыдущему перед ним источнику.
Другими словами, прямому переходу (когда пользователь вводит адрес сайта вручную или переходит по сохранённой закладке) не придаётся ценность. Вся заслуга за конверсию уходит последнему непрямому источнику трафика (органический поиск, соцсети, email, реклама и т.д.), если прямой визит завершился конверсией.
Другими словами, прямому переходу (когда пользователь вводит адрес сайта вручную или переходит по сохранённой закладке) не придаётся ценность. Вся заслуга за конверсию уходит последнему непрямому источнику трафика (органический поиск, соцсети, email, реклама и т.д.), если прямой визит завершился конверсией.
Пример
Пользователь впервые заходит на сайт из социальной сети → через пару дней возвращается по поисковой рекламе → через некоторое время возвращается на сайт напрямую и осуществляет покупку.
По модели последней непрямой атрибуции, ценность будет отдана поисковой рекламе, а не прямому визиту, так как последний источник трафика, не относящийся к прямому, был именно контекстный поиск.
Зачем игнорируется прямой трафик?
Прямой трафик часто бывает следствием предыдущей маркетинговой активности: рекламных кампаний, email-рассылок, взаимодействия через соцсети и так далее. Распознать ценность прямого трафика сложно — пользователь уже знаком с брендом, а значит прямой визит в большинстве случаев не является самостоятельным. Поэтому модель как раз и предназначена для того, чтобы избежать искажения эффективности каналов.
Однако эта модель с учетом нюансов до сих пор остается одной из самых популярных за счет сравнительной точности работы и простоты использования.
По модели последней непрямой атрибуции, ценность будет отдана поисковой рекламе, а не прямому визиту, так как последний источник трафика, не относящийся к прямому, был именно контекстный поиск.
Зачем игнорируется прямой трафик?
Прямой трафик часто бывает следствием предыдущей маркетинговой активности: рекламных кампаний, email-рассылок, взаимодействия через соцсети и так далее. Распознать ценность прямого трафика сложно — пользователь уже знаком с брендом, а значит прямой визит в большинстве случаев не является самостоятельным. Поэтому модель как раз и предназначена для того, чтобы избежать искажения эффективности каналов.
Однако эта модель с учетом нюансов до сих пор остается одной из самых популярных за счет сравнительной точности работы и простоты использования.
Для какого бизнеса подходит модель последней непрямой атрибуции?
Малый и средний бизнес :
Если же вашего бизнеса длинный цикл сделки ( B2B, недвижимость), то эта модель (как и другие одноканальные) может не отражать реальную отдачу от вклада всех каналов. В этом случае рекомендуются многоканальные модели или сквозная аналитика.
- Компании с ограниченным маркетинговым бюджетом и простыми воронками продаж могут использовать эту модель для оценки отдачи от основных каналов, не внедряя сложные системы.
- E-commerce с коротким циклом принятия решения:
Если же вашего бизнеса длинный цикл сделки ( B2B, недвижимость), то эта модель (как и другие одноканальные) может не отражать реальную отдачу от вклада всех каналов. В этом случае рекомендуются многоканальные модели или сквозная аналитика.
Многоканальные модели атрибуции
Многоканальные модели атрибуции используются в digital-маркетинге для того, чтобы понять, как различные каналы коммуникации – от поиска до email-рассылок – влияют на путь пользователя к конверсии. Имея дело с множеством точек контакта, важно понимать, какой из каналов действительно играет ключевую роль на разных этапах.
Линейная модель
В этом варианте все каналы получают равную долю заслуги. Пример: пользователь сначала пришел из поиска, потом кликнул на баннер, потом получил email и в конце совершил покупку через директ. Все четыре касания делят вклад по 25%.
Для какого бизнеса подходит модель последней непрямой атрибуции?
Модель хороша для бизнеса с длинным циклом принятия решения, например, в B2B или в электронной коммерции с высокой стоимостью товаров.
Ее преимущество — нейтральность: все этапы пути признаются важными.
Но это же и главный минус — она не учитывает реальную силу воздействия каждого ограничения – все каналы получают одинаковый вес, что не всегда отражает вклад в реальное принятие решения. Эффективность модели падает с удлиннением цикла продаж.
Модель временного спада
Эта модель придаёт больше значения касаниям, которые произошли ближе к моменту конверсии.
Пример: пользователь увидел рекламу за месяц до покупки, потом кликнул на поисковое объявление — соответственно, последнее касание получит наибольшую ценность, а первое — наименьшую.
Такой подход по опыту подходит для бизнесов с «прогревающей» коммуникацией, то есть подписных сервисов, образовательных продуктов и др. Преимущество — более реалистичное отражение пути пользователя при условии длительного принятия решения.
Пример: пользователь увидел рекламу за месяц до покупки, потом кликнул на поисковое объявление — соответственно, последнее касание получит наибольшую ценность, а первое — наименьшую.
Такой подход по опыту подходит для бизнесов с «прогревающей» коммуникацией, то есть подписных сервисов, образовательных продуктов и др. Преимущество — более реалистичное отражение пути пользователя при условии длительного принятия решения.
Модель на основе позиции (U-образная)
Эта модель выделяет основной вес первому и последнему взаимодействиям, а промежуточные точки получают меньший вклад. Например, 40% отдаются первому касанию, 40% — последнему, и оставшиеся 20% распределяются на остальные.
Хороший вариант для компаний, где важно и первое касание (бренд узнают), и последнее (пользователь решает покупать). Это может быть ритейл, туризм, финансовые продукты. Модель соблюдает баланс между взаимодействием с брендом и финальной конверсией.
Хороший вариант для компаний, где важно и первое касание (бренд узнают), и последнее (пользователь решает покупать). Это может быть ритейл, туризм, финансовые продукты. Модель соблюдает баланс между взаимодействием с брендом и финальной конверсией.
Алгоритмическая
Гибкая и продвинутая модель, которая строится на основе данных пользовательского поведения, машинного обучения и прогнозов. Она учитывает, насколько каждое взаимодействие реально увеличивало вероятность покупки. Например, с помощью нее можно выяснить, что email рассылка в среднем увеличивает шанс сделки на 10%, тогда как участие в вебинаре — на 45%.
Преимущество: когда трафик большой и есть достаточное количество данных для анализа, я бы рекомендовал использовать именно алгоритмическую модель, она обладает высокой точностью оценки и может подстраиваться под реальные паттерны поведения.
Из этого вытекает ее минус: высокий порог входа и сложность в интерпретации без специализированных знаний.
Из этого вытекает ее минус: высокий порог входа и сложность в интерпретации без специализированных знаний.
