- Введение
- Что такое модель атрибуции?
- Модели атрибуции в Яндекс.Метрике
- Модели атрибуции в Google Analytics
- Сложные модели атрибуции в сквозной аналитике
- Какую модель атрибуции выбрать?
- Выводы
Введение
Перед потенциальными клиентами открыт большой выбор товаров и услуг на рынке, он может сравнивать, выбирать, думать. Поэтому, пришел — увидел — купил, работает далеко не всегда. С первого перехода на сайт пользователь только знакомится с брендом. Движение клиента от знакомства к покупке выстраивается по воронке продаж, которая включает несколько каналов для его привлечения. Например, человек увидел рекламу чистящего средства у блогера и перешел на сайт. Затем подумал, что надо бы узнать больше о продукте, вышел с сайта, начал искать отзывы. Его отвлекли и он уже забыл про чистящее средство и тут через пару дней его «догоняет» контекстная реклама, он опять заходит на сайт и кладет товар в корзину. Но тут раздается телефонный звонок, покупка срывается. И только потом, когда ему пришло, уведомление, что у него в корзине «грустит» товар, он достал карточку и купил продукт.
Что такое модель атрибуции?
Получается, что несколько каналов работают на то, чтобы привести одного и того же клиента к целевому действию. Вся цепочка приводит к покупке, но какой из каналов был наиболее ценен с точки зрения конверсии, т.е. продажи? Всё это необходимо анализировать, чтобы понять, какие каналы продвижения работают эффективно, а в какие вообще не стоит вкладывать деньги. Для оценки результатов используют аналитику. Чтобы понять, какое из посещений сайта было более эффективным используют модели атрибуции.
Модель атрибуции — это набор правил, который позволяет выделить, какой канал продвижения на сайте наиболее результативный, какой их них представляет наибольшую ценность с точки зрения покупки.
Модели атрибуции в Яндекс.Метрике
Анализировать работу каналов возможно в Яндекс.Метрике. Здесь доступны 4 модели атрибуции:
- По первому переходу. Из названия уже понятно, что применяя эту атрибуцию в отчете по аналитике, мы задаем 100 % ценности первому переходу на сайт. Для нас получается значимым именно это первое касание. Например, клиент впервые зашел с таргета в VK, ничего не купил, потом перешел с поисковой выдачи, затем было ещё несколько переходов на страницу сайта. Но для нас будет значимым именно реклама в ВК. Эту модель атрибуции применяют при охватных целях продвижения, когда необходимо повысить узнаваемость бренда. Используя эту модель, мы можем понять, из каких каналов о нас узнают больше всего. Другой вариант, если у продукта быстрый цикл сделки «зашел — купил» или известный бренд, где велика вероятность покупки с первого взгляда.
- По последнему переходу. В этом случае вся ценность отдается последнему переходу клиента на сайт. Здесь не учитывается вся история взаимодействия клиента с брендом, поэтому анализировать всю цепочку не получится. Модель можно использовать для оценки спроса на данный момент, а так же, как и в первом варианте, для бизнеса у которого покупка совершается быстро. При этом, стоит учитывать, что последнее касание, это не всегда покупка. Например, у вас офлайн-магазин цветов, клиент сначала зашел на сайт посмотреть цены, во второй раз он сделал заказ и оплатил, но решил букет забрать самостоятельно из магазина. В третий раз он зашел на сайт, чтобы просто посмотреть адрес, где забрать заказ.
- По последнему значимому переходу. В случае выбора этой модели атрибуции в распределении значимости уже не учитываются клики, которые совершили по прямому переходу на сайт или из закладок в браузере, даже если здесь было совершено целевое действие. Эта модель помогает исключить пример, о котором мы говорили выше. Например, человек перешел на сайт через рекламу, а спустя время зашел по прямой ссылке из закладок, в этом случае значимым будет платное событие — переход с рекламной кампании. Эта модель позволяет сделать акцент на те каналы, куда вкладываются средства. Подходит для оценки эффективности платных каналов продвижения. Значимыми источниками для системы будут: реклама, ссылки на сайтах, поисковые системы, соцсети, почтовые рассылки, мессенджеры, рекомендательные системы. Незначимыми источниками являются: прямые заходы, внутренние переходы, с сохраненных страниц.
- По последнему переходу из Директа — ценность присваивается только переходам из Яндекс.Директа, которые были совершены за последние 90 дней. Например, человек сначала перешел с соцсетей, потом с рекламы Директа, а затем заходил повторно с соцсетей. В этом случае значимым переходом система засчитает второй заход. В случае, когда пользователь дважды переходил по рекламе, будет считаться значимым последний рекламный переход. Данный этой модели атрибуции позволяют увидеть все цепочки, где участвовал платный канал трафика.
Модели атрибуции в Google Analytics
Вторым вариантом, где можно анализировать каналы трафика, является Google Analytics. Здесь моделей атрибуции больше, поэтому они позволяют получить больше информации для анализа. Первые 4 модели атрибуции будут пересекаться с моделями, которые мы описали для Яндекс.Метрики, поэтому подробно мы на них останавливаться не будем.
- Модель атрибуции последнему взаимодействию. Аналогично модели в Яндекс.Метрике – по последнему переходу. Вся ценность присваивается последнему переходу на сайт. Можно использовать при «быстрых» покупках, где человеку не нужно долго принимать решение, обычно покупка происходит сразу после клика на объявление.
- Модель атрибуции по последнему непрямому клику. 100% значимости присваивается последнему переходу, но только если он не совершен по прямой ссылке на сайт. В системе Google Analytics эта атрибуция используется по умолчанию.
- Модель атрибуции по последнему клику в Google Рекламе. Значимость 100% присваивается только переходу с рекламы Google. Аналогичную модель подробнее расписывали для Яндекса.
- Модель атрибуции по первому взаимодействию. Значимым на 100% для системы считается первый переход.
- Линейная модель атрибуции. При выборе этой модели, значимость распределяется по всем переходам клиента. Например, было 5 касаний: SEO, контекстная реклама, реклама у блогера, таргетированная реклама в VK, переход по QR-коду. Каждое из взаимодействий будет оценено одинаково, по 20% значимости. Минусы такой модели в том, что мы не можем увидеть, какой из каналов сработал лучше. При этом, можно рассмотреть весь путь клиента и отследить, какие каналы задействованы в воронке продаж.
- Модель атрибуции с учетом давности взаимодействия. Эта модель атрибуции учитывает как давно от покупки происходило взаимодействие с каждым каналом продвижения. Например, человек сначала перешел на сайт из описания профиля в VK, потом увидел таргетированную рекламу и перешел, а покупку совершил, когда его «догнала» контекстная реклама в поисковой системе. В этом случае последнему действию будет присвоено 40% ценности, а самому первому касанию — 10%. В этой модели учитываются все взаимодействия, но с разной приоритетностью, и это, несомненно, плюс. Но не уделяется внимание первому взаимодействию клиента, какой из методов продвижения показал клиенту ваши товары или услуги. Такую модель используют при проведении краткосрочных акций.
- Модель атрибуции с привязкой к позиции. В этой модели приоритет ценности распределяется между первой и последней точкой взаимодействия, по 40%. Оставшиеся 20% делятся на другие промежуточные источники переходов. Например, первый раз клиент увидел рекламу в Яндекс.Картах и перешел на сайт – 40% ценности, а покупку совершил с последним переходом из соцсети – 40 %. Между остальными переходами на сайт распределяется в равном количестве 20% ценности.
Сложные модели атрибуции в сквозной аналитике
W-образная атрибуция.
Принцип построения модели схож с предыдущей, но здесь ещё учитывается касание в середине пути клиента, которое могло бы привести к покупке. Эти три точки получают 30% ценности каждая, а оставшиеся 10% распределяются на остальные переходы. Данная модель атрибуции позволяет оценить те промежуточные касания с клиентом, которые могли бы привести к покупке. Позволяет оценить эти каналы, возможно их стоит оптимизировать или отключить. Но данная модель атрибуции не дает возможности проанализировать другие промежуточные взаимодействия клиента с брендом.
Модель атрибуции полного пути или Z-образная модель.
Здесь добавляется к ценности ещё одна точка касания. Помимо первого, последнего и точки возможной конверсии, присваивается ценность касания, где пользователь стал лидом. Например, предоставил свои контактные данные в форме обратной связи взамен на лид-магнит, получил бесплатный тестовый продукт. Для этих 4 касаний ценность присваивается 22,5% для каждой. Оставшиеся 10% распределяются на другие взаимодействия. Эта модель дает целостную картину для отслеживания пути движения клиента к покупке. Но, к сожалению, сложна в воплощении. Возможно реализовать только в тех компаниях, где отдел маркетинга и отдел продаж очень тесно взаимодействуют.
Атрибуция на основе данных.
Наиболее гибкая и адаптивная модель атрибуции. Позволяет учесть несколько каналов и распределить между ними ценность. Здесь алгоритмы на основе большой базы данных присваивают ценность тому или иному каналу, оценивая все действия, совершенные пользователем до покупки. Алгоритмы оценивают «вклад» каждого канала в конверсию не в равных долях. Например, первый раз клиент увидел объявление в соцсети, ему присвоят 30% ценности. Затем он подписался на рассылку, чтобы узнавать о новостях компании, где мы «закрыли» наибольшее количество возражений, тут ценность составит 50%. Потом с клиентом связались из отдела продаж и подкрепили уверенность в нужности продукта, им присваивается 15% ценности. И после разговора клиент с поисковой страницы перешел на сайт и купил товар, ценность составит 5%.
Эта модель достаточно сложная для настройки и требует глубокой работы с данными от компетентных аналитиков.
Пользовательские модели атрибуции.
Кроме тех моделей, которые мы рассмотрели выше, в сквозной аналитике возможно создавать собственные модели атрибуции. В таких моделях аналитики прописывают ценности вручную, но только изучив огромные объемы данных. Пользовательские модели создают в компаниях, у которых есть на это технологичные ресурсы и компетентные аналитики.
Конечно, пользовательская модель лучше отразит путь клиента в конкретной компании.
Какую модель атрибуции выбрать?
Мы рассмотрели несколько разных моделей атрибуции, но ответить на вопрос: «Какую выбрать?» так просто не получится. Связно это с тем, что выбирать модель необходимо основываясь на свой бизнес, учитывайте:
- Маркетинговые цели и задачи. В зависимости от цели, которую преследуете в данный момент: увеличение продаж, привлечение клиентов, увеличение узнаваемости бренда, выбирается модель атрибуции, для оценки каналов продвижения. Для того чтобы оценить, какой канал лучше работает на узнаваемость бренда, можно использовать модель атрибуции по первому клику.
- Цикл сделки — длительность пути взаимодействия клиента от первого касания до покупки. Понятно, что цикл сделки по недвижимости будет более длительным, чем при покупке куртки. Если покупка быстрая, менее 3 касаний, то можно использовать простую модель атрибуции по последнему клику. Если у пользователя более 3 взаимодействий, то необходимо использовать более сложные модели атрибуции или сразу несколько.
- Число каналов в продвижении. Если канал один, то и оценить его эффективность достаточно легко, а вот если несколько каналов, то может потребоваться оценка по нескольким моделям атрибуции.
- Особенности каналов продвижения. Нативные интеграции отследить и проанализировать сложнее, чем рекламу, где понятно перешли на сайт с неё или нет.
Поэтому выбор атрибуции будет для конкретного бизнеса и для конкретных маркетинговых задач свой. Иногда возможно остановиться на одной простой модели, более сложные решения требуют использование нескольких моделей атрибуции, чтобы верно оценить эффективность каналов.
Выводы
Модель атрибуции помогает бизнесу оптимизировать стратегию продвижения, выстраивать работу, согласно поведению и реакциям пользователей, выстраивать эффективную воронку продаж. Всё это осуществится в случае правильно выбранной модели атрибуции.
Обстоятельства в бизнесе и продажах меняются, поэтому будут изменяться и процессы продвижения. Отслеживайте это, выбирайте оптимальные методы на основе проанализированной информации, а также меняйте модель атрибуции, если это необходимо.