Трансформируем ваши данные в прибыль

Пн — Пт: с 10:00 до 19:00

ГлавнаяБлогМодель атрибуции в маркетинге: что это и какую модель выбрать для бизнеса

Модель атрибуции в маркетинге: что это и какую модель выбрать для бизнеса

14 минут(ы)

Что такое модели атрибуции

Модели атрибуции в интернет-маркетинге — это методы определения того, какие каналы маркетинга и рекламы приводят к конверсиям и продажам. Они помогают определить, какой канал заслуживает большей части заслуг за конверсию, а также какие каналы могут быть улучшены для увеличения эффективности маркетинговых кампаний. Существует несколько моделей атрибуции, таких как последний клик, линейная, временная дисконтирование и другие. Каждая модель имеет свои преимущества и недостатки, и выбор модели зависит от конкретных целей и задач маркетинговой кампании.

Зачем использовать атрибуцию в маркетинге

Модель атрибуции это всего лишь инструмент в руках опытного специалиста. Когда мы открываем веб-аналитическую систему и смотрим на отчет по эффективности источников трафика, то видим таблицу, в которой в одном столбце указаны источники трафика, а в другом его результативность.

Зачем использовать атрибуцию в маркетинге24
Рис. Яндекс.Метрика. Отчет “Источники, сводка”

Мы видим, что система нам говорит, что с прямых переходов было 75 целевых визитов по цели “Регистрация пользователя”.
Именно благодаря выбранной модели атрибуции система каждую конкретную регистрацию связывает с конкретным посещением пользователя.

Но, мы ведь понимаем, что пользователь мог посетить наш сайт несколько раз до того момента, пока не зарегистрировался.
Представим, что было три визита:

  1. по поисковой рекламе
  2. по ремаркетингу
  3. прямой заход
  4. переход из органики Яндекса по запросу, содержащему название бренда нашего проекта

Именно четвертый визит закончился регистрацией.

Вопрос
Куда именно веб-аналитическая система должна отнести регистрацию?

Именно для ответа на этот вопрос и нужна модель атрибуции. Модель атрибуции это логика, на основе которой мы или программное обеспечение принимает решение какому из четырех визитов пользователя на наш сайт и в каком отношении присвоить успешность, в нашем случае регистрацию.

После того, как маркетолог видит такой отчет он принимает решение, как ему управлять рекламными кампаниями. Если мы попробуем взглянуть на эту ситуацию сверху, то он принимает решение о распределении бюджета, руководствуясь отчетом, который построен на базе той или иной модели атрибуции.

Как атрибуция помогает бизнесу

Понимание моделей атрибуции в интернет-маркетинге помогает бизнесу в нескольких аспектах:

  • оптимизация рекламных кампаний: знание того, какие каналы и рекламные форматы приводят к конверсиям, позволяет оптимизировать рекламные кампании и распределить бюджет между каналами более эффективно;
  • улучшение пользовательского опыта: понимание того, как пользователи взаимодействуют с сайтом и какие каналы приводят к конверсиям, помогает улучшить пользовательский опыт и сделать сайт более удобным и привлекательным для посетителей;
  • принятие обоснованных решений: знание моделей атрибуции позволяет принимать обоснованные решения на основе данных, а не на основе предположений или интуиции;
  • увеличение ROI: оптимизация рекламных кампаний и улучшение пользовательского опыта приводят к увеличению ROI (возврату инвестиций) и улучшению финансовых показателей бизнеса;

Таким образом, понимание моделей атрибуции в интернет-маркетинге является важным инструментом для оптимизации рекламных кампаний, улучшения пользовательского опыта и принятия обоснованных решений, что в конечном итоге приводит к увеличению ROI и улучшению финансовых показателей бизнеса.

Как работает модель атрибуции

Данный вопрос не имеет ответа, так как каждая из существующих моделей атрибуций руководствуется своей собственной логикой, математикой и/или эвристикой.
Если мы все-таки попытаемся ответить на этот вопрос на верхнем уровне, то модель атрибуции это свод правил, на основе которых мы принимаем решение какому визиту пользователя в цепочке визитов до достижения цели какую ценность от достигнутой цели присвоить.

Стоит отметить, что существует огромное количество моделей атрибуций.

Как работает модель атрибуции23
Рис. Яндекс.Метрика. Функция выбора модели атрибуции применительно к отчету.

Система создания атрибуций в Google Analytics
Рис. Система создания атрибуций в Google Analytics

Яндекс.Директ. Выбор атрибуции при настройке стратегии рекламной кампании
Рис. Яндекс.Директ. Выбор атрибуции при настройке стратегии рекламной кампании.

Google Analytics. Инструмент сравнения атрибуций.
Рис. Google Analytics. Инструмент сравнения атрибуций.

Модели атрибуции в Google Analytics.
Рис. Модели атрибуции в Google Analytics.

Этими скриншотами я хочу проиллюстрировать тот факт, что с моделями атрибуции вам придется столкнуться на каждом шагу при работе с digital-маркетингом.

Однако, давайте вернемся к нашему вопросу и разберем наиболее часто встречающиеся модели атрибуции.

Какие существуют модели атрибуции

Существует несколько моделей атрибуции, которые могут быть использованы в интернет-маркетинге, включая:

  • Последний клик (Last Click) — этот метод атрибуции приписывает всю заслугу за конверсию последнему каналу, по которому клиент перешел на сайт перед покупкой.
  • Первый клик (First Click) — этот метод атрибуции приписывает всю заслугу за конверсию первому каналу, по которому клиент перешел на сайт.
  • Линейная атрибуция (Linear Attribution) — этот метод атрибуции распределяет заслугу за конверсию между всеми каналами, которые клиент использовал перед покупкой.
  • Взвешенная атрибуция (Weighted Attribution) — этот метод атрибуции приписывает большую заслугу за конверсию каналам, которые считаются более важными или эффективными.
  • Атрибуция на основе времени (Time-Based Attribution) — этот метод атрибуции приписывает заслугу за конверсию каналам, которые были использованы в определенный период времени перед покупкой.
  • Атрибуция на основе данных (Data-Driven Attribution) — этот метод атрибуции использует аналитические данные для определения того, какие каналы маркетинга и рекламы наиболее эффективны в привлечении клиентов и генерации продаж.

Чтобы было проще воспринимать текст выше, давайте попробуем представить себе последовательность из пяти визитов пользователя на наш сайт, где в конце пятого визита он совершил конверсию.
Если распределить все визиты на горизонтальной оси, то мы можем легко представить, какая из моделей будет атрибутировать конверсию какому из визитов.

Иллюстрация работы трех базовых моделей атрибуции.
Рис. Иллюстрация работы трех базовых моделей атрибуции.

Линейная модель атрибуции. Каждый визит получает свой кусок пирога.
Рис. Линейная модель атрибуции. Каждый визит получает свой кусок пирога.

А вот представить модель атрибуции “Временной спад” будет гораздо сложнее. В основе этой модели лежит такое понятие, как экспоненциальный распад (привет физикам). Суть в том, что чем ближе к конверсии находится точка взаимодействия, тем более ценной она считается. В рамках данной модели период полураспада по умолчанию составляет семь дней, но есть модели, в которых вы сами указываете данные период. Это значит, что взаимодействие, произошедшее за семь дней до конверсии, в два раза менее ценно, чем зарегистрированное в один день с ней, а за две недели – в четыре. Экспоненциальный распад происходит в течение всего периода ретроспективного анализа.

Пример атрибуции на основе позиций.
Рис. Пример атрибуции на основе позиций.

Давайте попробуем углубиться в каждую из моделей и попробуем понять, для чего она нужна и как будет нам полезна.

Модель атрибуции по первому клику (First Click Attribution Model)

Данная модель все заслуги присваивает первому визиту пользователя в цепочке визитов.

Модель атрибуции по первому клику.
Рис. Модель атрибуции по первому клику.

Нужно понимать, что первый клик в цепочке визитов этот клик, который первый в рамках той ретроспективы, которую вы рассматриваете. То есть, если вы смотрите в прошлое на 30 дней, а первый визит был 31 день назад, то данный визит не будет рассмотрен моделью.

Данная модель в первую очередь нужна для того, чтобы выявить те каналы, которые приводят к нам на сайт пользователей, которые в последующем становятся клиентами.

Если мы перестроим отчет на основе этой модели, то мы сможем ответить на вопрос, куда именно нам распределить бюджет, чтобы увеличить количество новых клиентов.

Наиболее эффективно ее применять при проведении обхватных кампаний с оплатой за клик с таргетингом на людей, которые еще ни разу не были на вашем сайте.

Модель атрибуции по последнему клику (Last Click Attribution Model)

Это антипод модели первого клика.

Атрибуция по последнему клику
Рис. Атрибуция по последнему клику

Эта атрибуция всегда всю ценность присваивает последнему визиту пользователя на ваш сайт! Не важно что это был за визит.
Единственный вопрос, на который отвечает данная модель — это какие именно каналы, приводящий трафик на сайт, являются финальными перед покупкой. Кто-то называет это каналами, которые дожимают пользователя.

Модель атрибуции по последнему непрямому клику (Last Non-Direct Click Attribution Model)

Чтобы разобраться в этой модели давайте для начала поймем, что такое “прямой клик” (Direct Click).

Прямые заходы, они же прямые клики, они же Direct Click и Direct None.
Рис. Прямые заходы, они же прямые клики, они же Direct Click и Direct None.

Прямой клик возникает тогда, когда пользователь посетил ваш сайт, введя url-адрес без каких-то дополнительных параметров, идентифицирующих источник в адресной строке браузера, также это переход по такой же ссылке из закладок.

Получается, что модель атрибуции по последнему непрямому клику присваивает всю ценность последнему визиту в цепочке в том случае, если последний визит не является прямым. Если является, то идет на один шаг в цепочке назад.

Мы видим, что последний визит, в рамках которого была покупка является прямым direct/none. Следовательно конверсия присваивается предыдущему визиту в цепочке.
Рис. Мы видим, что последний визит, в рамках которого была покупка является прямым direct/none. Следовательно конверсия присваивается предыдущему визиту в цепочке.

На самом деле данная модель работает по умолчанию почти во всех веб-аналитических системах. Когда вы открываете отчет Google Analytics и смотрите на данные, то вы видите результат, который получен благодаря данной модели.

Следует отметить, что у этой модели есть такие же слабые стороны, как и у последнего клика. Единственное отличие заключается в том, что данная модель не атрибутируется ценность прямым визитам, так как мы, как маркетологи, не можем напрямую влиять на данный источник трафика. Так как прямые визиты являются следствием всех активностей, предпринятых маркетингом и PR.

Линейная модель атрибуции

Тут все очень просто. Мы полученную ценность от покупки пользователя делим в равных частях между всеми визитами пользователя в рамках изучаемой нами ретроспективы.

Хорошая ли это модель? 100% нет.

Обратите внимание, что часть ценности идет на канал, которым мы не можем управлять.
Рис. Обратите внимание, что часть ценности идет на канал, которым мы не можем управлять.

Смотрите, все дело в том, что в рамках цепочки визитов пользователя на наш сайт могут быть визиты по таким каналам, которые нам, как маркетологам, не поддаются прямому управлению. В примере выше мы видим, что часть ценности пошло на прямой визит.
Что нам это дает? Ничего, только лишний раз мешает принимать верные решения.

Именно по этой причине лично я не люблю использовать данную модель вообще никогда.
Давайте будем называть ее избыточно либеральной — к сожалению, не все источники трафика для нас, как для маркетологов равны и одинаково полезны.

На основе позиции (Position Based или U-образная)

В рамках этой модели мы можем присвоить разным фрагментам цепочки разные весовые коэффициенты. например, первому визиту 40%, последнему 40%, а всему, что между размазать линейно 20%.

Создание модели на основе позиций в Google Analytics
Рис. Создание модели на основе позиций в Google Analytics

Пожалуйс, при работе с Google Analytics это одна из самых удобных моделей, так как в рамках нее вы можете настроить ряд исключений (весов), чтобы подстроить ее под ваши потребности и цели.
Атрибуция по времени
На самом деле, все модели, которые мы рассмотрели выше относятся к классу “временных” моделей. Атрибуция по времени в интернет-маркетинге — это процесс определения того, какие каналы маркетинга и рекламы влияют на конверсию и продажи в разные моменты времени.
То есть под временем у нас подразумевается визит пользователя. Первый визит происходит раньше, а последний позже. Поэтому все модели выше относятся к классу атрибуции по времени.

Так как мы все-таки ограничены размером статьи, то я не буде затрагивать такие модели, как временной спад и аналогичные. Однако, если вы очень этого хотите, то пишите в комментариях и я дополню материал.

Двигаемся дальше.

Атрибуция на основе данных (Data-Driven Attribution)

Суть данной модели заключается в том, что она для распределения весов использует Вектор Шепли. Особенность этой модели в том, что она не учитывает порядок канала в цепочке, а оценивает, как повлияло на конверсию присутствие этого канала. То есть рассматривается каждая конкретная цепочка и внутри этой цепочки каждому визиту рассчитывается своя ценность. При этом вы можете менять местами визиты как угодно, от этого ценность, которая была присвоена каналу не изменится.

В математику сейчас упарываться не будем. Всем кому интересно сможет прочесть википедию.

Модель прикольная и гораздо более полезная, чем последний не прямой клик, но чтобы с ней работать у вас должно быть много разных цепочек и визитов. Плюс она не приспособлена для оценки медийных кампаний и не даст ответ на вопрос о том, где искать новых клиентов в достаточном количестве.

Атрибуция на основе Цепей Маркова

Атрибуция на основе цепей Маркова — модель, которая использует вероятности перемещений по шагам воронки, которая дает оценку влиянию шагов на конверсию и позволяет определить наиболее значимый вклад в общую конверсию. Идея рассматриваемой модели состоит в определении набора состояний клиента и оценке вероятности перехода между различными состояниями.

Звучит адски мудрено. А выглядит еще хуже:

цепь Маркова
Рис. Привет, Я цепь Маркова. Я предсказываю последовательность случайных событий с конечным или счетным числом исходов, характеризующаяся тем, что при фиксированном настоящем будущее независимо от прошлого.

представление цепи для маркетологов
Рис. А это представление цепи для маркетологов. Понять сходу что-то сложно.

Одна из самых интересных моделей с моей точки зрения.
Модель атрибуции на основе Цепей Маркова даст вам возможность оценить взаимное влияние каналов на конверсию и узнать, какой канал самый значимый и ценный, но она сильно недооценивает влияние первого визита (помните об этом).
Применяют ее те, кто активно собирает все данные в едином хранилище.
Чтобы ее сделать, вам придется привлекать программистов и аналитиков, либо прийти к нам в StreamMyData =)

Подробнее про Цепи Маркова можно почитать в Wikipedia.

Давайте разбираться.
Представим себе, что у нас с вами есть таблица, которая содержит информацию об идентификаторе пользователя, времени визита, типе взаимодействия, конверсии, ценности конверсии и источнике трафика, который его привел на сайт.

табличный вид визитов пользователя на сайт
Рис. табличный вид визитов пользователя на сайт

Теперь мы можем преобразовать эту табличку новую, которая будет содержать идентификатор пользователя и путь его взаимодействия с сайтом, который всегда должен начинаться со слова Start и заканчиваться Null, если цепочка не принесла конверсии, либо Conversion, если конверсия случилась.

Таблица идентификатор пользователя и его путь.
Рис. Таблица идентификатор пользователя и его путь.

Теперь нам нужно разбить каждую цепочку попарно, чтобы мы получили такие связки как Start > Paid Search, Paid Search > Null и т.д.

 Три этапа преобразования пути клиента от реального, до поданного в модель с разбивкой по парам.
Рис. Три этапа преобразования пути клиента от реального, до поданного в модель с разбивкой по парам.

Теперь нам нужно оценить все возможные переходы с одного шага (пары) на следующий шаг (пару). После этого приступаем к расчету вероятности для каждого из возможных вариантов перехода и занести их в отдельную таблицу. Эти цифры считаются эмпирически, то есть анализируются реальные данные о действиях пользователей, например из вашей веб-аналитической системы.
Имея эти данные мы можем их визуализировать в виде направленного графа:

в виде направленного графа
Где % — это вероятность перехода пользователя из одной вершины графа в другую.

А вот теперь начинается самое интересное. Теперь мы можем по очереди удалять каждую из вершин графа и смотреть, как будет изменяться суммарное количество достижения цели — так называемый эффект удаления. Что позволяет нам рассчитать ценность каждого из каналов. Делается это в три последовательных шага:

1. Считаем вероятность совершения конверсий для каждого из каналов. Точнее, сколько конверсий мы получим, если убрать из цепочки, конкретный канал.

Вероятности конверсии (Р) для каждого канала считаются по следующей формуле:

P1 = (0,33 * 1 * 0,5) = 0,167 P2 = (0,33 * 0 * 0,5) = 0 P3 = (0,33 * 1 * 0) = 0

Давайте разберем подробнее первую формулу — это у нас вероятность конверсии для канала C1. Мы убрали из модели канал C1 и перемножили все оставшиеся вероятности перехода из цепочек, которые ведут к покупке. То есть умножили 33,3% на 100% и на 50%, только не в процентном, а в числовом формате.
В результате у нас получилось 0,167 или 16,7% — столько конверсий мы получим, если убрать из воронки источник С1.

Если мы уберем каналы C2 и C3, то у нас вообще не будет конверсий.

2. Определяем эффект удаления (R) для каждого канала. Этот коэффициент показывает, сколько конверсий мы потеряем, если удалим канал из воронки.

R1 = 1–0,167/0,33 = 0,5 R2 = 1–0 = 1 R3 = 1–0 = 1

3. Считаем ценность (V) каждого канала. Берем процент потерянных конверсий (R) и делим его на сумму всех коэффициентов (R1, R2 и R3)

V1 = 0,5 / (0,5 + 1 + 1) = 0,2 V2 = 1 / (0,5 + 1 + 1) = 0,4 V3 = 1 / (0,5 + 1 + 1) = 0,4

Вся прелесть данной модели в том, что она позволяет оценить взаимное влияние каналов на конверсию и узнать, какой канал самый значимый.

W-образная атрибуция

W-образная атрибуция — это метод анализа поведения пользователей в интернете, который позволяет определить, какие каналы привлечения трафика наиболее эффективны для конверсии пользователей в клиентов.

Модель W-образной атрибуции предполагает, что пользователи проходят через несколько этапов взаимодействия с сайтом или брендом, прежде чем совершить покупку или выполнить целевое действие. Эти этапы могут включать в себя поиск информации, ознакомление с продуктом, сравнение цен и условий, общение с менеджерами и т.д.

Рис. Этапы принятия решения.
Рис. Этапы принятия решения.

Суть в том, что пользователь проходит через определенное количество этапов перед тем, как что-то сделает. Это процесс может идти очень долго, мы выбираем квартиру, или молниеносно, покупаем шоколадку на кассе.

В модели W-образной атрибуции учитываются три основных канала привлечения трафика:

  • прямой заход на сайт,
  • поисковые системы
  • социальные сети.

При этом каждый канал получает свой вес в зависимости от того, на каком этапе взаимодействия с пользователем он был задействован.

Таким образом, модель W-образной атрибуции позволяет определить, какие каналы привлечения трафика наиболее эффективны на каждом этапе взаимодействия с пользователем и какие маркетинговые кампании следует запускать для увеличения конверсии.

Модель атрибуции полного пути или Z-образная модель

Модель атрибуции полного пути или Z-образная модель — это модель, которая позволяет определить, какие каналы маркетинга и рекламы влияют на конверсию пользователя на сайте. Она получила свое название благодаря форме буквы Z, которую она образует.

Суть модели заключается в том, что она учитывает все каналы, по которым пользователь посещал сайт перед тем, как совершить целевое действие.
Например, если пользователь сначала увидел рекламу в социальной сети, затем перешел на сайт через поисковую систему, а затем совершил покупку, то модель атрибуции полного пути учитывает все три канала.

Модель атрибуции полного пути позволяет определить, какие каналы маркетинга и рекламы наиболее эффективны для привлечения пользователей на сайт и увеличения конверсии. Она также помогает определить, какие каналы можно оптимизировать для улучшения результатов.

Однако, следует отметить, что модель атрибуции полного пути требует большого количества данных и аналитических инструментов для ее реализации. Кроме того, она может быть сложной для интерпретации и требует определенных знаний и навыков в области маркетинга и аналитики.

Какие модели атрибуции доступны в Яндексе

Яндекс.Метрика

В Яндекс.Метрике доступны следующие модели:

  • последний значится переход (последний не прямой)
  • последний переход из директа
  • первый переход
  • последний переход
  • и тумблер кросс-девайс, при помощи которого мы склеиваете визиты одного и того же пользователя с разных устройств на основе внутренней информации Яндекса о пользователе.

Рис. Меню выбора модели атрибуции в Яндекс.Метрике.
Рис. Меню выбора модели атрибуции в Яндекс.Метрике.

Яндекс.Директ

В рекламной системе Яндекс.Директ вы можете выбирать модель атрибуции при настройке стратегии в рекламной кампании:

Рис. Настройка модели атрибуции в рекламной кампании Яндекс.Директ
Рис. Настройка модели атрибуции в рекламной кампании Яндекс.Директ

А также в мастере отчетов Яндекс.Директ:

Рис. Выбор модели атрибуции при построении отчета в Мастере отчетов Яндекс.Директ
Рис. Выбор модели атрибуции при построении отчета в Мастере отчетов Яндекс.Директ

Какие модели атрибуции доступны в Google

Google Analytics

В Google Analytics вы можете в разделе Конверсии — Многоканальные последовательности — инструменты сравнения моделей сравнивать разные модели между собой.

Рис. Выбор предустановленной модели атрибуции в одном из отчетов Google Analytics.
Рис. Выбор предустановленной модели атрибуции в одном из отчетов Google Analytics.

Также вы можете создать свою собственную модель:

Рис. инструмент создания собственной модели атрибуции в Google Analytics.
Рис. инструмент создания собственной модели атрибуции в Google Analytics.

Еще вы можете воспользоваться инструментом “Атрибуция”, который еще находится в Beta:

Рис. Обученный на основе данных инструмент Attribution от Google.
Рис. Обученный на основе данных инструмент Attribution от Google.

Google Ads

В рекламной системе Google Ads есть отдельный инструмент работы с атрибутами.

Рис. Интерфейс по работе с атрибутами Google Ads
Рис. Интерфейс по работе с атрибутами Google Ads

Также вы можете управлять конверсий на уровне создания “Конверсий” в Google Ads.

Рис. Создание собственной атрибуции для пикселя отслеживания конверсий в Google Ads.
Рис. Создание собственной атрибуции для пикселя отслеживания конверсий в Google Ads.

Пожалуйс на этом хватит. Конечно, можно еще уделить время и рассмотреть Google DV360 и другие сервисы, но принцип везде одинаковый. Почти всюду вы можете настраивать атрибуцию и в зависимости от того, как вы ее настроите вы будите получать совершенно разные данные.

Какую модель атрибуции выбрать для бизнеса

Вопрос на миллион, в прямом смысле этого слова. Ведь если вы верно выберете модель для поставленной цели, то заработаете много денег, а если нет, то потеряете.

К сожалению, волшебной пилюли нет. Для каждой задачи нужно создавать свою модель атрибуции. При этом у бизнеса может быть сразу несколько моделей, каждая из которых оценивает свой тип рекламных кампаний со своими задачами.

Что стоит сказать, так это то, что не используйте базовые модели. Подумайте над тем, какая модель нужна именно вам.

Помните
Что по сути вы работаете только с тремя аудиториями:

  1. те кто ничего о вас не знает
  2. те кто знают (был на сайте), но не стал клиентом
  3. те, кто уже ваши клиенты

Для каждой из аудитории нужны свои модели и подходы

Рис. ABС - подход к бюджетированию и аудиториям.
Рис. ABС — подход к бюджетированию и аудиториям.

В заключении хочу сказать, что помимо описанных выше моделей атрибуций, также существуют ML-модели, построением которых занимается наш проект StreamMyData.

Если у вас есть вопросы по аналитике и развитию бизнеса — пишите. Мы всегда рады помочь!