Маркетинговая атрибуция похожа на пробуждение с похмелья. Вы спрашиваете себя, какая из шести порций алкоголя, которые вы выпили прошлой ночью, ответственна за это. Был ли это джин, которым вы закончили вечер, или виски после второй пинты, или, возможно, это был коктейль в самом начале вечера?

Как маркетолог, в конце успешной маркетинговой кампании ваш финансовый директор может спросить вас, почему 30% бюджета было потрачено на Facebook, когда он обеспечивал только 10% продаж. Проблема маркетинговой атрибуции заключается в попытке точно определить, какие компоненты кампании больше всего отвечают за конверсию. С постоянно растущим числом рекламных платформ и каналов, на которые мы сейчас полагаемся, эта проблема становится все более острой.

На самом деле, владельцы маркетинговых бюджетов сообщают, что двумя основными препятствиями, мешающими им выполнять свою работу сегодня, являются «интеграция разрозненных маркетинговых систем» и «приписывание доходов маркетингу» (Ascend2, 2018). Эти два барьера тесно переплетены в проблеме маркетинговой атрибуции. Расходы на маркетинг теперь распределяются по настоящим огороженным садам, таким как Google, Facebook, Amazon, Snapchat, Twitter и LinkedIn, и это лишь некоторые из них. Формирование единого представления об эффективности кампаний в этих разрозненных подразделениях становится все более сложным.

Распутывание спагетти-переплетения маркетинговой атрибуции на разных платформах имеет решающее значение для маркетологов, если они собираются принимать правильные решения о том, куда и как инвестировать бюджеты. Как правило, рассматриваются два подхода; подходы, основанные на правилах, и то, что мы называем «рациональными» или основанными на данных подходами. Давайте сначала посмотрим, почему пришло время отказаться от моделей атрибуции, основанных на правилах.

I. Модели атрибуции, основанные на правилах, и почему все они — отстой

Модели атрибуции на основе правил предлагают фиксированные подходы к присвоению ценности различным каналам в зависимости от их роли в обеспечении конверсий. Существует пять основных правил, которые маркетологи учитывают, приписывая ценность конверсии своим различным маркетинговым каналам. Чтобы разобрать их, давайте рассмотрим один путь к покупке, когда клиент взаимодействует с шестью различными рекламными каналами следующим образом:

1. Последнее взаимодействие

В этой модели 100 % ценности конверсии присваивается рекламному каналу, с которым вы взаимодействовали непосредственно перед событием конверсии. Это мог быть клик по ссылке или просто показ рекламы. Это неизменно самая популярная модель атрибуции, используемая сегодня маркетологами: 63% маркетологов по-прежнему приписывают заслугу только последнему поступку клиента перед покупкой (eConsultancy, 2017).

В нашем сценарии последнее объявление Google, на которое нажал пользователь, получает 100% кредита. Роль других рекламных взаимодействий в стимулировании продажи скрыта. Логическим выводом из использования этой модели атрибуции является увеличение ставок и бюджетов по отношению к последнему задействованному объявлению Google и снятие всего бюджета со всего остального.

Почему это плохо.Поскольку рентабельность инвестиций в рекламу (ROAS) для очень внимательных потребителей всегда будет самой высокой, модель «Последнее взаимодействие» рискует создать нереалистичные ожидания относительно истинного затраты на привлечение и конвертацию клиента. Помимо нулевого учета любой активности дальше по воронке, этот подход в значительной степени отдает предпочтение каналам прямого отклика, таким как поиск и партнерские программы, и поэтому на этих платформах он будет применяться по умолчанию.

2. Первое взаимодействие

Эта модель дает 100 % ценности конверсии рекламе, с которой потребитель впервые взаимодействовал, в течение предопределенного периода ретроспективного анализа. Этот подход будет сосредоточен на элементах кампании по повышению осведомленности и часто используется узкоспециализированными и неизвестными брендами.

В нашем сценарии впечатление, полученное от оригинальной рекламы, увиденной на Facebook, получает 100% кредита. Логичный вывод — увеличить количество показов этих объявлений и снизить приоритетность всех остальных.

Почему это плохо.Первое взаимодействие рискует стать неэффективным маркетингом, поскольку не присваивает ценность действиям, которые продвигают потребителей по всей воронке продаж. Мы тратим все эти деньги на повышение узнаваемости нашего бренда, но не инвестируем в конверсию потребителей.

3. Позиционное | U-образный | Первое и последнее взаимодействие

Эта модель будет придавать больший фиксированный вес первому и последнему взаимодействию, разделяя оставшуюся часть поровну между другими точками взаимодействия. Этот подход направлен на преодоление недостатков сосредоточения внимания исключительно на первом или последнем взаимодействии.

В нашем сценарии первоначальный показ в Facebook получает 40% кредита, последнее кликнутое объявление Google получает дополнительные 40%, а каждая из других точек взаимодействия получает по 5% кредита каждая.

Почему это отстой.Хотя это сделано из лучших побуждений, вес первого и последнего взаимодействий обычно устанавливается на уровне 40 %, а оставшиеся 20 % распределяются между всеми остальными взаимодействиями с клиентами. Почему? Без четкого обоснования такой подход можно считать довольно произвольным.

4. Линейный

Эта модель рассматривает все точки соприкосновения, с которыми взаимодействовал совершивший конверсию клиент, как равные. Каждому рекламному каналу и взаимодействию с клиентом будет присваиваться одинаковое значение, и предполагается, что они будут иметь одинаковое влияние на конверсию клиента.

В нашем сценарии каждая точка взаимодействия теперь получает 16,7% кредита. До сих пор эта модель придавала большее значение промежуточным шагам между первым и последним взаимодействием.

Почему это отстой.Этот подход, возможно, самый упрощенный, но он не отражает различных качественных аспектов взаимодействия, обеспечиваемых разными каналами на каждом этапе пути к покупке. В худшем случае предполагается, что удаление любого отдельного канала будет иметь такие же последствия, как и удаление любого другого канала.

5. Распад времени

В модели Time Decay больший вес придается взаимодействиям, которые произошли ближе к событию конверсии. Часто период полураспада составляет 7 дней, что означает, что взаимодействие, имевшее место за неделю до события конверсии, получит половину кредита, полученного взаимодействием в день конверсии.

В нашем сценарии последние взаимодействия, реклама Google, Facebook и Amazon вместе получают гораздо больший объем кредитов, чем первые три рекламы Facebook, Google и Instagram.

Почему это отстой. Трудно понять, когда использовать эту модель. Некоторые маркетологи используют его для высокоинтенсивных коротких кампаний, возможно, в течение нескольких дней. Другие используют его, когда путь к покупке может занять несколько месяцев. Опять же, эта модель не принимает во внимание какое-либо качественное влияние различных компонентов кампании, например время, потраченное на просмотр подробного видео о продукте, которое могло произойти на очень раннем этапе цикла покупки.

Каждый из этих подходов, основанных на правилах, просто слишком жесткий и негибкий. Никто адекватно не учитывает сложность кросс-канального маркетинга, который проводит потребителей через различные этапы пути к покупке, от осознания через вовлечение, рассмотрение, принятие решений до конверсии.

II. Самое время для более рационального подхода

Все чаще маркетологи изучают более динамичные модели, которые стремятся распределять кредиты на основе истинного влияния маркетинговой точки соприкосновения по всей воронке. Мы в Bionic называем этот подход «рациональным», потому что он основан на выводах и рекомендациях на основе анализа эмпирических данных. Такие модели обычно являются более сложными с математической точки зрения либо с использованием предопределенных алгоритмов, либо с помощью машинного обучения, либо их комбинации. Эти модели обычно развиваются со временем; «обучение» на основе реальных данных из кампаний в реальном времени.

Возможно, наиболее распространенную модель рациональной атрибуции иногда называют моделью, управляемой данными, которая основана на алгоритмах теории игр, разработанных U.S. экономист-математик и лауреат Нобелевской премии Ллойд Шейпли. Подход теории игр Shapely рассматривает, как справедливо присвоить заслуги отдельным игрокам на основе их реального вклада в общую цель команды - победу в игре. Применительно к маркетинговой атрибуции он пытается справедливо смоделировать, насколько каждый маркетинговый канал (игрок), работающий в коалиции с другими каналами, способствует достижению цели маркетолога по стимулированию конверсий.

Алгоритм Shapely вычисляет условную вероятность того, что каждый канал повлияет на конверсию. Он сравнивает вероятность конверсии потребителей, подвергшихся воздействию нескольких точек соприкосновения, с вероятностью конверсии, когда одна из этих точек соприкосновения не встречается на пути. Также учитывается последовательность событий. Эта модель используется в нескольких инструментах атрибуции, включая Google Campaign Manager и Doubleclick.

Давайте сначала рассмотрим простой пример и посмотрим, как алгоритм Shapely моделирует атрибуцию. Мы предполагаем, что в гипотетической кампании мы достигли следующих 45 конверсий:

  • 5 клиентов совершили конверсию после взаимодействия с рекламой исключительно на Facebook
  • 10 клиентов совершили конверсию после взаимодействия с рекламой исключительно в Google
  • 30 клиентов совершили конверсию после просмотра нескольких объявлений в Facebook и Google

Проблема заключается в том, как точно соотнести 30 конверсий, для которых было несколько точек взаимодействия как в Google, так и в Facebook.

В этом простом примере алгоритм Shapely может распределить долю от общего числа 45 конверсий следующим образом:

  • 25 Facebook
  • 20 Google

Полную математику алгоритма Shapely для атрибуции см. в этой статье специалиста по обработке и анализу данных Реды Аффейн

При использовании модели атрибуции, основанной на данных, быстро становится ясно, что результатом могут быть очень разные маркетинговые стратегии и инвестиционные решения.

В нашем примерном сценарии оказывается, что влияние Instagram в середине пути к покупке оказало гораздо большее влияние, чем оценивалось любой другой моделью. В сценариях, где Instagram не присутствовал, вероятность конверсии была намного ниже, поэтому Instagram получает гораздо больший вес. Противоположный случай был в случае с Amazon, где покупатель просто перепроверял функции перед покупкой, и реклама, увиденная там, имела мало вероятного влияния. При подходе, основанном на данных, каждому объявлению присваивается соответствующий вес, который затем можно использовать для влияния на будущие стратегии назначения ставок и бюджета.

Основное преимущество использования рациональных подходов к атрибуции заключается в том, что, в отличие от подходов, основанных на правилах, они постоянно развиваются на основе реальных рыночных данных. В течение нескольких часов становятся доступными сигналы атрибуции для различных компонентов кампании, после чего на эти компоненты воздействуют с помощью различных рекламных стратегий. Затем модели сбрасываются и снова начинают работать. Происходит постоянная и быстрая эволюция динамики кампании.

Начиная

Хотя все это относительно сложно, сегодня у маркетологов нет иного выбора, кроме как заняться проблемой маркетинговой атрибуции. Шаги к началу работы состоят из трех частей и не так уж сложны.

  1. Во-первых, есть ли у вас подходящее решение для отслеживания, которое точно и детально отслеживает взаимодействие пользователей по всем каналам и платформам?
  2. Во-вторых, сравниваете ли вы результаты атрибуции для своих кампаний с использованием различных моделей? Это будет очень поучительно для принятия четких решений о том, какие модели вы решите использовать.
  3. Наконец, разработали ли вы рабочие процессы, позволяющие быстро, предпочтительно в режиме реального времени, адаптировать маркетинговые стратегии и инвестиции к результатам ваших моделей атрибуции?

Выяснение того, как отнести доход к кампаниям на разрозненных маркетинговых платформах, суждено оставаться в повестке дня маркетологов в ближайшие годы; особенно если учесть потенциальное влияние на маркетинговый комплекс новых рекламных решений, таких как Amazon.

Успешные маркетологи должны иметь доступ к надежным, основанным на фактических данных данным, чтобы принимать обоснованные решения о том, куда и как лучше инвестировать бюджет. Самое главное, им нужно будет найти более эффективные способы автоматизации оптимизации производительности на разных платформах.

Если вы хотите узнать больше о том, как Bionic может помочь вам с атрибуцией и оптимизацией, свяжитесь с нами.

Отлично начать с нашего опроса и узнать, насколько вы соответствуете требованиям по атрибуции.