Атрибуция на основе воронки

 
4.8

Модель атрибуции, используемая в вашем проекте, лежит в основе оценки рекламных каналов и управления маркетинговым бюджетом. Поэтому от качества и достоверности используемой модели атрибуции напрямую зависит выполнение плана продаж и рост бизнеса.

Если ваша модель атрибуции дает вам неверные цифры, то при управлении рекламными кампаниями вы наверняка сталкиваетесь с неожиданным увеличением CPA или падением ROAS.

В предыдущей статье мы подробно рассмотрели недостатки общеизвестных моделей атрибуции. В этой статье мы рассмотрим логику и преимущества атрибуции на основе данных о прохождении покупателем воронки заказа. Это поможет вам получить объективную оценку рекламных кампаний с учетом их взаимного влияния.

Задача

Даже в стандартном Google Analytics легко увидеть, что в первую сессию заказ размещает меньшая часть покупателей:

Отчет Google Analytics о длинах последовательности

Поэтому для объективного распределения ценности конкретного заказа — выручки или прибыли — нужно оценивать каждую, а не только последнюю сессию покупателя. Получив оценку на уровне сессии, мы легко сможем узнать настоящую ценность рекламных кампаний. Для этого достаточно будет объединить сессии по одинаковым рекламным кампаниям.

В результате, если пользователь перед размещением заказа взаимодействовал с несколькими рекламными кампаниями, свою часть ценности от этого заказа получит каждая из них.

Ключевой вопрос в том, как именно распределить ценность конкретного заказа по сессиям, которые к нему привели?

Решение

Чтобы решить задачу атрибуции, вспомним, что заказ не является самостоятельной целью — в любом бизнесе есть воронка перед заказом. В интернет-магазине обычно выделяют следующие шаги: полезный визит Полезный визит — это такой визит, в котором пользователь просмотрел 2 и более страницы либо совершил интерактивное действие. Эти визиты не увеличивают показатель отказов. , просмотр товара, добавление в корзину и оформление заказа.

Шаги воронки заказа в интернет-магазине

Эффективность рекламных кампаний на различных этапах воронки разная. Например, дисплейная реклама хорошо привлекает новых посетителей в начале воронки, ретаргетинг в середине воронки возвращает их, а email-рассылки в конце мотивируют завершить покупку.

Поэтому необходимо оценивать каждый шаг прохождения воронки пользователем, а не только последний, то есть покупку. Это позволит нам рассчитать ценность даже тех сессий, в которых не был размещен заказ, но которые помогли пройти один из шагов.

Порядок расчетов будет следующий:

  1. Рассчитываем ценность прохождения каждого шага воронки.
  2. На основании ценности шагов воронки определяем ценность сессий, которые помогли их пройти.
  3. Объединяем сессии по рекламным кампаниям и получаем ценность рекламных кампаний.

Теперь, для того чтобы определить ценность прохождения шагов воронки, вспомним еще одну важную деталь — не все шаги пройти одинаково легко. Например, на рисунке ниже видно, что вероятность просмотра карточки товара больше, чем добавления товара в корзину. Вероятность (выделена красным) показывает, какая доля пользователей переходит с предыдущего шага на данный. Чем сложнее пройти данный шаг, чем меньше вероятность и, соответственно, тем выше должна быть ценность сессии, которая помогла это сделать.

Вероятности прохождения шагов воронки заказа

Здесь и далее для наглядности мы приводим расчеты для одной из тысяч возможных воронок пользователей.

  1. Безусловно, на любом сайте сотни различных сегментов пользователей и вероятности прохождения воронок каждым из них разные. Например, вероятности отличаются в зависимости от региона пользователя и его типа — новый или вернувшийся.
  2. Важно: при формировании воронок нужно использовать свойства только пользователей. Ошибкой будет использовать свойства сессий (например, тип устройства) или рекламных кампаний (например, ключевое слово). Причина в том, что один пользователь может использовать несколько устройств по пути к заказу или приходить по разным ключевым словам. Нам же важно сравнить эффективности использования рекламного бюджета между различными рекламными кампаниями.

Рассчитать ценность шагов на основе вероятности их прохождения можно разными методами. Мы провели сотни экспериментов и остановились на методе, который показывает очень хорошую устойчивость к  зашумленным данным Искаженные или неполные данные в системах веб-аналитики. Без специальной обработки выводы, сделанные на их основе, будет неточными. и отличные результаты на проектах даже с небольшой посещаемостью.

Суть метода в том, что каждый шаг получает количество баллов, равное 1 — вероятность прохождения этого шага. Чем меньше вероятность, тем больше баллов получит шаг. Ценность шага рассчитывается как доля его баллов в сумме баллов всех шагов:

Логика расчета ценности шагов воронки

Обратите внимание:

  • Все расчеты основаны реальном поведении пользователей и будут отличаться для каждого конкретного сайта и сегмента пользователей. Это избавляет от человеческих ошибок, когда модель атрибуции строится «по ощущениям».
  • Чем ниже вероятность прохождения определенного шага, тем большую долю ценности он получает. В нашем случае шаг добавления в корзину, который пройти пользователям сложнее всего, получил 36% ценности заказа.
  • Общая атрибутированная ценность всегда равна 100%. В отличие от методов оценки с помощью ассоциированных конверсий или индивидуальных моделей атрибуции, мы не распределили ценность большую, чем заработали.
  • Легко заметить, что вероятность полезного визита равна 1 – показатель отказов. Поэтому для сегментов новых покупателей ценность первого визита будет выше, чем для вернувшихся. Что полностью соответствует интересам бизнеса.

На рисунке ниже зеленым выделена доля ценности за прохождения каждого из шагов воронки.

Результат распределения ценности по шагам воронки

Теперь, когда мы знаем ценность шагов воронки, нам нужно оценить каждую сессию. Сделать это очень просто: ценность сессии равна сумме ценностей шагов, которые были в ней пройдены впервые.

Ценность получают только все сессии, которые помогли пользователю пройти один из шагов воронки, а вся цепочка в итоге привела к заказу. Зная источник каждой сессии, нам осталось сгруппировать их по рекламных кампаниям. В результате мы получим ценность рекламных кампаний с учетом их влияния на прохождение каждого, а не только последнего шага воронки.

Результаты

Ценность (доход или прибыль от заказов), которую получат рекламные каналы в результате атрибуции на основе воронки, будет заметно отличаться от результатов Last Non-Direct Click атрибуции на основе последнего значимого источника.

Причина очевидна — при атрибуции на основе последнего значимого источника всю ценность заказа получала только одна сессия. Например, если пользователь впервые попал на сайт благодаря Display каналу, вернулся и увидел нужный товар благодаря ретаргетингу, но заказ оформил после перехода по ссылке из письма, то 100% ценности при этом получал Email канал. При атрибуции, учитывающей влияние на воронку, ценность от заказа будет распределена между каналами, участвовавшими на каждом из этапов воронки.

Отличие в атрибутированной ценности будет еще больше, если отчет построить на уровне рекламных кампаний, а не групп каналов: Причина более высокого отклонения в том, что внутри одного канала кампании могут по разному влиять на воронку и компенсировать друг друга. При отчете на уровне кампаний разница будет очевидна сразу.

Заключение

В основе описанного метода атрибуции лежат два убеждения:

  1. Цель бизнеса — провести покупателя по воронке к заказу.
  2. Чем сложнее пройти определенный шаг воронки, тем для бизнеса выше ценность того, что этот шаг пройден.

Надо отметить, что несмотря на то, что расчеты для одного сегмента или заказа легко воспроизводятся в Excel, произвести расчеты для всех посетителей сайта не получится. Причина в том, на сайте сотни разных сегментов. Не в каждом сегменте может быть достаточно данных для получения статистических значимых результатов, даже у сайтов с высокой посещаемостью. Поэтому для реализации модели не обойтись без программирования. По нашему опыту, для реализации лучше всего подходит сервис Google BigQuery, данные в который можно собирать в несемплированном виде даже пользователям бесплатной версии Google Analytics.

Что дальше? Вы можете оценить дополнительную ценность от модели атрибуции и узнать о  пошаговом плане ее внедрения.

Ответы на часто задаваемые вопросы

Открыть все Закрыть все
  • Как определить шаги воронки?

    Если у вас интернет-магазин, вам скорее всего подойдут шаги воронки из модуля Enhanced Ecommerce Google Analytics. Для сайтов, принимающих заявки, можно выделить первый визит, просмотр страницы с описанием услуги, открытие формы заявки и ее успешную отправку.
  • Что делать, если у нас много разных воронок на сайте?

    Шаги любой воронки можно сопоставить этапам классической этапам покупки: осознание → интерес → рассмотрение → покупка. Таким образом, несколько разных воронок можно измерить единой моделью атрибуции.
  • Чем будут отличаться результаты расчета от Google Analytics?

    В отчетах Google Analytics по-умолчанию используется модель атрибуции по последнему значимому источнику — Last Non-Direct Click. Funnel Based атрибуция — атрибуция на основе воронки — назначает рекламным кампаниям иную ценность, чем в Last Non-Direct Click. Например, каналы, которые вносят вклад преимущественно в начале воронки, при Last Non-Direct Click атрибуции чаще всего остаются недооцененными. Funnel Based атрибуция учитывает вклад таких каналов, поэтому они получат больше ценности. В то же время, каналы, которые встречаются преимущественно в конце воронки, например Email-канал, получат меньше ценности, так при Last Non-Direct Click модели они забирали на себя ценность каналов, которые были перед ними.
  • Как использовать полученные результаты?

    Модель атрибуции на основе воронки позволяет измерять эффективность рекламных каналов в привычных показателях — ROAS, ROI, CPA. Поэтому полученные результаты используются в стандартных отчетах, где сравнивается эффективность рекламных каналов. Также результаты можно использовать для периодического расчета поправочных коэффициентов каждому из каналов. Такой коэффициент учитывает взаимное влияние каналов и может быть применим к оперативным отчетам, построенным по Last Non-Direct модели.
  • От чего зависит эффективность модели атрибуции?

    Эффективность модели атрибуции на основе воронки тем выше, чем больше каналов используют ваши покупатели по пути к заказу. Оценить дополнительную ценность от внедрения модели атрибуции на основе воронки вы можете благодаря стандартному отчету Multi-Funnel Channels в Google Analytics.
  • В чем преимущества модели атрибуции на основе воронки?

    1. Модель оценивает прохождение каждого шага воронки, а не только последнего.
    2. Ценность распределяется на основе данных о поведении реальных пользователей, а не субъективных предположений.
    3. Модель полностью прозрачна и позволяет легко проверить расчеты на уровне конкретного заказа.

Вас также могут заинтересовать