12 причин выбрать OWOX BI ML Funnel Based Attribution

Материалы для скачивания
262.14 Kb

Задача атрибуции — оценить эффективность рекламных каналов и кампаний. Выявить, какие из платных каналов трафика приводят пользователей к конверсии, а какие — нет. Зная это, вы можете перераспределить рекламный бюджет в пользу эффективных каналов, перестать тратить деньги на неэффективные, и в итоге получить больше конверсий.

От качества и достоверности модели атрибуции, которую вы используете, напрямую зависит выполнение плана продаж и рост бизнеса. Проблема в том, что большинство заказов совершаются не за одну сессию, то есть перед покупкой пользователь посещает сайт несколько раз. Поэтому для объективного распределения ценности конкретного заказа — выручки или прибыли — нужно оценивать каждую сессию, а не только последнюю. Большинство же стандартных моделей атрибуции не учитывают все действия пользователя перед заказом и отдают его ценность одному каналу в цепочке. Или оценивают каналы по условному правилу, а не по реальным заслугам.

Поэтому мы в OWOX BI создали собственную модель ML Funnel Based Attribution, которая учитывает все действия пользователей в онлайне и офлайне, реальную прибыль из CRM, а также показывает взаимное влияние каналов на конверсию и продвижение пользователя по воронке.

В этой статье мы подробно расскажем о задачах, которые вы можете решить с помощью атрибуции от OWOX BI.

Наши клиенты
растут на 22% быстрее

Растите быстрее, анализируя, что лучше сработает в вашем маркетинге

Измеряйте KPI, находите зоны роста и увеличивайте свой ROI

Записаться на демо

Содержание

Что такое атрибуция и зачем она нужна

Для начала освежим в памяти теоретические знания.

Атрибуция — это распределение ценности от конверсии между каналами, которые продвигали пользователя по воронке. Она помогает ответить на вопрос, в какой мере каждый из каналов повлиял на продвижение пользователя по воронке и ту прибыль, которую вы получили в итоге.

Модель атрибуции — это логика распределения ценности по усилиям, которые обеспечили ее достижение. Например по рекламным каналам и кампаниям, которые помогли привлечь пользователей. В идеале используемая модель атрибуции должна быть достоверной (учитывать объективный вклад каждого усилия) и прозрачной (давать возможность понять и проверить результаты расчета).

Кому и зачем нужна атрибуция

Атрибуция нужна тем, кто управляет бюджетом на маркетинговые каналы и хочет эффективно его распределить, чтобы снизить расходы, увеличить доход и выполнить план продаж.

Читайте также: что такое атрибуция и как она помогает компаниям, разбор типичных ошибок и сложностей для маркетологов и аналитиков в работе с атрибуцией.

Стандартные модели атрибуции в Google Analytics

  1. По первому клику (First Interaction/First Click). Вся ценность, полученная от конверсии, атрибутируется на первый источник, который привел пользователя.
  2. По последнему клику (Last Interaction/Last Click). Вся ценность от конверсии достается последнему каналу, с которым соприкоснулся пользователь перед конверсией.
  3. По последнему непрямому клику (Last Non-Direct Click). Вся ценность конверсии присваивается последнему каналу в цепочке, но, если это прямой заход (direct трафик), то ценность атрибутируется на предыдущий источник.
  4. Линейная (Linear). Ценность от транзакции распределяется поровну между всеми источниками в цепочке.
  5. С учетом давности взаимодействия (Time Decay). Ценность от транзакции распределяется между каналами по нарастающей.
  6. На основе позиции (Position Based). БОльшую ценность — по 40% — получают два источника: тот, что познакомил пользователя с брендом и тот, что закрыл сделку. Оставшиеся 20% делятся поровну между всеми каналами в середине воронки.

Модели атрибуции в рекламных сервисах

В разных рекламных сервисах и аналитических системах доступны разные модели атрибуции.

Last Non-Direct ClickPosition BasedProbabilisticPost-ClickPost-ViewCross-DeviceOnline-Offline
Google Ads
Google Display & Video 360
Google Search Ads 360
Яндекс.
Директ
myTarget
Facebook Ads
Google Analytics
Google Analytics 360
Яндекс.
Метрика

Большинство сервисов используют Last Non-Direct Click, часть из них предоставляет Post-View или Cross-Device и т. д. Но между собой они остаются несравнимыми. Facebook меряет рекламу по-своему, в Google Ads другой подход, в Яндекс. Директ — третий. В результате невозможно получить общую картину в отношении всех рекламных инструментов.

Читайте также: основные принципы, плюсы и минусы большинства известных моделей атрибуции. Как выбрать модель, максимально подходящую вашему бизнесу.

Когда не подходят стандартные модели атрибуции

  • Когда большинство заказов на вашем сайте совершается не за одну сессию, то есть в цепочке перед транзакцией было два и более визита.
  • Если у вас большое количество разных рекламных источников.
  • Вам нужно оценить взаимное влияние каждого из каналов на продвижение по воронке.
  • Вы хотите понимать, как работают рекламные каналы в связке.
  • У вас сложная и непоследовательная воронка продаж.

Чтобы оценить взаимное влияние всех источников, нужно объединять данные из разных рекламных сервисов, Google Analytics, CRM и использовать более сложные модели атрибуции: Data-Driven в Google Analytics 360, Цепи Маркова, Вектор Шепли или кастомные алгоритмы. Но у этих решений также есть свои ограничения. Например, минимальный объем данных, необходимый для расчета, невозможность учитывать post-view конверсии и подключить данные из CRM, скрытая логика расчетов, сложное и дорогое внедрение и т. д.

Обойти все эти ограничения вам поможет ML Funnel Based Attribution от OWOX BI.

Как работает ML Funnel Based Attribution

Модель атрибуции OWOX BI оценивает эффективность ваших рекламных кампаний, учитывая вклад каждого канала в продвижение клиента по конверсионной воронке. С ее помощью вы сможете решить, к примеру, такие задачи:

  • Справедливо распределить рекламный бюджет с учетом реального вклада каналов на конверсию и их взаимного влияния.
  • Снизить ДРР при увеличении дохода.
  • Увеличить количество новых клиентов при сохранении бюджета.
  • Увеличить количество целевых пользователей с медийных кампаний при сохранении бюджета.

Расчет модели в OWOX BI происходит на основе цепей Маркова и машинного обучения. Цепь Маркова — череда событий, в которой каждое последующее событие зависит от одного предыдущего. Атрибуция на основе цепей Маркова — это вероятностная модель, которая через расчет вероятностей переходов между шагами воронки позволяет оценить взаимное влияние шагов на конверсию и узнать, какой из них — самый значимый.

Для расчета вероятностей все шаги конверсионной воронки, указанные в настройках модели атрибуции OWOX BI, плюс шаг входа на сайт — представляются в качестве исходов в цепи Маркова. После этого происходит расчет вероятности перехода между этими исходами:

Цепи Маркова

На графике выше — упрощенный пример для лучшего понимания и наглядности. В реальных случаях переходов может быть намного больше, вплоть до полного графа.

Подробнее о расчете модели атрибуции OWOX BI читайте в нашем справочном центре.

Если вы хотите увидеть вживую, как работает атрибуция OWOX BI, запишитесь на демо. Наши коллеги покажут вам реальные примеры применения атрибуции и расскажут, чем она может быть полезна именно вашему бизнесу.

Что нужно для работы с ML Funnel Based Attribution

  1. Собирать сырые данные о поведении пользователей с сайта в Google BigQuery. Для этого вы можете использовать стриминг от OWOX BI или BigQuery Export для Google Analytics 360.
  2. Импортировать в Google BigQuery расходы из рекламных сервисов. Для этого вы можете с помощью OWOX BI дополнить статистику по Google Ads кампаниям в Google Analytics расходами из других рекламных сервисов, а затем импортировать всю информацию в Google BigQuery. Также вы можете использовать прямой импорт сырых данных из Яндекс. Директ и Facebook в BigQuery.
  3. По желанию вы можете дополнить данные в Google BigQuery информацией из своей CRM/ERP, колл-центра и других внутренних учетных систем. Это позволит вам использовать в расчетах атрибуции офлайн-продажи и фактическую прибыль из CRM. Также вы сможете использовать в качестве шагов воронки кастомные события: звонки, письма, личные встречи и т. д.
  4. В своем проекте OWOX BI создать модель атрибуции и запустить расчеты. Как это сделать читайте в подробном гайде.

Преимущества атрибуции OWOX BI

Большинство наших клиентов используют OWOX BI для объективной оценки действующих рекламных кампаний и планирования будущих. Это нужно, чтобы выполнить план по выручке с плановым ROAS.

Вот ключевые причины, почему мы уверены, что OWOX BI справляется с этой задачей лучше всех.

1. Анализируйте полные данные, в том числе офлайн-продажи и прибыль из CRM

Наша модель атрибуции строится на полных данных: показы медийной рекламы и post-view конверсии, действия пользователей на сайте, расходы из рекламных сервисов, транзакции из СRM и любые другие онлайн и офлайн-события. В результате вы видите всю картину взаимодействия пользователя с вашим бизнесом и учитываете влияние всех усилий маркетинга на бизнес-показатели.

Дело в том, что доход в Google Analytics и прибыль от выкупленных товаров в CRM очень часто не совпадают. С OWOX BI вы сможете измерить вклад онлайн-маркетинга в реальные продажи, используя в расчетах доход из физических магазинов и исполняемость заказов из вашей внутренней системы.

2. Получите объективную оценку рекламных каналов

В отличие от стандартных моделей атрибуции, наша модель учитывает каждый шаг пользователя в цепочке перед заказом, а не только последний клик. Чем сложнее пройти шаг, тем больше ценности получает сессия, которая помогла это сделать. А зная ценность сессий, мы можем рассчитать ценность кампаний и каналов с учетом их вклада в продвижение пользователя по воронке.

3. Настройте воронку под свой бизнес

Мы уверены, что каждый бизнес индивидуален, и именно благодаря реализации своих уникальных преимуществ он может расти быстрее конкурентов. Поэтому в OWOX BI вы можете создать воронку, которая отвечает структуре именно вашего бизнеса.

Кроме действий пользователей на сайте, вы можете добавить в качестве шагов воронки любые кастомные события из CRM, коллтрекинга и других систем. Например, данные о звонках, личных встречах или отправленных письмах, загруженные в Google BigQuery. Так вы объедините в одной воронке все усилия бизнеса, направленные на конверсию пользователей, и более точно оцените их эффективность.

Настройка шагов воронки в OWOX BI

4. Узнайте, как работает каждый из каналов на разных этапах воронки

Просто получить комплексную оценку рекламных кампании недостаточно — оценку необходимо разделить на этапы знания, вовлечения и конверсии аудитории (модель AIDA). Когда в команде маркетинга больше одного человека, вы должны понимать, на каком из этапов маркетинг работает недостаточно эффективно и где нужно больше усилий.

Например, с OWOX BI вы можете увидеть, что кампании почти не формируют Awareness:

Ценность кампаний по шагам воронки

Как следствие, кампании, призванные работать на следующих этапах воронки, могут выглядеть неэффективными. Оценка ROAS существующих кампаний может показать как перераспределить бюджет между ними, но не вскроет нехватку усилий на верхнем этапе воронки. OWOX BI даст вам понимание того, на каком этапе воронки необходимо приложить усилия в первую очередь.

5. Оценивайте только управляемые каналы

Ни один алгоритм не заменит накопленный вами опыт. Например, вы наверняка знаете, что емкость брендовых кампаний исчерпана и их высокий ROAS не говорит о том, что в них необходимо больше инвестировать.

Поэтому в OWOX BI вы можете легко указать каналы, которые не будут участвовать в оценке:

Исключение из атрибуции неуправляемых каналов

В результате вы получите оценку именно тех кампаний, которыми объективно можете управлять. Важно, что вы можете сделать это в любой момент в удобном интерфейсе, не обращаясь к разработчикам или поддержке.

6. Оценивайте каналы привлечения для разных когорт пользователей

OWOX BI рассчитывает ценность каждой сессии. Благодаря этому вы сможете настроить модели атрибуции под разные когорты пользователей. Посчитать ROI/ROAS для новых и вернувшихся пользователей и сравнить рентабельность когорт.

Атрибуция когорт пользователей

К примеру, мобильные операторы могут оценивать вклад рекламных кампаний в продажи дополнительных услуг текущим клиентам (когорта «текущие клиенты»).

А компании из ниши fashion retail могут оценить отдельно First Time Buyers и Next Time Buyers и узнать, какие каналы лучше драйвят новых для бизнеса клиентов.

Также, зная стоимость сессии, вы сможете посчитать, сколько тратите и сколько зарабатываете на каждой из групп товаров. Оценить эффективность рекламы для разных регионов, посадочных страниц, мобильных версий и приложений.

Читайте также: как группировать расходы и доход по любым свойствам сессий с помощью OWOX BI.

7. Прозрачный алгоритм расчетов

Мы уверены, что важно не просто дать оценку кампаний, но и сделать ее прозрачной для бизнеса. Иначе любая оценка черным ящиком будет вызывать сомнения и не позволит найти ошибки в ее настройке.

Поэтому в OWOX BI вы можете увидеть для каждой транзакции, как ценность распределена по кампаниям, с которыми взаимодействовал пользователь:

Ценность транзакции по кампаниям

Ошибки и неправильные выводы, полученные из-за попыток применения машинного обучения на недостаточном количестве данных могут очень дорого обойтись бизнесу. Поэтому наш алгоритм автоматически проверяет и контролирует статистическую значимость при расчетах. Кроме этого, ваши аналитики получают полный доступ к таблице, в которой приведены доверительные интервалы для каждого сегмента. Благодаря этому вы можете быть уверены в результатах и понимать, как они получены.

8. Машинное обучение в модели атрибуции OWOX BI

Эффективность онлайн-маркетинга все больше зависит не от используемых технологий, а от качества данных, на которых обучаются модели. Поэтому атрибуция «в собственном соку» проигрывает моделям, построенным с использованием рыночных данных.

Продукт OWOX BI имеет возможность использовать данные десятков тысяч проектов, чтобы модель машинного обучения учитывала эти знания в предсказательных функциях.

Кроме этого, к эффективной модели атрибуции можно предъявить следующие требования:

  1. Данные для расчетов надо качественно готовить — нельзя просто пропустить через машинное обучение данные, собранные javascript трекером. Поэтому BigQuery ML подходит для экспериментов, но не для промышленного применения.
  2. Нужно учитывать информацию о взаимодействии с верхней частью воронки — показы медийной рекламы. Для этого мы разработали OWOX BI Post-View Pixel, который позволяет на уровне пользователя измерить показы медийной рекламы. Также мы сделали интеграцию с Google Ads Data Hub, который позволяет в BigQuery запрашивать информацию из DCM и некоторых других источников, чтобы бизнес учитывал и прозрачно оценивал вклад медийной рекламы на верхних этапах воронки.
  3. Модель должна учитывать экспертное мнение:
    1. Какие из каналов управляемые.
    2. Какая емкость каналов.
    3. Какова роль канала в воронке.
    4. Какое конверсионное окно.

Модель атрибуции OWOX BI всем этим требованиям соответствует.

9. Нет ограничений на минимальный объем данных

Data-Driven атрибуция в Google Analytics 360 предъявляет высокие требования к объему данных: 400 конверсий каждого типа с длиной пути не менее двух взаимодействий. OWOX BI за счет динамической группировки событий по стадиям воронки работает с меньшими объемами данных и подходит гораздо большему числу компаний. При этом статистическая значимость расчетов автоматически контролируется на уровне когорт пользователей, поэтому вы можете быть уверены в результатах и убедиться в них в таблице с результатами расчетов.

10. Получайте готовые отчеты в OWOX BI Smart Data

В OWOX BI Smart Data вы можете строить отчеты на данных атрибуции без помощи аналитиков и знаний SQL. После расчета модели атрибуции в Smart Data автоматически появятся отчеты по доходу, количеству конверсий, ROI, ROAS или ДРР в разрезе добавленных вами событий. Также вы можете создавать собственные отчеты с помощью удобного конструктора — просто выберите параметры и показатели, которые хотите видеть в отчете. Сервис мгновенно выдаст в ответ понятный график и таблицу.

Вот несколько примеров готовых отчетов по данным атрибуции, которые вы можете получить в Smart Data:

Результаты расчетов по Last Non-Direct Click и ML Funnel Based Attribution

Этот отчет позволяет сравнить результаты расчетов разных моделей атрибуции. В нашем случае это Last Non-Direct Click, которая используется в Google Analytics, и ML Funnel Based Attribution от OWOX BI. Вы можете увидеть атрибутированный доход и ROAS по каналам, кампаниям, типам пользователей, регионам, городам и устройствам. У кампаний, которые переоценены, разница отрицательная. У недооцененных — положительная. Например, на скриншоте выше мы видим, что канал yandex/display был недооценен и в него стоит вкладывать больше усилий.

Как распределилась ценность источников и каналов по шагам воронки

Следующий отчет показывает, как распределилась ценность источников и каналов по шагам воронки. Из примера выше мы видим, что наибольшее количество покупок (светло-зеленая полоска) совершается офлайн.

Кроме событий вы можете добавлять в отчеты другие параметры, например, тип пользователей — новые или вернувшиеся:

Как распределены расходы, шаги воронки и выкупленные заказы по когортам клиентов

Отчет выше показывает, как распределены расходы, шаги воронки и выкупленные заказы по когортам клиентов. С его помощью вы сможете определить, какие каналы и кампании привлекают транзакции от новых клиентов, и запланировать распределение бюджета на них. Эти кампании помогут вам увеличить клиентскую базу.

11. Используйте данные атрибуции для управления рекламными ставками и аудиториями

С OWOX BI вы можете создавать автоматически обновляемые сегменты аудитории на основе любых ваших данных и загружать их в Яндекс. Аудитории и Google Ads. Кроме того, вы можете автоматически отправлять результаты расчетов атрибуции в биддинговые сервисы K50 и Alytics, а также в Google Ads и Facebook, чтобы управлять ставками с учетом реальной эффективности вашей рекламы.

12. Зрелый продукт — гарантированный результат

Выступив пионерами в развитии атрибуции на основе воронки, мы собрали уникальный опыт, доступный нашим клиентам в десятках статей и документации. Кроме того, мы готовы гарантировать в договоре соблюдение уровня качества сбора и обработки данных (SLA) выше 96%.

С OWOX вы получите не просто красивую идею об использовании машинного обучения в маркетинге, но и пошаговые руководства, практические рекомендации и примеры успешных кейсов.

Узнайте, как атрибуция OWOX BI поможет вашему бизнесу. Запишитесь на демонстрацию продукта, чтобы оценить возможности наших продуктов.

Записаться на демо