Оценка и оптимизация рекламных кампаний с моделью атрибуции OWOX BI: кейс MOYO

MOYO — национальная украинская сеть магазинов техники и электроники. MOYO представляет свои товары и услуги в 49 розничных магазинах по всей Украине, а интернет-магазин moyo. ua за месяц посещает более 3 миллионов людей.

Как интернет-ритейлеру, MOYO важно отслеживать эффективность рекламы и оптимизировать ее — получать больше конверсий, не увеличивая при этом расходы. Для этого нужно отсечь максимум нерелевантного трафика, тем самым уменьшив его общий объем, но повысив качество.

В этой статье маркетолог MOYO Александр Державский рассказывает, как его команда оценивает эффективность рекламных кампаний, применяя и сравнивая разные модели атрибуции — Last Non-Direct Click в Google Analytics (влияние последнего взаимодействия покупателя с рекламой) и модель атрибуции OWOX BI (каждое действие пользователя в конверсионной воронке).

Оценка и оптимизация рекламных кампаний

Наша команда работает с такими типами рекламных кампаний:

  • Медийная реклама;
  • Поисковая реклама;
  • Ретаргетинг.

Для каждого типа мы рассчитываем долю расходов на рекламу (ДРР) — фактическую долю расходов в товарообороте и среднее значение — например среднюю долю расходов Х% от всего товарооборота.

После этого, по каждой кампании анализируем потенциальное отклонение значения ДРР в товарообороте от среднего, чтобы выделить кампании, в которых есть сильные отклонения.

Их мы разбиваем до товара и смотрим значение доли расходов в обороте на уровне каждого товара. Так, например, мы можем видеть, что среднее значение ДРР — Х%, но у отдельных кампаний или товаров — Х+5%.

Тут мы обозначаем максимально допустимое отклонение. Если ДРР превышает это значение, то мы считаем, что эти расходы неэффективны.

Также мы смотрим на маржинальность товара. Там, где она близка к нулю, а ДРР сильно отличается (на 10-50%) от среднего показателя (Х), мы либо отключаем эти кампании, либо анализируем их глубже — например, в разрезе регионов или пола / возраста / интересов пользователей. Такой анализ часто показывает, что реклама неэффективна только в определенном регионе или для определенной группы пользователей.

Проведя анализ, мы перенастраиваем или отключаем неэффективную рекламу.

Кампании, которые мы сочли эффективными — проверяем с помощью модели атрибуции Last Non-Direct Click. Если атрибуция показывает хорошие результаты по значению ДРР и обороту для этих кампаний, значит мы провели оптимизацию успешно.

Но при этом, мы понимаем, что реклама, которую мы сочли неэффективной, могла оказывать ассоциированное влияние на остальные кампании.

Такое влияние сложно обнаружить с моделью Last Non-Direct Click — модель присваивает ценность последнему взаимодействию пользователя с рекламой, и если пользователь изначально попал к нам через другой источник — с Last Non-Direct Click мы об этом не узнаем.

Поэтому мы решили проверить, влияют ли рекламные кампании друг на друга на ранних этапах пути пользователя к конверсии. Для проверки этой гипотезы мы использовали модель атрибуции OWOX BI.

Проверка эффективности рекламных кампаний с помощью модели атрибуции OWOX BI и отчетов OWOX BI Smart Data

Модель атрибуции ML Funnel Based Attribution от OWOX BI не только учитывает каждую сессию пользователя до покупки, но и все действия, которые пользователь совершил в сессии. Благодаря этому мы проанализировали не просто ассоциированное участие рекламных кампаний в продажах, но и качество этого участия.

Чтобы сравнить модели атрибуции и проверить эффективность источников трафика, мы построили отчеты в OWOX BI Smart Data на основе результатов расчета наших моделей атрибуции.

Отчеты показали, что отклонения по доходу между моделями Last Non-Direct Click и OWOX BI на самом деле незначительные — от 3% до 10%. В исключительных случаях расхождение между моделями было больше 10%, но подробный анализ источников трафика показал, что это ожидаемое значение.

Это подтверждает, что выбранная нами стратегия оптимизации — правильная.

Как мы сделали такой вывод? Отчеты показали, что кампании работают именно так, как мы и ожидали:

  • Медийные кампании генерируют первое касание с сайтом — ненавязчиво знакомят с брендом или товаром, но пользователь не делает в этих сессиях каких-то ключевых для бизнеса действий. Для нас это ожидаемо.
  • Товарные кампании в большинстве случаев находятся в середине воронки пользователя и хорошо стимулируют дальнейшее продвижение к конверсии.
  • Ремаркетинг отлично работает на закрытие сделок. То есть пользователь пришел по такой рекламе и совершил покупку.

Кампании дополняют друг друга и в большинстве случаев пользователи делали на сайте именно то, что мы от них ожидали в зависимости от рекламы, по которой они пришли на сайт.

Примеры отчетов

Отличие между моделями Last Non-Direct Click и ML Funnel Based Attribution

Отличие между моделями Last Non-Direct Click и ML Funnel Based Attribution

Это ключевой отчет. Вертикальная прямая здесь — значение по модели Last Non-Direct Click. Отклонения по горизонтали — отличие в атрибутированном доходе по модели ML Funnel Based Attribution в большую или меньшую сторону.

Именно этот отчет позволяет понять, есть ли кампании, которые недополучили ценность по LNDC или наоборот — получили больше, чем заслужили.

Если рекламная стратегия и настройки персонификации выполнены качественно, то расхождения между моделями должны быть небольшие — это мы и увидели в рамках анализа результатов расчета атрибуции OWOX BI.

Эффективность каналов трафика на разных шагах воронки

Эффективность каналов трафика на разных шагах воронки

Благодаря этому отчету мы узнали, какие каналы трафика приводят пользователей на разные этапы воронки.

Отчет показал, что рекламные кампании эффективны для тех этапов воронки, где мы этого ожидали: медийные — в начале воронки, товарные — хорошо стимулируют активность внутри воронки и более глубокую вовлеченность в товары, ретаргетинг — генерирует закрытие продаж.

Эффективность каналов трафика на разных шагах воронки (второй разрез)

Эффективность каналов трафика на разных шагах воронки

Если предыдущий отчет наглядно показывает влияние каналов трафика на определенные шаги воронки, то этот отчет удобно использовать для анализа эффективности этих каналов трафика. Благодаря ему можно увидеть, какие каналы работают эффективно, и на какие каналы нужно обратить внимание при оптимизации.

Вывод

Модель атрибуции ML Funnel Based Attribution от OWOX BI предоставила нам альтернативный инструмент для анализа эффективности рекламных кампаний. Теперь мы используем ее наравне с моделью Last Non-Direct Click, учитывая особенности каждой из моделей.

Мы будем полагаться на такую аналитику и при планировании будущих маркетинговых стратегий — благодаря ей мы сможем оптимизировать кампании прямо на их старте.

Использованные инструменты