Как выбрать и протестировать модель атрибуции

Когда перед маркетологом стоит задача привлечь определенное количество конверсий без превышения бюджета, он должен убедиться, что применяемая им модель атрибуции помогает ему принимать правильные решения и понимать логику модели. На этом пути можно сделать много ошибок, что приведет к потере времени и денег.

В этой статье мы собрали информацию, которая поможет вам сравнить и применить современные модели атрибуции, чтобы вывести маркетинг вашей компании на новый уровень.

Поскольку пользователи могут взаимодействовать с несколькими рекламными кампаниями, вам необходимо применить модель атрибуции, чтобы оценить количество и ценность конверсий, полученных в результате каждой кампании. Модель атрибуции позволяет распределить ценность конверсии между кампаниями, с которыми взаимодействовал пользователь, прежде чем совершить конверсию.

Что мы ожидаем от модели атрибуции? Оно должно быть точным и понятным. Но большинство известных моделей удовлетворяют только одному из этих требований.

Например, самая популярная модель атрибуции «последнее касание» (последний клик, последний непрямой клик) вполне понятна: вся ценность отдается последней кампании. Но у него есть очевидный недостаток: он игнорирует вклад всех кампаний, кроме последней.

Многие люди используют связанные конверсии , особенно для оценки кампаний в контекстно-медийной сети. Эта модель также достаточно ясна: она определяет ценность конверсии для каждой кампании, с которой взаимодействовал пользователь. Но такая оценка крайне неточна, так как учитывает только наличие кампании в цепочке и игнорирует степень ее влияния.

Например, кампании охвата получают ценность всех конверсий пользователей, которые видят баннеры кампании. В результате количество атрибутивных конверсий значительно превышает фактическое количество конверсий.

Современные сервисы отдают предпочтение точности и разрабатывают вероятностные модели атрибуции . Например, Google продвигает модель Data-Driven, Facebook — Conversion Lift, а Nielsen — Campaign Lift.

Эти модели используют общий подход: они измеряют, в какой степени определенная кампания повысила вероятность конверсии, и соответственно определяют ее ценность. Это делает оценку более объективной, но оставляет много открытых вопросов для рекламодателей, поскольку модели выглядят как черный ящик, а возможности отладки ограничены или отсутствуют вовсе.

В OWOX мы разрабатываем вероятностную модель атрибуции с 2015 года. Модель атрибуции OWOX основана на машинном обучении. Он оценивает рекламные кампании на уровне сеанса пользователя, учитывает их вклад в воронку и позволяет маркетологам указывать управляемые каналы и окно конверсии, а также подключать данные CRM.

Недавно мы запустили новую версию модели атрибуции OWOX BI, которая объединяет лучшие практики и дает важные бизнес-преимущества:

1. Модель определяет вклад кампаний на основе вероятности конверсии и не требует ручного выбора шагов воронки. В приведенном ниже примере в первом сеансе с канала контекстной рекламы у пользователя была вероятность конверсии 20%; во второй сессии из канала Ретаргетинг вероятность увеличилась до 70%; а на третьем сеансе пользователь совершил конверсию.

Ценность каждого сеанса равна увеличению вероятности конверсии пользователем по сравнению с предыдущим сеансом. В таком случае:

• первый сеанс с платного поиска получит 20% от ценности конверсии, так как увеличил вероятность с 0% до 20%
• второй сеанс с ретаргетингом получит 50% ценности конверсии, так как увеличил вероятность с 20% до 70%
• третья сессия с электронной почтой получит оставшиеся 30% ценности конверсии

В любой вероятностной модели атрибуции самое главное — это точность предсказания вероятности конверсии. Алгоритмы машинного обучения OWOX BI чрезвычайно точны, что подтверждают результаты, полученные iProspect и Eldorado, которые использовали эти алгоритмы для достижения увеличения ROI в 2,2 раза.

2. Второе преимущество новой версии модели атрибуции OWOX — возможность прогнозировать ценность даже тех сессий, которые еще не привели к конверсии:

Этот прогноз позволяет узнать, сколько конверсий от рекламной кампании вы можете ожидать получить в будущем, если отключите кампанию сегодня.

Это позволяет вам быстрее принимать решения об отключении неэффективных кампаний и не отключать отложенные кампании по ошибке.

Точность предсказания модели зависит не только от алгоритмов, но и от размера обучающей выборки. Увеличение скорости и качества прогнозирования модели OWOX было достигнуто за счет обучения модели на десятках тысяч проектов.

3. Самое главное, чтобы логика расчетов была максимально прозрачной и учитывала любые особенности конкретного бизнеса, мы сделали код преобразования данных открытым для всех клиентов. Вы можете самостоятельно вносить изменения в код, а OWOX BI позаботится о регулярном обновлении данных, объединит расходы на рекламные кампании и предоставит все необходимые отчеты. Вы можете узнать о преимуществах преобразования данных в dbt (инструмент построения данных), подписавшись на демонстрацию.

При оценке кампаний с использованием разных моделей атрибуции можно ожидать разных результатов. Поэтому неизбежно возникает вопрос: какую модель атрибуции выбрать и какая показывает правильный путь?

По сути, маркетологу не нужен компас, указывающий влево или вправо, а нужна полноценная навигационная система, которая рассчитывает и рекомендует маршруты с учетом пробок и требуемого времени прибытия. Это модель атрибуции, которая позволяет бизнесу достигать цели на основе конкретных рекомендаций.

Более того, управление рекламным бюджетом без учета пропускной способности канала может завести вас в тупик, как компас, не учитывающий ландшафт. Большинство маркетологов знают, что низкой цены за конверсию недостаточно, чтобы принять решение об увеличении бюджета. Например, у брендовых кампаний может быть низкая цена за конверсию, но они исчерпали свои возможности, поэтому увеличение бюджета не приведет к увеличению конверсий.

На приведенном выше графике показано, как количество конверсий в кампаниях A и B зависит от бюджета, вложенного в эти кампании. Обратите внимание, что текущая цена за конверсию кампании А меньше, чем у кампании Б. Но следующая конверсия в канале А будет стоить дороже, чем в канале Б!

Поэтому для применения атрибуции нужно знать не только текущую эффективность канала, но и то, как изменится общий результат, если увеличить или уменьшить бюджет на каждый канал, кампанию и ключевое слово.

Имея такую ​​модель в своем проекте, команда маркетинга может выбрать подходящую стратегию роста:

1. Получите такое же количество конверсий, сократив бюджет.
2. Увеличение количества конверсий при том же бюджете.
3. Увеличьте количество конверсий с той же ценой за конверсию.

Это позволяет сразу получить не только рекомендации по перераспределению бюджета, но и прогнозируемый результат.

Остается главный вопрос: как узнать кривую емкости для каждого ключевого слова? В OWOX BI мы используем рыночные данные десятков тысяч проектов для обучения модели, которая отвечает на этот вопрос, учитывая регион и нишу проекта. Исходя из нашего опыта, месячных данных даже по крупным проектам недостаточно для получения качественного прогноза.

Основные выводы:

1. Модель атрибуции оценивает рекламные кампании, но не дает рекомендаций по перераспределению рекламного бюджета.
2. Чтобы получить рекомендации, нужно знать мощность кампаний и стратегию продвижения.
3. Лучшая модель атрибуции — это модель, основанная на рекомендациях, которая позволяет вашему бизнесу достичь определенной цели.

Особого внимания (и статей) заслуживают способы увеличения пропускной способности канала (медиа) и распространенные ошибки в постановке целей агентствам (последний клик). Напишите в комментариях, о чем бы вы хотели прочитать в наших следующих статьях.

Если вы хотите узнать больше о модели атрибуции OWOX, запишитесь на демонстрацию. Мы будем рады ответить на все ваши вопросы.