12 причин выбрать атрибуцию на основе воронки OWOX BI ML

Цель атрибуции — оценить эффективность рекламных каналов и кампаний и определить, какие каналы платного трафика приводят к конверсиям. Зная это, вы сможете перераспределить свой рекламный бюджет на эффективные каналы, перестать тратить деньги на неэффективные каналы и в итоге получить больше конверсий.

Ваш успех в выполнении плана продаж и развитии вашего бизнеса зависит от качества и достоверности вашей модели атрибуции. Проблема в том, что большинство конверсий происходит в результате более чем одного сеанса: перед покупкой пользователь заходит на сайт несколько раз. Поэтому, чтобы объективно распределить значение выручки или прибыли по конкретному заказу, нужно оценивать каждую сессию, а не только последнюю. Большинство стандартных моделей атрибуции не учитывают все действия пользователя перед заказом и отдают всю его ценность одному каналу в цепочке. Или оценивают каналы по условному правилу, а не по реальным заслугам.

В OWOX BI мы создали собственную модель атрибуции на основе машинного обучения (ML), которая учитывает все действия пользователей онлайн и офлайн, а также данные о реальных доходах из вашей CRM и показывает взаимное влияние каналов на конверсии и продвижение пользователей через воронка.

В этой статье мы расскажем, что вы можете делать с OWOX BI Attribution.

Для начала освежим ваши теоретические знания.

Атрибуция — это распределение ценности от конверсии между каналами, которые продвинули пользователя по воронке. Он помогает ответить, в какой степени каждый канал повлиял на продвижение пользователя по воронке и на доход, который вы получили в итоге.

Модель атрибуции определяет логику распределения этой ценности — например, по рекламным каналам и кампаниям, которые помогли привлечь пользователей. В идеале ваша модель атрибуции должна быть надежной (учитывать объективный вклад каждого усилия) и прозрачной (давать возможность понять и проверить результаты расчета).

Кому нужна атрибуция и зачем?

Атрибуция нужна тем, кто управляет бюджетом каналов сбыта и хочет эффективно его распределить, чтобы сократить расходы, увеличить выручку и выполнить план продаж.

Стандартные модели атрибуции в Google Analytics

1. Первый клик. Вся ценность, полученная в результате конверсии, относится к первому источнику, который привел пользователя на путь к конверсии.
2. Последний клик. Вся ценность переходит к последнему каналу, с которым пользователь контактировал перед конверсией.
3. Последний непрямой щелчок. Все значение присваивается последнему каналу в цепочке. Если это прямой трафик, значение присваивается предыдущему источнику.
4. Линейный. Стоимость распределяется поровну между всеми источниками в цепочке.
5. Распад времени. Значение распределяется между каналами постепенно.
6. На основе позиции. Канал, познакомивший пользователя с брендом, и тот, который закрыл сделку, получают по 40% от ценности. 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.

Большинство сервисов используют модель последнего непрямого клика; некоторые предоставляют пост-просмотр, кросс-девайс или другие модели. Но эти модели нельзя сравнивать между сервисами: Facebook измеряет рекламу по-своему, а у Google Ads другой подход. В результате невозможно получить общую картину всех ваших рекламных инструментов.

Стандартные модели атрибуции не подходят, когда:

• большинство заказов на вашем сайте совершаются более чем за одну сессию — то есть перед транзакцией в цепочке есть два и более посещения
• у вас большое количество рекламных источников
• нужно оценить взаимное влияние каждого канала на воронкообразное продвижение
• вы хотите понять, как работают рекламные каналы в связке
• у вас сложная и непоследовательная воронка продаж.

Чтобы оценить взаимное влияние всех источников, вам необходимо объединить данные из разных рекламных сервисов, Google Analytics и вашей CRM и использовать сложные модели атрибуции: модель Data-Driven в Google Analytics 360, цепи Маркова, значение Шепли или индивидуальные алгоритмы. . Но у этих моделей есть и свои ограничения: минимальное количество данных, необходимых для расчетов, невозможность учесть постпросмотровые конверсии или объединить данные из вашей CRM, скрытая логика расчета, сложная и дорогая реализация и т. д.

Атрибуция на основе воронки машинного обучения от OWOX BI поможет вам избежать всех этих ограничений.

Модель атрибуции OWOX BI оценивает эффективность ваших рекламных кампаний с учетом вклада каждого канала в продвижение клиента через воронку конверсии. С этой моделью вы сможете:

• правильно распределять рекламный бюджет, учитывая реальный вклад каналов в конверсии и их взаимное влияние
• снизить коэффициент резерва денежных средств (CRR) при одновременном увеличении доходов
• увеличить количество новых клиентов при экономии бюджета
• увеличить количество целевых пользователей, охваченных медийными кампаниями, при этом сэкономив бюджет.

Атрибуция на основе воронки в OWOX BI основана на цепях Маркова и машинном обучении. Цепь Маркова — это последовательность событий, в которой каждое последующее событие зависит от предыдущего. Атрибуция на основе цепей Маркова использует вероятностную модель, рассчитывающую вероятность переходов между шагами воронки, позволяя оценить взаимное влияние шагов на конверсию и выяснить, какие шаги являются наиболее значимыми.

Для расчета вероятностей все шаги конверсионной воронки, указанные в настройках модели атрибуции OWOX BI, плюс шаг входа на сайт представляются как исходы в цепи Маркова. После этого вычисляется вероятность перехода между этими исходами:

График выше является упрощенным примером для простоты понимания. В реальных случаях транзакций может быть даже больше.

Подробнее о расчете модели атрибуции на основе воронки OWOX BI читайте в нашем Справочном центре.

1. Собирайте необработанные данные о поведении пользователей с вашего сайта в Google BigQuery. Для этого можно использовать стриминг данных из OWOX BI или BigQuery Export с Google Analytics 360.
2. Импорт данных о расходах в Google BigQuery из рекламных сервисов. Для этого можно с помощью OWOX BI дополнить статистику по кампаниям Google Ads в Google Analytics данными о расходах из других рекламных сервисов, а затем импортировать всю эту информацию в Google BigQuery. Вы также можете использовать OWOX BI для прямого импорта необработанных данных из Facebook в BigQuery.
3. При желании вы можете дополнить данные в Google BigQuery информацией из вашей CRM/ERP, колл-центра и внутренних учетных систем. Это позволит вам использовать офлайн-продажи и фактические данные о доходах CRM в расчетах атрибуции. Вы также можете использовать пользовательские события в качестве шагов воронки: звонки, электронные письма, личные встречи и т. д.
4. В вашем проекте OWOX BI создайте модель атрибуции и запустите расчеты.

Большинство наших клиентов используют OWOX BI для объективной оценки существующих рекламных кампаний и планирования будущих. Это необходимо для выполнения плана доходов с запланированной окупаемостью расходов на рекламу (ROAS).

Вот основные причины, по которым мы считаем OWOX BI лучшим выбором для маркетологов.

Наша модель атрибуции основана на полных данных: показах медийной рекламы и конверсиях после просмотра, активности пользователей на вашем сайте, данных о затратах на рекламные услуги, данных о транзакциях из вашей CRM и любых других онлайн- и офлайн-событиях. В результате вы видите полную картину взаимодействия пользователей с вашим бизнесом и можете учитывать влияние всех маркетинговых усилий на бизнес-показатели.

Доход в Google Analytics и доход от купленных товаров в вашей CRM часто не совпадают. С OWOX BI вы можете измерить вклад онлайн-маркетинга в реальные продажи, учитывая выручку от физических магазинов и данные о выполненных заказах из вашей CRM.

В отличие от стандартных моделей атрибуции, модель OWOX BI учитывает каждый шаг пользователя перед заказом, а не только последний клик. Чем сложнее пройти шаг, тем большую ценность получает сессия, которая помогла это сделать. А зная ценность сеансов, можно рассчитать ценность кампаний с учетом их вклада в продвижение пользователей по воронке.

Вы можете расти быстрее, чем ваши конкуренты, используя уникальные преимущества вашего бизнеса. С OWOX BI вы можете создать воронку, соответствующую структуре вашего бизнеса.

Помимо действий пользователей на вашем сайте, в качестве шагов воронки вы можете добавлять любые кастомные события из вашей CRM, системы коллтрекинга и других систем. Например, вы можете загрузить данные о звонках, встречах или электронных письмах в Google BigQuery. Объедините все бизнес-усилия, направленные на конвертацию пользователей, в одну воронку, чтобы более точно оценить их эффективность.

Недостаточно получить комплексную оценку вашей рекламной кампании. Ваша оценка должна быть разделена на этапы осведомленности, интереса и конверсии с использованием модели AIDA.

Например, с OWOX BI вы могли заметить, что кампании почти не формируют осведомленность:

В результате кампании, призванные повлиять на следующие этапы воронки, могут выглядеть неэффективными. Оценка ROAS существующих кампаний может показать вам, как перераспределить ваш бюджет между ними, но не покажет отсутствие усилий на верхнем этапе воронки. OWOX BI дает вам понимание, на чем сосредоточить свои усилия.

Никакой алгоритм не заменит ваш опыт. Например, вы можете знать, что ваши рекламные кампании исчерпаны и что их высокая рентабельность инвестиций не означает, что вам следует вкладывать в них больше средств.

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

В результате вы получаете оценку только тех кампаний, которыми можете объективно управлять. Важно, что сделать это можно в любой момент в удобном интерфейсе, не обращаясь к разработчикам или в службу поддержки.

OWOX BI считает ценность каждой сессии. Это позволяет настраивать модели атрибуции для разных групп пользователей, рассчитывать ROI/ROAS для новых и вернувшихся пользователей, а также сравнивать рентабельность когорт.

Например, мобильные операторы могут оценить вклад рекламных кампаний в продажу дополнительных услуг текущим клиентам (когорта «текущие клиенты»). А компании из ниши розничной торговли модной одеждой могут отдельно оценивать новых и будущих покупателей, чтобы выяснить, какие каналы лучше подходят для привлечения новых клиентов в бизнес.

Кроме того, зная стоимость сеанса, вы можете рассчитать, сколько вы тратите и сколько зарабатываете на каждой группе товаров. С помощью этой информации вы сможете оценить эффективность рекламы для разных регионов, целевых страниц, версий мобильных приложений и приложений.

Важно не только оценивать кампании, но и делать оценку прозрачной для бизнеса. Любая оценка методом «черного ящика» будет сомнительной и не позволит найти ошибки.

В OWOX BI вы можете увидеть, как ценность распределяется между кампаниями для каждой транзакции, с которой взаимодействовал пользователь:

Ошибки и неверные выводы, полученные из-за попыток применить машинное обучение на недостаточных данных, могут дорого обойтись бизнесу. Наш алгоритм автоматически проверяет и контролирует статистическую значимость расчетов. Кроме того, OWOX BI предоставляет вашим аналитикам полный доступ к таблице доверительных интервалов для каждого сегмента. Благодаря этому вы можете быть уверены в своих результатах и ​​понимать, как они получены.

Эффективность интернет-маркетинга все больше зависит не от используемых технологий, а от качества данных, на которых обучаются модели. Таким образом, атрибуция сама по себе проигрывает моделям, построенным на основе рыночных данных.

Модель машинного обучения OWOX BI учитывает данные десятков тысяч проектов.

Чтобы модель атрибуции была эффективной, она также должна соответствовать следующим требованиям:

1. Данные для расчетов должны быть правильно подготовлены. Вы не можете просто пропустить данные, собранные вашим JavaScript-трекером, с помощью машинного обучения. По этой причине BigQuery ML подходит для экспериментов, но не для коммерческого использования.
2. Нужно учитывать информацию о взаимодействиях с верхней частью воронки: показы медийной рекламы. Для этого мы разработали OWOX BI Post-View Pixel, который позволяет измерять медийную рекламу на уровне пользователя. Мы также интегрировали OWOX BI с Google Ads Data Hub, что позволяет BigQuery запрашивать информацию из Campaign Manager (ранее DoubleClick Campaign Manager) и некоторых других источников, чтобы бизнес мог учитывать и прозрачно оценивать вклад медийной рекламы в верхние этапы воронка.
3. Модель должна учитывать мнение экспертов:

• Какие каналы управляются?
• Какова пропускная способность этих каналов?
• Какова роль данного канала в воронке?
• Что такое конверсионное окно?

Всем этим требованиям отвечает модель атрибуции OWOX BI.

Атрибуция на основе данных в Google Analytics 360 требует высоких требований к данным: 400 конверсий каждого типа с длиной пути не менее двух взаимодействий. OWOX BI, динамически группируя события по этапам воронки, обеспечивает значимые результаты с меньшими объемами данных и подходит гораздо большему количеству компаний. При этом статистическая значимость расчетов автоматически контролируется на уровне когорт пользователей, поэтому вы можете быть уверены в результатах.

В OWOX BI Smart Data вы можете строить отчеты на основе данных атрибуции без помощи аналитиков и знаний SQL. После расчета модели атрибуции Smart Data автоматически сообщает о доходах, количестве конверсий, ROI, ROAS и CRR в контексте добавленных событий. Кроме того, вы можете создавать собственные отчеты с помощью удобного конструктора отчетов. Просто выберите параметры и показатели, которые вы хотите видеть в своем отчете. Сервис мгновенно предоставит вам понятный график и таблицу.

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

Этот отчет позволяет сравнить результаты расчетов по разным моделям атрибуции. В нашем случае это Last Non-Direct Click, который 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. Переоцененные кампании имеют отрицательную разницу. Кампании с недооценкой имеют положительную разницу/ценность. Например, на скриншоте выше мы видим, что канал yandex/display был недооценен и стоит приложить к нему больше усилий.

В следующем отчете показано, как ценность источников и каналов распределяется по шагам воронки. В примере выше мы видим, что наибольшее количество покупок (светло-зеленая полоса) совершается в оффлайне.

Помимо событий, в отчеты можно добавлять и другие параметры, например тип пользователей (новые или вернувшиеся):

В приведенном выше отчете показано, как расходы, этапы воронки и покупки распределяются по когортам клиентов. С его помощью вы сможете определить, какие каналы и кампании привлекают транзакции от новых клиентов и выделить на них бюджеты. Эти кампании помогут вам увеличить клиентскую базу.

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

Будучи пионером в разработке атрибуции на основе воронки, мы накопили уникальный опыт, которым делимся с нашими клиентами в десятках статей и большом количестве документации. Кроме того, мы готовы гарантировать уровень качества сбора и обработки данных выше 96% в нашем SLA.

С OWOX вы получаете не просто красивую идею использования машинного обучения в маркетинге, но и пошаговые руководства, практические рекомендации и примеры успешных вариантов использования.

Узнайте, как атрибуция OWOX BI может помочь вашему бизнесу. Подпишитесь на демонстрацию продукта, чтобы оценить возможности наших продуктов.