Почему одноканальные модели атрибуции — тупиковый путь для директоров по маркетингу

Имея доступ к огромному количеству данных о клиентах, маркетологи могут получить целостную картину происходящего. Например, маркетологи могут выяснить, как именно клиенты взаимодействуют с вашим брендом, спрогнозировать вероятность того, что пользователь что-то купит (и когда), оценить, какой доход принесут клиенты, и определить, какие каналы лучше всего подходят для взаимодействия с клиентами. Но это только одна сторона медали. С другой стороны, реклама становится все дороже, а привлечь внимание потребителей становится все труднее.

В этой гонке победят самые технологически продвинутые маркетологи, а атрибуция играет немалую роль в оценке эффективности рекламных каналов. В этой статье объясняется, почему одноканальные модели атрибуции ведут в никуда и почему даже моделей, управляемых данными, недостаточно для успешного маркетинга.

С развитием технологий, появлением все большего количества маркетинговых каналов (онлайн и офлайн) и переходом бизнеса в интернет из-за пандемии брендам крайне важно понимать, откуда приходят их клиенты и как и когда клиенты конвертируются. . Здесь в игру вступает маркетинговая атрибуция.

В маркетинговой аналитике атрибуция — это оценка ценности, которую приносят рекламные каналы. Это одна из важнейших задач цифровых маркетологов. Почему? Как показывает исследование Gartner за 2020 год, более 80% маркетинговых бюджетов предназначены для цифровых каналов. Проще говоря, на рекламу тратятся миллионы долларов, и компании явно хотят быть уверены, что эти траты приносят клиентов и доход.

Цель атрибуции — определить вклад канала в конверсии — его роль в переходе клиентов на следующий этап воронки продаж или стимулировании покупок — и присвоить ценность каждому шагу воронки.

Бренды используют маркетинговую аналитику, чтобы определить, как, где и когда клиент взаимодействует с компанией, и используют атрибуцию для оценки эффективности канала. Благодаря этим данным маркетологи могут затем изменять и улучшать рекламные кампании.

Существует множество различных типов моделей атрибуции , и стоит отметить, что единственно правильной модели не существует. Обычно модели атрибуции классифицируют по логике, по которой они рассчитывают ценность. Типы моделей атрибуции включают в себя:

• Модели атрибуции на основе позиции — Time Decay, Position-Based
• Алгоритмические модели атрибуции — Data-Driven, Марковские цепи
• Одноканальные модели атрибуции — Last Click, First Click
• Многоканальные модели атрибуции — Linear, Time Decay

Большинство компаний используют одноканальные модели атрибуции. Эти модели использовались всегда, так зачем менять то, что вроде бы работает? Одноканальные модели просты, стандартны в Google Analytics (Universal) и позволяют легко понять, как распределяется ценность.

Вот пример того, как ценность конверсии распределяется в одноканальных моделях атрибуции:

Однако эти модели могут оценивать только один канал. Они чрезмерно упрощают омниканальный путь клиента к покупке, что приводит к серьезным заблуждениям и, конечно же, не отражает реальную ситуацию.

Например, если мы посмотрим на отчет «Путь» для многоканального ритейлера с умеренным числом посетителей веб-сайта, мы увидим, какую долю дохода приносят заказы, сделанные при первом посещении. Здесь многоканальные пути с двумя и более посещениями приносят 72% дохода.

В среднем для конверсии клиенту требуется от семи до девяти точек соприкосновения (лучшие исполнители могут сократить это число до пяти). Очевидно, что каждая из этих точек взаимодействия (каналов) влияет на вероятность конверсии. Логично, что в данном случае необходимо учитывать влияние всех каналов на покупателя .

Однако при использовании одноканальных моделей атрибуции игнорируются разные этапы воронки. Игнорирование того, что происходит в начале, середине и конце воронки продаж, может привести к неправильным управленческим решениям и денежным потерям.

Помимо одноканальных моделей атрибуции довольно популярны модели, управляемые данными. Среди самых известных примеров — модель Data-Driven от Google, модель Conversion Lift от Facebook и Campaign Lift от Nielsen.

Модели на основе данных более точно отражают влияние каждого источника на путь к конверсии. Они быстрые, адаптируемые и более объективные, чем одноканальные модели, поскольку учитывают все данные о взаимодействии пользователей с брендами. В многоканальной среде все точки соприкосновения убеждают клиентов купить продукт, но очевидно, что их влияние неодинаково. Соответственно, простые традиционные модели атрибуции оставляют большие пробелы при анализе данных и не дают полной картины происходящего.

Атрибуция на основе данных сравнивает пути пользователей, используя данные обо всех пользователях (как о тех, кто совершил конверсию, так и о тех, кто этого не сделал). Такой подход позволяет маркетологам оценить, в каком случае вероятность конверсии выше.

В результате модель рассчитывает вес конверсии каждого канала на пути пользователя независимо от его положения.

К недостаткам моделей, управляемых данными, относится тот факт, что алгоритм должен получать достаточно данных, чтобы показать наиболее точные результаты. Чтобы модель обеспечивала надежную оценку, ей требуется много исторических и рыночных данных. Для достижения высокой точности в моделях атрибуции на основе данных требуется не менее 12 точек взаимодействия.

Подводя итог, можно сказать, что чаще всего одноканальная модель приводит к неверным управленческим решениям, так как эти решения не будут учитывать всей картины. Таким образом, модель, управляемая данными, лучше, чем одноканальная модель. Однако нет предела совершенству. Более продвинутые варианты учитывают вероятность конверсий и обучаются на рыночных данных с помощью технологий машинного обучения.

Самая большая проблема с моделями атрибуции, основанными на данных, заключается в том, что для анализа требуется слишком много данных. В общении с клиентом участвует не один канал, а целый набор медиаисточников в разных вариациях. Например, чтобы измерить показатель ROI, маркетолог должен каким-то образом управлять всем этим оркестром.

Именно здесь модели атрибуции машинного обучения (ML) спасают положение! Модели, использующие машинное обучение и рыночные данные, полностью изменили подход к атрибуции. Модели машинного обучения могут быть адаптированы для бизнеса, чтобы получить наиболее полную и достоверную картину пути клиента к покупке. Благодаря увеличению объемов интернет-продаж более чем на 70% в годовом исчислении в период с 2019 по 2020 год модель машинного обучения является обязательной для любого маркетолога.

Все данные, необходимые для маркетинговой аналитики, объем которых увеличивается с каждым днем, невозможно обработать без использования машинного обучения. С его помощью маркетологам больше не нужно рыться в лабиринте цифр в поисках полезной информации.

В конце концов, для бизнеса важно не только понимать, какие каналы не работают, но и понимать, какие работают, чтобы они не распределяли свои бюджеты вслепую.

Согласно исследованию Gartner «Цифровые маркетинговые идеи для директоров по маркетингу в 2021 году», 84% директоров по маркетингу считают, что использование машинного обучения и искусственного интеллекта улучшает функциональность маркетинга. При этом только 17% специалистов широко используют возможности AI/ML.

Команда OWOX BI работала с более чем 27 000 проектов и понимает, что у каждого бизнеса свои потребности в атрибуции и нет однозначного ответа для всех. Для одной компании подойдет одноканальная модель. Некоторым предприятиям нужен вариант, управляемый данными. А для остальных необходима оптимизация комплекса маркетинга (MMO).

Теория всегда идет рука об руку с практикой. Модель OWOX отличается повышенной скоростью и отличным качеством прогнозирования, поскольку она обучена на рыночных данных из десятков тысяч проектов. Использование ML-атрибуции и автоматического импорта аудиторий помогло одному из наших клиентов увеличить ROI в 2,2 раза.

Недавно OWOX запустил обновленную версию своей модели атрибуции. Каковы преимущества этой новой модели?

1. Вам не нужно выбирать шаги воронки вручную. Сама модель определяет вклад кампаний на основе вероятности конверсий.
2. Вы получаете прогноз стоимости для любых сессий. С помощью новой модели вы можете ответить на вопрос: если я отключу эту кампанию сегодня, сколько конверсий я получу в будущем? Такой подход поможет вам не отключать отложенные кампании и быстрее отключать неэффективные кампании.

3. Логика расчета абсолютно прозрачна. Открытый код преобразования данных позволяет учитывать любые особенности компании. Клиенты OWOX могут вносить необходимые изменения в код, пока сервис обновляет данные из маркетинговых источников (рекламные сервисы, колл-сервисы, CRM), объединяет их с данными о расходах с различных рекламных площадок и готовит необходимые отчеты.

Модели атрибуции позволяют вам контролировать маркетинговые каналы, помогая вам понять, насколько точно ваши отчеты демонстрируют эффективность вашего маркетинга и как вы можете оптимизировать свой маркетинг в действительно важных точках взаимодействия.

Маркетологи должны быть уверены, что каждое действие приближает клиента к конверсии. Вы можете использовать модели атрибуции для определения наиболее прибыльных маркетинговых кампаний в зависимости от того, сколько вы в них вложили.

Какую модель выбрать, зависит от вашей отрасли, целей вашей компании и размера вашего бизнеса. Однако одно можно сказать наверняка: ни одна из этих моделей не может гарантировать 100% точные результаты.