Мультиканальная атрибуция: сравнение моделей | OWOX

Мультиканальная атрибуция: сравнение моделей | OWOX Аналитика
Содержание
  1. Атрибуция на основе прохождения пользователем воронки
  2. Почему так происходит?
  3. Мультиканальная аналитика на основе воронки продаж
  4. Data driven
  5. Last click
  6. Алиса в стране мультиканальной аналитики
  7. Ассоциированные конверсии
  8. Вспомни свои первые шаги в интернет-маркетинге
  9. Какие рекламные каналы делают твою продажу?
  10. Командная игра маркетинговых инструментов
  11. Мультиканальная аналитика. узнай как клиент ходит по твоим ресурсам?
  12. О компании
  13. Проблема
  14. Результат
  15. Решение
  16. Сводная таблица
  17. Сколько раз клиент зашел на сайт?
  18. Требования к моделям атрибуции
  19. Шаг 1. настроить сбор данных о поведении пользователей на сайте
  20. Шаг 2. собрать данные о расходах на онлайн-рекламу
  21. Шаг 3. выгрузить данные из google analytics в google bigquery
  22. Шаг 6. настроить owox bi attribution и запустить расчеты
  23. Шаг 7. оценить вклад источников трафика с учетом офлайн-транзакций
  24. Шаг 8. кастомизировать отчеты в google bigquery
  25. Шаг 9. перераспределить бюджет

Атрибуция на основе прохождения пользователем воронки

Есть ли решение? Да, и оно вам понравится. Представьте, что вам доступна полная
информация о действиях каждого пользователя во всех сессиях. Вы знаете,
в какой сессии впервые был просмотрен приобретенный в последствии товар. Благодаря
какому источнику пользователь решился добавить товар в корзину, а какой мотивировал
его оформить заказ.

В этом случае каждую сессию можно оценить на основании ценности
действий, которые в ней были совершены — строго по ее вкладу
в продвижение пользователя по воронке. Что может быть лучше? Расчеты в Google
BigQuery! Представьте, что в Google BigQuery вам доступны все данные для расчетов,
и вы можете проверить, какую ценность и почему получила каждая из сессий.

На этом хорошие новости не заканчиваются: для реализации не требуется

Google Analytics 360

и привлечение разработчиков!
В OWOX BI мы автоматизировали сбор несемплированных данных
в Google BigQuery и их расчеты согласно модели атрибуции на основе воронки.

Извините, но у вас больше нет оправданий использовать Last Click. Вот вам план:

  1. Проверьте, какая доля заказов делаются с первой сессии в вашем проекте.
  2. Настройте расчеты в Google BigQuery с помощью

    ML Funnel Based Attribution.

  3. Узнайте объективную ценность ваших рекламных каналов.
  4. Принимайте решения и оптимизируйте расходы на рекламу в пользу
    каналов, которые реально приносят пользу вашему бизнесу.

Почему так происходит?

Посмотрим на отчет
Длины последовательностей
Conversions /Multi-Channel Funnels /Path Length

Скорее всего, в вашем проекте похожая картина и более
половины дохода приносят заказы, перед совершением которых
пользователь сделал несколько визитов.


В Google Analytics оценить эту долю можно сделав два сегмента:

В первый войдут все сессии, в которых был сделан заказ:

А во второй — все сессии пользователей, сделавших заказ:

В первом сегменте посчитаны все сессии с конверсиями.
А во втором — все сессии пользователей, разметивших
заказ, даже если непосредственно в них конверсии не было.
И их очевидно больше. Даже на небольшом проекте видно,
что при Last Click атрибуции только 26% сессий, внесших свой вклад
в полученные транзакции, получают ценность.

Если вы используете Last Click атрибуцию, стоит ли удивляться
тому, что вы принимаете неправильные решение на основе
необъективной оценки каналов?

Что ж, давайте посмотрим, что мы можем использовать кроме Last Click.

Мультиканальная аналитика на основе воронки продаж

Белгород, Россия
7 910 320 15 09
пн–пт. 0900–1800
308006, г. Белгород,
ул. Корочанская,
д. 132 “А”, корпус 1, офис 2

Data driven

В 

Google Analytics 360
есть модель атрибуции, которая призвана решить
описанные выше ограничения других моделей — Data Driven. Она
распределяет ценность по всем сессиям в цепочке и делает
это на основе корреляции между наличием источника в цепочке и конверсией
цепочки. Подход достаточно продвинутый и скорее всего более объективный, чем все перечисленные выше.

Data Driven
Казалось бы все замечательно. Но только до тех пор, пока вам
не потребуется объяснить своему боссу почему Data Driven дал дисплейной
рекламе именно такую ценность, а не другую. И почему этот
результат, посчитанный на серверах Google и который вы не можете
проверить, необходимо считать наиболее объективным.

Казалось бы, можно использовать эту модель. Но только до тех пор,
пока вы не зададитесь вопросом, почему модель выдает именно эти результаты,
а не какие-то другие. Действительно, если вы распределяете рекламный
бюджет в тысячи долларов, вы хотите быть уверенными в том, что все посчитано верно.

Но с Data-Driven это невозможно — все вычисления скрыты в Google Analytics
и вы не можете ответить на вопрос коллеги почему модель атрибуции
рекомендует увеличить бюджет на дисплейную рекламу Google. Даже если эта рекомендация верная.

Last click

Наиболее популярная модель оценки рекламных каналов по последнему касанию
(Last Click) или последнему непрямому касанию (Last Non-Direct Click), которая
применяется по умолчанию в Google Analytics.

Казалось бы, что может быть логичнее — назначить 100% ценности
тому каналу, который был последним перед транзакцией.


Но данная модель не позволяет ответить на важные вопросы:

  • Почему уменьшение бюджета на канал A
    привело к падению дохода в канале B?
  • Почему увеличение бюджета на канал B
    приводит к росту CPA в канале С?

Очевидно, что каналы влияют друг на друга и реальный
их вклад отличается от атрибутированного по Last Click.

Алиса в стране мультиканальной аналитики

В одном окне ты видишь не только сумму покупки твоего клиента и, откуда он пришел за ней. Нет, ты также видишь все остальные его визиты. Ты удивишься, но покупка с первого касания, это реальная редкость. Удивишься и убедишься.В чем большой плюс аналитики — никто тебя за нос водить не сможет.

У тебя все перед глазами, голая статистика и никакой лирики. Вот он зашел, благодаря SEO, по такому-то ключу, вот он вернулся по SMM, вот он среагировал на контекст, а тут купил. Сумма покупки: 10 000 руб. Ты можешь посчитать, во сколько тебе реально обошелся клиент, можешь сориентироваться по модели атрибуции Roistat.

Roistat грозиться в ближайшее время предоставить клиентам возможность моделировать свои варианты атрибуции. Но и сегодня у тебя есть все, что нужно. Ты отслеживаешь реальную эффективность каналов, понимаешь, какие из них выстреливают и по каким, например, ключевым запросам.

Ты также можешь заметить, где твои инструменты провисают и дать задание на отладку своим спецам, увидеть какие связки наиболее эффективные и усиливать их, устранять или прорабатывать те инструменты, каналы или целевые страницы, которые являются на текущий момент тупиками (т.е. после них клиент дальше не идёт).

А главное – лучше начнешь понимать свою целевую аудиторию, а именно то, как они совершают у тебя покупку и делать прогнозы.Слышишь? Это новенькие банкноты захрустели где-то поблизости. И они почти твои. Ведь понимая ценность и работу каждого канала, ты можешь начать работать с ними на новом уровне, получая очень серьезную прибыль.

Готов включиться в тему? Спроси нас, как настроить аналитику. Также следи за новыми статьями, мы часто говорим о Roistat и его полезностях. А лучше не только читать о нем, но попробовать в деле.

Ассоциированные конверсии


В Google Analytics мы можем получить отчет по ассоциированным
конверсиям и увидеть доход, который принес канал, выступая не последним
в цепочке:

Это уже лучше, но почему общая полученная ценность не равна сумме
ценностей ассоциированной и прямых конверсий? И все ли
ассоциированные конверсии вносят одинаковый вклад в конверсию
цепочки посещений? Если нет, то как этим можно управлять?

К сожалению, в Google Analytics нет ответа на эти вопросы.
Убедить вашего CEO в достоверности такого отчета будет не просто.

Вспомни свои первые шаги в интернет-маркетинге

Когда-то, наверняка, ты сомневался и не верил этим интернет-агентствам и маркетологам, но потом установил метрику, кинул немного денег на контекст, чуток причесал тексты и с приятным удивление обнаружил, что твой сайт просматривают уже не только ты и твои друзья.

Все пошло, поехало.Сегодня ты уже смело кидаешь по десятке в неделю на кампании в Яндексе, работаешь с SEO-специалистом, надежным копирайтером и так далее. Да кто его знает, может этот текст читают глаза человека, у которого свой маркетинговый штат!

Какие рекламные каналы делают твою продажу?

Минута закончилась. Рискну предположить (если ты умеешь отслеживать, откуда на сайт пришел покупатель), что ты, получив заказ через тот же Директ, считаешь, что именно он и только он сыграл ключевую роль в твоей борьбе за покупателя.Подумаем: неужели человек с первого раза, прямо вот так зашел на твой сайт и сразу купил?

А раньше он на твой сайт никак не мог попасть? Мог. И не раз попадал. Ну, исключения могут составлять какие-то безумно выгодные предложения от тебя. Но если их нет, то человек пришел к тебе за покупкой, все обдумав и до этого побывав у тебя раза три-четыре.

Командная игра маркетинговых инструментов

Что следует из того, что мы уже проговорили? Все рекламные каналы работают друг с другом, они все ведут на твой сайт, делают тебе продажи. Они как футболисты на поле: контекст поймал мяч (клиента), подал его SEO, этот игрок пасует в Mail, оттуда в сообщество… Ииии Гооол!

Продажа состоялась. Продажа после перехода через ВКонтакте, то есть посредством SMM. Но SMM только забило гол, а мячик прилетел от верных товарищей.Да, забить гол дело важное, но не стоит забывать, что, если бы мяч не подали, ничего бы не было. “И что?” – спрашивают меня твои глаза.

Теперь ты готов узнать о том, что все это не только ради лирики и не ради того, чтобы продать тебе ведение сразу всех каналов рекламы. Я только говорю о том, что путь каждого твоего клиента сегодня можно отследить от первого до последнего (на данный момент) касания с сайтом.

Вплоть до ключевого слова, по которому он перешел к тебе. Это и есть мультиканальная аналитика, мой друг. С ней все захватывающие ходы твоего клиента у тебя перед глазами. Ты четко можешь понять свои реальные выгоды от каждого канала рекламы, ты понимаешь, что люди не приходят к тебе из пустоты, а также ты не теряешь никого, кто заходил, все уже на крючке.

Мультиканальная аналитика. узнай как клиент ходит по твоим ресурсам?

Знаешь, как древние люди определяли эффективность рекламы? Они просто включали, смотрели работает / не работает – отключали то, что не работает. Эту рекламу они считали бесполезной и отрекались от неё, или вкладывали туда меньше тугриков, или шли к ответственному за недействующие площадки и вваливали ему люлей.

В наше время научного прогресса, космических кораблей и семи сезонов “Игры Престолов” ты можешь оценивать свои рекламные каналы по-новому. Мультиканальная аналитика тебе в этом в помощь. Не повторяй ошибок предков и читай статью.И снова мы с тобой говорим о главном, о нашей прибыли, благодаря интернет-магазину или сайту с нашей услугой.

Зарабатываем деньги и хотим зарабатывать больше. Деньги нам приносят клиенты, кладут перед нами и уходят с товаром. Как повышать продажи и прибыли? Конечно же, рекламируя свой товар, подтягивая трафик. Ну, ты знаешь, ты же читал наши статьи про целевой трафик, seo и контекст?

О компании

COMFY — лидер по эффективности среди мультиканальных ритейлеров бытовой техники и электроники в Украине. Компания была основана в 2005 году и на сегодняшний день насчитывает 3 тысячи сотрудников. Розничная сеть включает 90 магазинов в 55 городах, а сайт comfy.ua входит в пятерку крупнейших онлайн-магазинов страны.

Авторитетные издания регулярно отмечают COMFY наградами, например, «Маркетинг-стратегия года» по версии X-Ray Marketing Awards 2021, «Ретейлер года» и «E-commerce ретейлер» по версии Retail&Development Award 2021. А клиентам нравятся их забавные видеоролики.

Проблема

При разработке маркетинговой стратегии большое значение имеет правильная оценка рекламных кампаний. COMFY мониторит ключевые показатели сайта с помощью Google Analytics. Этот инструмент предоставляет готовые отчеты и показывает отличия в поведении пользователей, которые пришли из разных каналов трафика.

Однако наступил момент, когда компании стало недостаточно отчетов в Google Analytics для комплексного анализа и принятия стратегически важных решений. Дело в том, что у COMFY очень много физических магазинов, при этом клиенты могут смотреть товар на сайте, а покупать в офлайне и наоборот. В связи с этим маркетологам компании нужны ответы на следующие вопросы:

  • Какой путь прошел пользователь до того, как оплатить товар на кассе магазина?
  • Сколько пользователей, выбиравших товары в онлайне, потом сделали покупку в офлайне?
  • Какой канал оказал наибольшее влияние на выбор пользователя при покупке?
  • На каком этапе воронки тот или иной канал проявил себя наиболее эффективно?

Google Analytics не дает ответов на эти вопросы. В стандартных отчетах GA ценность распределяется между источниками в соответствии с моделями атрибуции, которые не учитывают взаимное влияние каналов. Чаще всего по умолчанию используется модель Last Non-Direct Click («По последнему непрямому клику»).

В стандартных моделях First Click / Last Click («Первое взаимодействие» / «Последнее взаимодействие») и Last Non-Direct Click не учитывается около 80% сессий, которые были перед конверсией. Вы можете возразить, что GA помимо этих моделей предлагает альтернативные, которые позволяют оценить роль каналов, когда они участвуют в середине цепочки. Кроме того, можно смотреть и сравнивать статистику по разным моделям атрибуции.

Например, в группе отчетов по мультиканальным последовательностям — отчет «Ассоциированные конверсии»:

Или с помощью инструмента сравнения моделей атрибуции:

Да, эти возможности Google Analytics вносят разнообразие в аналитический инструментарий и позволяют детальнее проанализировать взаимное влияния источников трафика. Но все равно не удается избежать некоторых недостатков. К примеру, если оценить каналы по разным моделям атрибуции, а затем сложить их ценность, то сумма получится больше, чем компания заработала на самом деле.


Команда OWOX BI помогла маркетологам COMFY решить описанную проблему и получить недостающие ответы.

Результат

У COMFY появился дополнительный инструмент с альтернативной моделью атрибуции, которая учитывает поведение покупателей и вклад каждого канала в продвижение пользователя по воронке продаж.

Ориентируясь на данные OWOX BI Attribution, информацию по google / cpc кампаниям из Google Ads и собственный опыт продаж, маркетологи компании используют комплексный подход в оценке рекламы и планировании маркетинговой стратегии.

Теперь команда COMFY может проверить на практике:

  • Увеличится ли эффективность того или иного платного канала, если перераспределить бюджет или увеличить ставки на кампанию.
  • Можно ли повысить отдачу от каналов привлечения, не меняя сумму текущих расходов.
  • Как скажется на доходах COMFY замена или отключение наименее эффективных кампаний или каналов.
  • На каком этапе воронки стоит «дожимать» клиентов и побуждать их к покупке. И какой канал лучше всего справляется с этой задачей.

В заключение хотим сказать несколько слов всем, кто понимает важность взаимного влияния каналов. Не бойтесь пробовать новые аналитические инструменты. Выработайте собственный метод оценки рекламных кампаний и постоянно его совершенствуйте, чтобы распределять бюджет и принимать другие важные решения, основываясь на данных. А если в процессе у вас возникнут вопросы, оставляйте их в комментариях — мы всегда рады помочь.

P.S. Если история COMFY вдохновила вас настроить сквозную аналитику, но вы не знаете с чего начать, заполните форму, и мы пришлем вам запись вебинара по теме. Вы узнаете, какие данные и в какой последовательности объединять и что делать с готовыми отчетами.

Решение

Для оценки эффективности рекламных кампаний мы рекомендовали COMFY собственную модель атрибуции на основе воронки —
OWOX BI Attribution.
Эта модель позволяет узнать вклад каждой сессии перед заказом, которая продвинула пользователя по транзакционной воронке, и учитывает офлайн-продажи. При этом все расчеты прозрачны и хранятся в вашем проекте в Google BigQuery.


Чтобы создать модель на основе воронки, нужно собрать, обработать и объединить все необходимые данные. Вот как это делали в COMFY:

Сводная таблица

Резюмируем преимущества и недостатки стандартных моделей атрибуции

Сколько раз клиент зашел на сайт?

И вот маленькая история твоей покупки. Постарайся изучить клиента по себе самому.

Требования к моделям атрибуции

Напомним, что модель атрибуции — это логика распределения ценности по усилиям,
которые обеспечили ее достижение.
Например по рекламным каналам, которые помогли привлечь пользователей.


К модели предъявляются два ключевых требования:

  • Достоверность — модель должна учитывать объективный вклад каждого усилия
  • Прозрачность — логика расчетов должна быть аудируемой и воспроизводимой
    чтобы обеспечить уверенность в полученных результатах

Шаг 1. настроить сбор данных о поведении пользователей на сайте

Наши аналитики помогли коллегам из COMFY разработать и внедрить индивидуальную систему метрик для сбора данных с сайта.

Прежде чем запускать OWOX BI Attribution, мы рекомендуем клиентам проверить:

  • Все ли конверсии и микроконверсии на пути пользователя к заказу попадают в Google Analytics.
  • Насколько корректны данные, которые поступают в ресурс GA.

Проверяя это хотя бы раз в месяц, вам удастся избежать потери важных данных о пользователях. Подробнее о том, как правильно настроить Google Analytics, мы написали в 
статье.
Аналогичную проверку выполнила и команда COMFY.

Шаг 2. собрать данные о расходах на онлайн-рекламу

Для выгрузки данных о расходах из Google Ads в Google Analytics достаточно
активировать интеграцию
сервисов. С другими рекламными площадками сложнее — GA предлагает загружать расходы из них вручную с помощью CSV файлов. Чтобы избавиться от этой рутинной работы, маркетологи COMFY используют
OWOX BI Pipeline.

Шаг 3. выгрузить данные из google analytics в google bigquery

Итак, информация о действиях пользователей на сайте и о расходах на онлайн-рекламу собрана в Google Analytics. Как теперь получить отчеты с сырыми, несемплированными данными? Дело в том, что у сайта comfy.ua очень высокая посещаемость, поэтому GA применяет семплирование, то есть строит отчеты не на 100% данных, а на определенной выборке.

Для работы с несемплированными данными специалисты COMFY используют Google BigQuery — облачный сервис для хранения и обработки данных. Не будем сейчас останавливаться на его преимуществах, так как описали их в отдельной статье. Наверняка вы о них уже слышали, но если хотите, можете
освежить
в памяти.

Как выгрузить сырые данные из GA в Google BigQuery? В платной версии Google Analytics 360 для этого есть стандартный экспорт. Но что делать, если вы пока не готовы тратить $100 — $120 тыс. в год на систему аналитики? В таком случае поможет
решение
от OWOX BI, которым и воспользовалась команда COMFY.


Данные о действиях посетителей сайта comfy.ua передаются из GA в Google BigQuery в режиме реального времени и хранятся в отдельных таблицах за каждый день:

Благодаря этому, маркетологи компании могут работать с несемплированными данными и строить отчеты без ограничений на количество параметров и показателей.

Шаг 6. настроить owox bi attribution и запустить расчеты

Когда все необходимые данные собраны в Google BigQuery,
создать модель атрибуции на основе воронки
можно за 30 минут. При настройке модели можно добавить в дотранзакционную воронку шаги, которые важны именно вашему бизнесу.

Также стоит обратить внимание на 
транзакционное

Период, на который распределяется ценность конверсии

и 
конверсионное

Время от первого взаимодействия посетителя с товаром до покупки.

Команда COMFY в качестве шагов воронки в модели атрибуции выбрала события
расширенной электронной торговли:

На гифке выше вы как раз можете увидеть эти 5 шагов воронки, типичные для большинства Ecommerce-проектов.


Если же ваш бизнес требует более детализированной воронки, в нее всегда можно добавить необходимое количество шагов:

Кроме того, в настройках модели можно исключить из расчетов любой источник трафика, чтобы ему не присваивалась ценность. К примеру, можно убрать из расчетов direct трафик, email-каналы и брендовые кампании.

Также маркетологи компании дополнили данные о транзакциях заказами из физических магазинов. Для этого они подключили в качестве источника данных о транзакциях таблицу со всеми продажами (онлайн оффлайн), которую создали на предыдущем шаге. Структуру таблицы можно посмотреть в нашем справочном центре.

После создания и настройки модели атрибуции можно запустить разовый расчет либо настроить автоматический запуск расчетов с заданной периодичностью.

Шаг 7. оценить вклад источников трафика с учетом офлайн-транзакций


Чтобы визуализировать результаты расчетов модели атрибуции и сравнить эффективность каналов трафика, в COMFY используют несколько инструментов, включая
OWOX BI Smart Data.

Это очень просто — выбираем интересующий вопрос, кликаем на него и в соседней вкладке получаем готовый ответ в виде таблиц и графиков:

Отчеты в OWOX BI Smart Data помогают маркетологам COMFY получать ответы на такие вопросы:

  • Как отличается доход / ROAS / CPA / ROI по кампаниям / источникам и каналам трафика в сравнении с моделью Google Analytics Last Non-Direct Click?
  • Насколько тот или иной канал / источник трафика либо конкретная кампания недооценена / переоценена по сравнению с моделью GA Last Non-Direct Click?
  • Стоит ли увеличивать / уменьшать бюджет на определенные группы кампаний?
  • Как конкретный источник / канал трафика либо конкретная кампания повлияли на продвижение пользователя по воронке на каждому конкрентном шаге?
  • И многие другие.

При этом нужно учесть, что отчеты носят рекомендательный характер. Кроме информации из отчетов, необходимо учитывать такие факторы, как сезонность разных товаров, наличие акций на ТВ, влияние других офлайн-каналов привлечения, наличие брендовых кампаний и т.д.

Например, этот отчет показывает, как отличается доход, который принесли рекламные каналы, согласно разным моделям атрибуции. Когда маркетологи компании оценивали эффективность рекламы только по модели Last Non-Direct Click (без учета офлайн-покупок), доход у некоторых каналов получался отрицательным.

Все данные расчетов, включая логику использованных запросов, хранятся в проекте Google BigQuery компании COMFY:

Шаг 8. кастомизировать отчеты в google bigquery

Помимо отчетов в OWOX BI Smart Data, команда COMFY использует собственные отчеты, которые строит с помощью SQL-запросов к данным в Google BigQuery. Они помогают проверять гипотезы на несемплированных данных о действиях пользователей и информации из ERP.


Вот пример такого отчета в Power BI:

Шаг 9. перераспределить бюджет

Обладая полными данными и понимая, какое влияние оказывают маркетинговые усилия в онлайне на общий доход, маркетологи COMFY могут эффективнее распределять затраты между рекламными каналами. Кроме того, с помощью полученных отчетов команда маркетинга может показать руководству, насколько полезно онлайн-продвижение для офлайн-продаж, чтобы увеличить бюджет.

Дополнительный анализ:  Исследование рынка лакокрасочных материалов
Оцените статью
Аналитик-эксперт
Добавить комментарий

Adblock
detector