Из онлайна в офлайн: модели атрибуции для омниканального бизнеса

Выбирая из стандартных моделей атрибуции, важно понимать, какие показатели приоритетны для бизнеса, а чем можно пренебречь. Одни модели позволяют оценивать верх воронки, другие показывают наиболее конверсионный канал, но не отражают значимость каналов для охвата аудитории.

Если у вас быстрорастущий стартап, основная цель которого — привлечь максимальное количество пользователей при фиксированном показателе рентабельности инвестиций в рекламу (ROAS) или установленном бюджете, то эффективнее выбрать модель атрибуции First Click (по первому клику). Она позволит оценить, какие каналы привлекли людей, которые затем совершили конверсию (то есть покажет самый верх воронки).

В случае, когда у компании короткий срок закрытия сделки и в конверсии участвует небольшое число каналов, можно использовать модель Last Non-Direct Click (атрибуция по последнему непрямому клику). В ней не учитываются прямые переходы, а наиболее ценным с точки зрения конверсии считается последний канал, из которого пришел клиент перед совершением целевого действия.

У крупного В2В-проекта или B2C-компании с большим средним чеком –– например, автодилера или застройщика – срок закрытия сделки может доходить до года; такой компании точно не подойдет атрибуция First Click. Это связано с тем, что в долгосрочной перспективе ценность составляют все каналы в миксе. Из стандартных моделей атрибуции могут сработать линейная (всем каналам в миксе присваивается равная ценность) или оценка по давности взаимодействия (наиболее ценным считается канал, который находится «ближе» к конверсии по времени контакта с пользователем).

Компании часто используют сразу две модели атрибуции, но при таком подходе один и тот же доход атрибутируется дважды. Если необходимо оценить взаимодействие каналов и распределение их влияния на конверсию, то эффективнее использовать алгоритмические модели атрибуции. Однако для работы с ними необходимы релевантные навыки и ресурсы внутри команды.

Для выбора и построения эффективной алгоритмической модели необходимо определиться, какие показатели вы хотите оценивать, какие шаги учитывать и какие данные использовать. Составьте максимально полный список факторов, влияющих на конверсию. Это поможет понять, как атрибутировать ценность совершенного целевого действия на все события. С первого раза составить полный список вряд ли получится. Будьте готовы к экспериментам и ошибкам – выбранная модель может не подойти, а расчеты внутри могут оказаться некорректными.

Стандартные модели атрибуции редко подходят всем компаниям. Алгоритмические сработают эффективно для многих при адаптации под цели и задачи бизнеса. Главное – понимать, что атрибуция – это инструмент, который требует времени и терпения. Нельзя найти верный подход быстро и просто.

First Click эффективно оценивает верх маркетинговой воронки, Last Non-Direct Click – последние этапы. Однако не очень эффективно анализировать разные стадии пути пользователя к конверсии в отрыве друг от друга – необходимо измерять затраты и результаты по всей воронке.

По мере развития технологий задачи маркетологов усложняются. Недостаточно собрать и посчитать данные – важно понять, что делать с ними после. Вопрос «Куда ушли деньги?» меняется на «Почему деньги ушли именно туда, какой результат они принесли и как эффективнее распределить бюджет в будущем?».

Данные аналитики применяются для выстраивания маркетинговых кампаний. Например, результаты RFM-анализа – сегментации клиентов по частоте и сумме покупок – используют для управления рекламными кампаниями и условиями программы лояльности, таргетированными на разные группы целевой аудитории. Также можно работать с результатами расчета по ROAS в биддинговой системе для управления ставками в режиме реального времени. Используйте данные, чтобы эффективно оптимизировать настройки: повышайте ставки в тех каналах, которые показывают высокие результаты конверсии.

Компаниям, которые работают в онлайне и в офлайне, важно иметь возможность атрибутировать покупки в физических магазинах и понимать, как на них влияет продвижение в сети. Например, пользователь мог увидеть рекламу в интернете, изучить отзывы, прийти в офлайн-магазин и совершить покупку. Оплата при этом может проводиться как при оформлении, так и по факту получения покупки.

Отследить влияние онлайн-рекламы, особенно медийной, на офлайн-конверсии позволяет оценка Post-View офлайн-конверсий на основе CRM-данных рекламодателя. Инструмент анализирует, показывалась ли реклама пользователю, совершившему конверсию. При этом целевые действия могут быть не только в онлайне, но и в офлайне. Например, в myTarget можно загружать в рекламный кабинет CRM-данные с информацией о визитах в офлайн-магазины и покупках в CSV-файле, чтобы система могла оценить, кто из пришедших клиентов контактировал с рекламой в сети. Модель позволяет связать онлайн и офлайн и построить сквозную аналитику.

Дополнительная сложность возникает, когда бизнесу необходимо учитывать возвраты. С ними автоматизированные и аналитические сервисы, например, Google Analytics, справиться не могут. Такие сервисы не редактируют данные ретроспективно – если конверсия была совершена в августе, а возврат произошел в октябре, то в отчете за август отмена не будет отображена. Это приведет к тому, что итоговый доход будет отличаться от данных из вашей CRM-базы.

В компаниях, которые работают и в онлайне, и в офлайне, достаточно длинная цепочка взаимодействия клиента с рекламой до момента покупки. Именно поэтому важно отслеживать не только каждый этап этой цепочки, но и взаимное влияние каналов друг на друга. Например, атрибуция Last Non-Direct Click не позволит учитывать контакты до последнего шага. Если рекламодатель в течение двух недель взаимодействовал с пользователем с помощью ремаркетинга, а затем отправил email-рассылку, с которой человек перешел на сайт и совершил покупку, сложно оценить, сработало бы письмо без ремаркетинга или нет. В миксах «ремаркетинг – ремаркетинг – email – ремаркетинг» или «email – email – медийная реклама», или «ремаркетинг – медийная реклама – видеореклама – email» важно понимать, какой из каналов в большей степени повлиял на конверсию.

Кроме того, омниканальный бизнес нацелен на удержание клиента – таким компаниям важно оценивать не только первую покупку и канал, из которого пришел пользователь, но и повторные покупки. В аналитических сервисах оценка первых и повторных покупок происходит по каналу трафика. Проанализировать данные на уровне пользователя — например, оценить стоимость привлечения конкретного клиента и возврат инвестиций — не получится.

Омниканальный ритейл сталкивается с тремя важными проблемами, в решении которых способна помочь аналитика: прогнозирование дохода, оценка кроссплатформенных покупок и продаж комплементарных товаров.

В прогнозировании дохода атрибуция должна отвечать на вопрос «Какая ценность будет распределена и с какой вероятностью?». На основании этого специалисты смогут с большей уверенностью и эффективностью управлять ставками в кампаниях, маркетинговыми бюджетами и бизнес-решениями в целом.

Анализ выкупа комплементарных товаров необходимо проводить, чтобы понимать, каким сессиям стоит присваивать ценность конверсии. Например, при покупке телефона и чехла приобретение последнего стоит атрибутировать на одну конверсию со смартфоном. Если после покупки одного товара вам показали рекламу другого, и вы решили приобрести и его тоже, часть ценности конверсии должна относиться к сессии первой покупки.

Оценивать кроссплатформенные покупки важно, чтобы анализировать весь путь пользователя на разных устройствах и понимать, какой канал эффективнее работает на каждом из этапов воронки. Например, человек может посмотреть продукт днем с рабочего компьютера, вечером с домашнего планшета, а завершить покупку в магазине. Пока маркетологи сталкиваются с тем, что свести все сессии и контакты одного пользователя с продуктом и рекламой в разных каналах достаточно сложно.

У каждой компании свои задачи, подходы и ресурсы для работы с аналитическими инструментами. Чтобы эффективно оценивать показатели маркетинговых кампаний, необходимо четко понимать свои цели, анализировать путь пользователя к покупке и тестировать разные подходы к атрибуции. Работа с аналитикой данных позволяет не только оценивать проведенные активности, но и выстраивать и прогнозировать результаты будущих кампаний, а также принимать взвешенные и обоснованные бизнес-решения.