Сегодня для продвижения продукции существует множество цифровых каналов, но они неравноценны в плане скорости и надежности доведения клиента до покупки. В связи с этим важно оценить их эффективность, чтобы выделить наиболее перспективные. Для этого разработана специальная технология, называемая маркетинговой атрибуцией.
В широком смысле маркетинговая атрибуция (или мультитач-атрибуция) — это процесс определения и анализа набора действий клиента, которые в конечном итоге привели его к покупке. К таким действиям, также называемым точки взаимодействия, может быть все, что потенциальные покупатели совершают на пути к сделке — от ввода запроса в строке поисковой системы до обращения в отдел продаж по телефону.
Атрибуция (лат. attributio — приписывание) — термин, который используется в психологии и обозначает, механизм объяснения причин поведения человека. Аналогично атрибуция в маркетинге представляет собой анализ взаимодействия людей с брендом на различных онлайн- и офлайн-платформах. Цель заключается в том, чтобы количественно оценить то влияние, которое данное воздействие по этим разнообразным каналам оказывает на совершение желаемого действия, т.е. покупки.
До некоторого времени в маркетинге доминировала простейшая модель: атрибуция последнего клика. По ней наивысший приоритет достается последнему каналу, с которым взаимодействовал клиент. Это актуально в том случае, если бизнес-модель предполагает быструю покупку без обдумывания решения, либо если маркетинговая кампания направлена на привлечение клиента прямо в момент покупки. Тем не менее бизнес все равно параллельно ведет другие маркетинговые онлайн-активности и всегда желает знать, что происходило «до».
Ранее, сбор данных о пути клиента был затрудненным и требовал значительных ресурсов, преобладала модель последнего клика, а самым эффективным считался маркетинговый канал, который его принес. В настоящее время информация о действиях потребителя перед покупкой стала более доступной, что привело к смене парадигмы от атрибуции одного «касания» (one-touch) к моделям, учитывающим множество «соприкосновений» (multi-touch) клиента с брендом.
Современные подходы маркетинговой атрибуции используют методы статистического моделирования и машинного обучения для присвоения веса каждой точке взаимодействия на различных этапах пути клиента. В результате становится ясно, какие каналы наиболее действенны для достижения ключевых показателей эффективности. Маркетологи получают информацию, позволяющую оптимизировать расходы по каналам и кампаниям, а также увеличить рентабельность инвестиций.
Таким образом, подход на основе анализа множества взаимодействий обеспечивает более точную и целостную картину, чем модели атрибуции с одним касанием, такие как первый клик или последний, которые присваивают всю ценность одному взаимодействию, в то время как мультитач-атрибуция учитывает весь извилистый путь клиента к покупке.
Атрибуция в маркетинге позволяет:
У маркетологов нет цели настраивать десятки отчетов и сравнивать метрики по разным моделям атрибуции. Им важно понять, какие кампании генерируют доход, а какие — убыток. После этого им нужно принять одно из решений: отказаться от кампании, оптимизировать или масштабировать ее, либо оставить все как есть.
Поскольку многоканальный маркетинг продолжает непрерывно развиваться, параллельно совершенствуются и технологии маркетинговой атрибуции. Поэтому к настоящему времени сложилась определенная их типизация:
При этом виды MTA, FFA и FPA часто считают взаимозаменяемыми.
Сейчас потенциальным клиентами на рынке доступен огромный выбор товаров и услуг. Это позволяет потребителям выбирать, сравнивать продукты и обдумывать целесообразность их покупки. Поэтому ситуация «пришел — увидел — купил» работает в настоящее время достаточно редко. При первом посещении сайта компании потенциальный покупатель обычно только знакомится с брендом. Путь клиента от знакомства к покупке выстраивается по воронке продаж, которая включает множество каналов для его привлечения.
Таким образом, несколько каналов работают на то, чтобы привести одного и того же потребителя к покупке. Но не все каналы вносят одинаковый вклад в результат. Чтобы понять, какие именно из них действуют эффективно, а в какие вообще не стоит вкладываться, необходимо применять анализ данных. А чтобы выяснить, какая точка соприкосновения оказала решающее действие, используются модели атрибуции.
Модель атрибуции — это набор правил, образующий алгоритм, по которому различным взаимодействиям клиента с брендом на его пути к покупке присваиваются числовые значения (веса). Их совокупность позволяет оценить эффективность канала, в котором эти соприкосновения произошли.
В маркетинговой атрибуции используются различные методологии моделирования. Каждая из них имеет свой собственный подход к присвоению весов точкам взаимодействия на пути клиента. Рассмотрим наиболее распространенные из них.
Атрибуция по последнему клику (Last Interaction Model, Last Click). Эта упрощенная модель типа STA, которая присваивает 100% ценности последней точке взаимодействия, предшествующей покупке. Несмотря на то, что логику последнего клика легко понять, при использовании данной модели выпадают из рассмотрения более ранние точки касания, что исключает возможность оптимизации.
Атрибуция по последнему клику
Удачный вариант для отслеживания покупок, которые происходят быстро и спонтанно. Кроме этого, работает даже если клиент очистил или отключил куки и осталось только последнее действие.
Атрибуция по первому клику (First Interaction, First click). Приписывает 100% ценности первой точке соприкосновения клиента с брендом. Эта модель правильно учитывает первоначальную осведомленность о продукте, но игнорирует факторы, касающиеся последующих этапов. Удобна для оценки узнаваемости бренда.
Атрибуция по первому клику
Линейная атрибуция (Linear model). Предполагает, что все точки соприкосновения клиента с брендом на пути к покупке имеют одинаковую ценность (что маловероятно). В результате линейная модель отражает весь путь, но не описывает различные последствия каждого взаимодействия. Модель позволяет увидеть, какие каналы имеют ценность — отобразит каждый, который участвовал в пути к конверсии.
Линейная атрибуция
Однако если оценки эффективности всех каналов будут одинаковы, то невозможно выделить, какие работают лучше, а какие — хуже.
Атрибуция временного распада (Time-Decay attribution). Использует фактор времени: чем ближе точка взаимодействия к покупке во времени, тем выше ее ценность. Наиболее удачно подходит для сделок с длинным циклом продажи, например, в сфере недвижимости. Однако оценить, какие именно каналы первыми привели клиента, почти невозможно. Кроме этого, присутствует риск переоценить канал, в котором был последний клик, поскольку он далеко не всегда является решающим.
Атрибуция временного распада
Атрибуция на основе позиции (Position-Based Model). Ценность точек взаимодействия определяют исходя из их положения в пути клиента. Например, для первой и последней точек по 40%, а для всех промежуточных в сумме оставшиеся 20%. В этом случае говорят об U-образной модели.
U-образная модель атрибуции
Удачный выбор для бизнеса, который изначально планирует несколько точек касания до покупки, а не быстрые конверсии. Кроме этого, ценность получают наиболее важные, по мнению маркетологов, каналы: первое знакомство с продуктом и последнее касание, которое мотивирует на покупку.
W-образная атрибуция. Модель похожа на U-образную, но вес получают не только точки первого и последнего взаимодействия, но и одна из промежуточных. Крайние и промежуточная точка получают по 30%, а между остальными распределяются оставшиеся 10%.
U-образная модель атрибуции
Оценка точки на середине пути открывает возможности по оптимизации кампании. Однако не всегда понятно, как клиент взаимодействует с брендом на середине пути. Кроме этого, 10% ценности для всех остальных касаний может оказаться заниженной оценкой.
Модель атрибуции полного пути или Z-образная модель. Похожа на W-образную, но к первому и последнему касаниям добавляется точка, в которой клиент совершил интересующие маркетолога действия (лиды): подписался на рассылку, сообщил свой email взамен на что-то и т.д. Ценность распределяется по 22.5% для каждой из четырех точек, а остальные 10% — между остальными.
Z-образная модель атрибуции
Модель сложна в реализации, но позволяет достаточно точно и полно отслеживать пути клиента к конверсии, определить наиболее эффективные каналы.
Атрибуция на основе данных. Использует статистическое моделирование и машинное обучение для определения веса каждой точки взаимодействия. Они уникальны для каждого бренда и основаны на истории взаимодействия с потребителями.
Это алгоритмическая модель атрибуции, которая оценивает все действия клиента до покупки с помощью статистики и машинного обучения. Алгоритмы определяют, какие объявления, ключевые слова и кампании оказались наиболее или наименее эффективными. В такой модели выявляются и сравниваются зависимости и закономерности, которые привели к покупке или наоборот ей помешали.
Модель относится к продвинутым и дает весьма точные результаты, оценивает все каналы взаимодействия с клиентами. Однако она достаточно сложна в настройке и работе, требует специальное аналитическое ПО и компетентных аналитиков.
Пользовательская модель атрибуции. Подходит для компаний с хорошо выстроенным маркетингом и достаточными ресурсами: продвинутым аналитическим ПО и профессиональными аналитиками. Для каждого взаимодействия ценность приписывают вручную на основе глубокой аналитики большого объема данных.
Дает полную картину пути клиента со всеми подробностями. Однако модель сложна в настройке и требует много исходных данных высокого качества.
При решении использовать атрибуцию в практике маркетинговой деятельности компании наиболее важным является выбор модели, который должен производиться с учетом целей анализа, ограничений данных и ресурсов. Каждый подход имеет определенные плюсы и минусы, поэтому выбор оптимального обычно требует определенных компромиссов.
Так, атрибуция по последнему клику имеет хорошую интерпретируемость, но не учитывает влияние ранних этапов пути клиента. По первому клику правильно учитывает фактор осведомленности, но игнорирует влияние конечных этапов. Линейная модель проста, но является очень приближенной и малореалистичной. При использовании модели временного распада заранее неизвестно, насколько ценность поздних взаимодействий выше, чем ранних.
С точки зрения точности наилучшим вариантом выглядит мультитач-атрибуция на основе данных. Но она требует дополнительных затрат, связанных с оплатой специалистов в области статистического моделирования и машинного обучения, а также сбора, очистки и предобработки исходных данных.
В связи с этим оптимальной стратегией видится тестирование различных моделей, которое поможет определить, какая из них обеспечивает наилучшее понимание пути клиента и возможности его оптимизации. В идеале решение для маркетинговой атрибуции должно включать несколько моделей, позволяющих легко сравнивать пути клиентов.
После того как в компании принято решений о начале использования атрибуции в маркетинговой деятельности, необходимо сделать следующие шаги:
Хотя атрибуция является мощным инструментом для оценки эффективности маркетинговых кампаний, с ней связан ряд проблем, которые могут повлиять на точность, надежность, достоверность результатов и в конечном итоге на принятые решения. Рассмотрим основные из этих проблем.
Качество данных. Маркетинговая атрибуция основана на сборе и анализе данных из различных источников, таких как веб-аналитика, CRM, электронный маркетинг, социальные сети и т. д. Однако качество этих данных может быть различным в зависимости от источника, технологий сбора, уровня детализации и т.д. Например, ряд источников может содержать пропуски, выбросы или просто ошибки.
Некоторые источники могут иметь разные форматы (например, часовые пояса, валюты, представления чисел, даты и времени). Другие — содержать дубликаты или противоречия. Все эти факторы снижают качество данных и не позволяют получить корректные результаты. Поэтому при реализации атрибуции необходимо использовать продвинутую платформу управления данными, которая обеспечивает их интеграцию, очистку, стандартизацию перед использованием.
Сложность. Маркетинговая атрибуция — это прежде всего задача моделирования. При этом сами модели и алгоритмы их построения, использующие методы математической статистики и машинного обучения, могут быть достаточно сложными. Однако сложность может варьироваться в зависимости от типа и количества точек взаимодействия, каналов, кампаний, а также используемых допущений и метрик.
Например, в некоторых моделях могут использоваться простые правила, такие как «первое касание», «последнее касание» или «линейное». В других применяются более сложные методы, например, вероятностные, временные зависимости, взвешивание и т.д.
Все эти модели имеют свои преимущества и недостатки, но ни одна из них не может отразить всю реальность пути клиента. Поэтому перед применением модели маркетологам необходимо оценивать ее сложность и трудоемкость, а также компромиссы и ограничения, которые потребуются при ее использовании.
Предвзятость. Маркетинговая атрибуция направлена на предоставление объективной и непредвзятой информации об эффективности маркетинговых кампаний. Однако на ее результаты могут влиять различные факторы, которые вносят в анализ предвзятость или ошибку. Например, данные могут оказаться нерепрезентативными, содержать шум, выбросы и мультиколлинеарность.
Все эти факторы могут повлиять на достоверность и надежность результатов и привести к ложным или вводящим в заблуждение выводам. Поэтому маркетологи должны знать о потенциальных источниках предвзятости или ошибок и использовать соответствующие методы и приемы для устранения или минимизации их влияния.
Важно осознавать, что без четкого понимания плюсов и минусов каждой модели отчеты об атрибуции трудно структурировать и настраивать в соответствии с целями организации. Идеальной стратегии, строго говоря, не существует, поскольку маркетинговая атрибуция не является точной дисциплиной и требует использования метода проб и ошибок.
Внедрение моделей атрибуции в практику маркетинговой деятельности компании не является каким-то разовым мероприятием, а требует постоянного сбора данных, адаптации моделей к изменениям в поведении потребителей. Первоначальные инвестиции могут быть значительными, при этом открываемые возможности позволяют добиться не только оптимизации расходов на маркетинг, но и лучше узнать своих существующих и потенциальных клиентов, что позволит разрабатывать эффективные стратегии повышения лояльности имеющихся и привлечения новых потребителей.
Если использовать маркетинговую атрибуцию правильно, то ее модели станут ориентиром для компании. Когда бизнес знает не только профиль своих потребителей, но и их путь клиента, он получает больше шансов предложить свой продукт или услугу клиенту в нужное время и в нужном месте.
Другие материалы по теме:
Предсказание рейтингов ТВ-программ: методы машинного обучения на платформе Loginom
Классификация данных методом k-ближайших соседей
Аналитическое решение для оптимизации маркетинговых кампаний в Ингосстрах
