В Google Analytics мы можем посмотреть, сколько раз пользователь взаимодействовал с сайтом, при помощи каких каналов он на него попал и как эта цепочка в итоге завершилась. Но как понять, какой именно канал принес продажу? Здесь помогут модели атрибуции.
Представим следующую цепочку. Мы «поймали» пользователя при помощи контекстной рекламы, он пришел на сайт, оставил свою почту. Он ушел, но через некоторое время его «догнали» при помощи email-маркетинга. Пользователь вернулся на сайт, ушел с него, потом снова вернулся через запрос в поиске и снова ушел. Мы вернули его ремаркетингом, он посетил сайт, ушел, а через некоторое время вернулся на сайт, и он, наконец, совершил покупку.
В этой ситуации возникает вопрос: какой же из каналов в действительности считать ценным? Ответ могут дать модели атрибуции. Модель атрибуции – это набор правил, которые определяют ценность рекламных каналов на пути к конверсии.
Моделей атрибуции в Google Analytics достаточно много. В основной массе отчетов используется модель, которая называется последний непрямой клик. Что это значит? Если мы разложим цепочку коммуникации с пользователем сайта, то мы получим, что последний непрямой клик атрибутирует целевое действие (заявку, транзакцию, заказ), которое идет за один шаг до direct/none (прямой заход на сайт или из «закладок»).
Мы привели пользователя через рекламу, «догнали» его email-рассылкой, SEO. Он пришел к нам на сайт, ушел, снова вернулся. В самом конце пользователь совершил целевое действие, и мы эту транзакцию атрибутировали только четвертому (в данном примере) каналу в очереди. На этом этапе ряд бизнесов начинает делать не совсем верные выводы. Решив, что этот четвертый канал приносит большое количество транзакций, они повышают по нему ставки, игнорируя другие каналы. А это неправильно.
Есть и другая логика, которую мы можем построить из модели под названием первое взаимодействие. В этой модели транзакция атрибутируется первому рекламному каналу вне зависимости от того, насколько длинной была цепочка взаимодействия пользователя с сайтом, из скольких шагов она состояла и сколько времени она заняла. Правильно ли это? Тоже нет. Человек пришел на сайт один раз, и без email-рассылок, ремаркетинга и других рекламных каналов он вряд ли бы снова вспомнил об сайте.
Зеркальное отражение предыдущей модели – модель последнее взаимодействие, когда транзакция атрибутируется последнему касанию. И здесь тоже есть некоторая смысловая ошибка. До direct/non пользователь доходит через какую-то определенную цепочку каналов. Он может запомнить адрес сайта из-за email-рассылки и ввести его в браузерную строку. Либо на него может повлиять контекстная реклама или ремаркетинг. В этом случае мы можем сделать предположение, что данная модель также не описывает реального положения дел и реального вклада каждого канала в то, что человек совершил какую-то транзакцию и принес в конечном итоге прибыль для компании.
Следующая модель – линейная. Она берет то количество денег (целевых действий), которое принес пользователь в рамках данной цепочки, и делит их на количество шагов в рамах данной цепочки. Получается, что все каналы между собой уравниваются. Например, у нас была одна транзакция и пять шагов. Соответственно, 0,2 дохода от транзакции мы атрибутируем на каждый канал в этой цепочке. И снова вопрос: как нам правильно распределять рекламный бюджет? Ведь все каналы между собой усредняются. Кроме того, возможны цепочки и короче. Модель не будет реально отражать эффективность бизнеса. Мы не сможем принимать правильные решения относительно того, как правильно распределить рекламные бюджеты между разными каналами.
Еще одна модель – временной спад. Наибольшую ценность получает канал, который находится последним в цепочке, а наименьшую ценность канал, который находится в цепочке первым. Получается, что максимальный вес мы отдадим каналу direct/non. Но это не рекламный канал, и мы не можем перераспределить на него рекламные деньги и как-либо повлиять на него.
И наконец та, модель, на которой необходимо остановиться подробнее – модель атрибуций на основе позиций. Создать ее можно кастомно.
Суть заключается в том, Google Analytics позволяет задать по умолчанию некую ценность, которую вы хотите атрибутировать на канал, который изначально привел пользователя. Далее у нас есть последний канал, который клиента «дожал». Ему тоже присваивается такая же ценность, как и первому. Остается некоторое промежуточное звено, которое состоит в нашем случае из трех каналов. По умолчанию можно присвоить усредненное значение ценности.
Но опять сложность. Последним снова является direct/non, на который мы повлиять не можем. Здесь на помощь нам приходит создание сложных правил и условий, которые сочетаются между собой операторами И/ИЛИ. Например, мы можем указать, что на первый канал у нас приходится ценность в 40%, на промежуточное звено – 20%, на последний канал – 40%. Но если последнее взаимодействие – это direct/non, то в этом случае мы ему присваиваем ему нулевую ценность. Таким образом, последнее взаимодействие в рамках данной конкретной цепочки сместится на шаг влево, и мы получим более-менее понятную картинку. Здесь мы должны посмотреть, какие каналы были до брендового и начать увеличивать ставки именно на эти рекламные каналы, так как они будут увеличивать количество запросов бренда в поисковых системах.
В каждом бизнесе существует определенный срок, в течение которого пользователь принимает решение о покупке. Например, для сферы недвижимости, это может быть целый год. И тут в работе с Google Analytics может возникнуть проблема: вся цепочка взаимодействий с пользователем записывается только в течение 90 дней. Что делать в таком случае? Выгружать данные с Google Analytics во внешнее хранилище, хранить все эти данные на срок работы с клиентом и затем строить атрибуционные модели самостоятельно. С их помощью удастся понять, в какой рекламный канал необходимо инвестировать деньги, чтобы в рамках срока принятия решения о покупке количество транзакций и, соответственно, доход, увеличивались.
MediaNation использовали модели атрибуции в рамках работы над увеличением продаж интернет-магазина мебели TheFurnish. Мы выгрузили из Google Analytics данные по всем цепочкам, которые приводили пользователя к покупке, и поняли, что в среднем пользователям нужно около 80 дней на принятие решения. Таким образом, внутренние отчеты Analytics нам подошли, и выгружать данные во внешнее хранилище не было необходимости.
Далее мы расписали рекламные каналы в рамках всех этих цепочек и распределили вес и ценность каждого канала. Все это было сделано при помощи атрибуционной модели на основе позиций. После принятия решений мы выгрузили новые ставки и бюджеты тех рекламных кампаний, которых мы раньше не замечали и считали неэффективными. Мы уменьшили вес брендовых запросов, трафика с рассылок, трафика с прямых заходов, а также расширили окно оценки эффективности с 30 до 90 дней.
Результат. Уже через квартал мы увидели следующее: за счет правильного распределения рекламного бюджета доход клиента увеличился на 20 %.
Постарайтесь отходить от базовых отчетов Яндекс.Метрики и Google Analytics, которые показывают не совсем приближенные к жизни атрибуционные модели.
Перестаньте думать об эффективности каждого конкретного канала, потому что зацикленность на KPI и урезание одних каналов приводит к тому, что другие каналы начинают работать хуже.
Необходимо помнить, что всю цепочку взаимодействий с пользователем Google Analytics записывает только в течение 90 дней. Если срок принятия решения о покупке больше, то данные нужно выгружать во внешнее хранилище.