Канули в лету времена, когда компании работали только с одним источником трафика. Сегодня преимущественно используется комплексный подход к продвижению: контекстная реклама, SEO, SMM, контент-маркетинг, партнерки, оффлайн-реклама. Но тут возникает проблема: как оценить вклад каждого канала в общий результат? На каком этапе цепочки взаимодействия клиент «созрел» для целевого действия? Это очень важные вопросы, от ответов на которые зависит стратегия продвижения и объем инвестиций в тот или иной канал.
Для отслеживания конверсий в Google Analytics используются разные модели атрибуции. Атрибуция — это правило, согласно которому распределяется вес между точками взаимодействия.
Приведем пример.
Человек захотел купить новый телевизор. Он вводит в поиске «телевизор купить» и получает список сайтов. Далее он начинает изучать предложения, и, оказывается, есть и LED-телевизоры, и LCD, и 4К, и FullHD… Пользователь вникает в тему, читает обзоры, смотрит видео. И это может длиться несколько дней или даже недель. За это время он несколько раз взаимодействует с вашим брендом: читает отзывы о магазине на форуме, встречает вашу рекламу в видеообзоре, переходит на ваш сайт из органики или контекстной рекламы — вариантов масса. В итоге он добавит сайт в закладки и сделает заказ, когда получит зарплату.
Вопрос: кто привлек клиента?
Вот тут в дело вступают многоканальные последовательности и модели атрибуции — если их правильно настроить, то получится более-менее объективно оценить вклад каждого канала.
Рассмотрим каждую модель подробнее.
Последнее взаимодействие
Большинство систем аналитики по умолчанию работают по модели last click (исключение — Google Analytics, которая работает по последнему непрямому клику). В итоге все «лавры» достаются тому каналу взаимодействия, который был последним. Но это не отражает объективной картины. Особенно страдают контент-маркетологи, которые проделывают огромную работу задолго до непосредственной конверсии: знакомят пользователей с продуктом и обучают, развивают в них желание сотрудничать и завоевывают доверие пользователя, следствием чего и является в итоге заказ или иное целевое действие, выполненное потенциальным клиентом.
В итоге можно сказать, что данная модель атрибуции приемлема для очень простых товаров и товаров мгновенного спроса. Например, это услуги такси, аварийной прочистки канализации или вскрытия замков. В этом случае человек не будет долго выбирать — он просто зайдет на сайт (из поиска или контекста) и закажет товар или услугу. А вот для продуктов, где принятие решения требует времени и тщательной подготовки, данная модель атрибуции необъективна. Причем это необязательно сложные продукты. Например, люди могут долго выбирать косметику, корм для животных, мебель и т. п.
По последнему непрямому клику
Данная модель атрибуции, как мы упомянули выше, используется по умолчанию в Google Analytics. Это логичная модификация предыдущей модели. Суть ее в том, что если пользователь осуществляет конверсию после прямого захода (из закладок или путем введения в строку браузера URL), то засчитывается предыдущий канал. Если же переход был непрямым, то данная модель аналогична предыдущей.
Это попытка устранить недостаток модели last click — если пользователь напрямую заходит к вам, то он откуда-то узнал о сайте. Вот Google Analytics и выявляет этот факт. Проблема в том, что остальные недостатки модели last click никуда не деваются — по-прежнему неизвестно, каким был вклад взаимодействий до последнего (или предпоследнего) перехода.
Последний клик в AdWords
По сути, это предыдущая модель с той лишь разницей, что 100% конверсий присваиваются последнему клику по объявлению AdWords в цепочке взаимодействий. Данная модель полезна, когда надо выявить контекстные объявления с наибольшей конверсией.
Первое взаимодействие
В модели first click учитывается только первый канал в цепочке продаж.
Оценивать конверсии по модели first click нет смысла, но если ваша цель — познакомить пользователей с новым брендом или продуктом и пробудить интерес, то эта модель атрибуции может подойти.
Линейная модель
В этом случае учитываются все каналы взаимодействия, и им присваивается одинаковый вес.
С одной стороны, такой подход позволяет учесть все предыдущие взаимодействия. С другой стороны, принцип «уравниловки» не отражает вклада каждого канала. Это все равно, что если бы на Олимпиаде в Сочи всем спортсменам раздали грамоты за участие, похлопали по плечу и сказали «Победила дружба!». Наверняка эффект от экспертной статьи в блоге, вирусной картинки в ВК и видео на YouTube будут разными.
С учетом давности взаимодействий
Это интересная модель, которая основана на понятии экспоненциального распада. Гипотеза состоит в том, что чем ближе к конверсии точка взаимодействия, тем выше ее ценность.
Согласно этой модели, период полураспада составляет 7 дней. То есть взаимодействие, которое имело место за 7 дней до конверсии, в 2 раза менее ценно, чем то, которое было в один день с ней, а за 14 дней — в 4 раза. По умолчанию период анализа составляет 30 дней. Эта модель хорошо подходит для продукции с быстрым периодом конверсии и для краткосрочных кампаний.
С привязкой к позиции
Чтобы исключить противоречия и недостатки моделей first click и last click, их можно просто объединить.
Обычно вес распределяется по 40% между первым и последним кликом, а остальные 20% — поровну между промежуточными точками взаимодействия. Эта модель имеет свою логику — первый контакт познакомил клиента с продуктом, он имеет такое же значение, как и последний, который привел к конверсии. Роль промежуточных взаимодействий также в определенной мере учитывается.
Подводим итоги
Модели атрибуции позволяют по-разному взглянуть на вклад каждого канала взаимодействия. Помните, что оценка эффективности разных каналов должна проводиться в рамках единой модели атрибуции — в противном случае данные не будут сопоставимыми.
Выбор модели атрибуции зависит от:
- особенностей продукта;
- целевой аудитории;
- поставленных целей.
Например, для кампаний, где решение принимается мгновенно, подойдет простая модель last click. Если же ваша цель — повысить осведомленность аудитории, то полезна будет модель first click. В остальных случаях нужно искать ту промежуточную модель, которая будет оптимально отражать процесс принятия решения о покупке.
Стоит сказать, что в Google Analytics можно разрабатывать собственные модели атрибуции, но это довольно трудоемко, так как требует серьезных исследований аудитории.
