Скопировать ссылку
Почему performance-каналы и медийная реклама работают на одну цель
Деление на performance-каналы и медийную digital-рекламу — та реальность, в которой живут большинство рекламодателей. Причем часто этим занимаются разные отделы, которые могут даже не пересекаться друг с другом.
Задача performance-каналов — генерировать продажи. Здесь все прямолинейно: есть набор площадок, например, «Яндекс.Директ» и Google Ads, вы выставляете конкретные настройки, запускаете рекламу и затем отслеживаете продажи.
Задачи медийной рекламы находятся в другой плоскости. Она формирует у пользователей знание, повышает узнаваемость бренда. В конце концов делает так, чтобы пользователь пошел в «Яндекс» и вбил тот самый запрос, по которому мы показываем контекстную рекламу. Для оценки эффективности используются такие метрики, как Awareness, Brand Lift и прочие. При этом все понимают, что аудитория, охваченная этими рекламными инструментами, потом как-то конвертируется в покупателей, но лишь немногие рекламодатели используют эконометрические модели для этой оценки.
Такая система действует уже много лет. В реальности же для пользователей нет никакого деления на медийную и performance-рекламу. Есть просто реклама, которую они видят в интернете. А дальше на основе этой рекламы (понятна ли она, зацепила ли за живое) и своих потребностей люди либо оформляют заказ, либо нет. Причем у разных пользователей путь от формирования этой потребности до покупки может как различаться, так и совпадать.
Этот путь можно посмотреть в отчете по ассоциированным конверсиям, где последовательно отражены все каналы, которые потребитель использовал до совершения покупки (а на самом деле не все, но об этом расскажем чуть ниже).
Однако этот отчет существует как будто отдельно от общей системы оценки в Google Analytics, потому что стандартно эффективность рекламы измеряется по последнему непрямому клику. И это одна из причин, почему рекламодатели до сих пор разделяют performance-каналы и медийную рекламу.
Измеряя эффективность по последнему непрямому клику, вы можете нормально оценить только performance-рекламу, которая генерирует продажи. Но это не значит, что другие каналы не нужны.
Например, в отчете мы видим, что конверсия была совершена при переходе с контекстной рекламы. И тут достаточно часто мы слышим неправильный вывод: «У нас работала медийная кампания, но продажи с нее были очень дорогие. Давайте остановим ее и будем инвестировать в контекстную рекламу». Почему вывод неверный? Если отключить медийные каналы, конверсия из контекстной рекламы тут же упадет.
Чтобы не потерять потенциальных клиентов, важно правильно оценивать путь пользователя, делать верные выводы и уметь строить ту модель атрибуции, которая будет отражать вашу реальность.
Как оценить эффективность каждого канала в цепочке
Модель атрибуции — это правило, распределяющее полученные конверсии между рекламными каналами, которые пользователь применял для взаимодействия с брендом или с сайтом. При построении модели атрибуции стоит понимать, что путь пользователя в разных тематиках различается.
- Простой путь, без большого количества каналов и сложного взаимодействия. Пример — товары «горячего» спроса. Для одежды и обуви такой путь особенно характерен. Человек видит рекламу кроссовок и тут же думает: «Хочу купить». А потом просто идет и покупает. Поэтому вводить здесь какие-то сложные модели атрибуции особого смысла нет. Разница все равно будет минимальной.
- Сложный путь со множеством каналов и взаимодействий пользователя с брендом. Пример — взятие ипотеки или покупка машины. Также в эту категорию могут попасть товары из первого пункта, если есть сильная медийная digital-поддержка. В таких случаях нужна более сложная модель атрибуции.
В качестве мультиканальной модели атрибуции можно использовать и линейную, которая предусмотрена в большинстве систем аналитики. В линейной модели для каждого пути пользователя конверсия распределяется равномерно между каналами-участниками. То есть если в цепочке до конверсии у вас было пять каналов, каждый из них получит одну пятую часть этой конверсии. Такая схема хорошо работает, однако она не учитывает взаимодействия между каналами, то есть как они влияют друг на друга и как конкретный канал приводит к конверсии.
Для этого используются более сложные алгоритмы мультиканальных атрибуций, в основе которых лежат математические законы, характерные для подобных процессов.
Один из распространенных алгоритмов, который для этого применяется — цепи Маркова. Это достаточно универсальный инструмент, применяемый для оценки случайных процессов. А в данном случае путь пользователя — именно такой процесс, у него нет четко описанной закономерности.
Цепи Маркова также использовались в алгоритме Google Page Rank. Принцип действия простой: пользователь переходит с одного сайта на другой, и задача алгоритма — определить, какому ресурсу присвоить больший вес, чтобы в итоге он показывался выше в поиске. То же самое сейчас происходит с рекламными каналами.
Результат достигается за счет матричного умножения так называемой стохастической матрицы, составленной для всех рекламных каналов, на вектор первоначальных вероятностей использования тех же каналов. Повторяя этот процесс большое число раз до заданной точности, мы получаем вектор коэффициентов распределения конверсий между каналами.
Как построить мультиканальную модель атрибуции
- Оцените пользовательский путь. Если он достаточно простой, то есть нет 10–20 касаний с брендом до конверсии, то строить модель мультиканальной атрибуции не обязательно.
- Определите период анализа и дополнительно сегментируйте пользователей. Период можно выявить с помощью отчета по ассоциированным конверсиям. Помимо этого, в Google Analytics есть отдельный отчет «Время до конверсии», который помогает понять, сколько времени нужно клиентам для принятия решения о покупке.
Дополнительная сегментация также важна, потому что путь пользователя в зависимости от его типа может различаться. Например, если у вас постоянная клиентская база, путь достаточно простой: люди переходят на сайт с контекстной рекламы, из поиска или вводят название ресурса сразу в адресной строке. Тогда модель атрибуции не нужна, вы можете оценивать эффективность по последнему прямому клику.
Если речь о новых пользователях, то картина другая. Они еще не знают, у кого оформить покупку: у вас или у конкурентов. Поэтому количество взаимодействий с брендом будет намного больше. И в этом случае построение модели атрибуции уже имеет смысл. - Соберите необходимые данные. Выгрузите информацию о сессиях посетителей сайта в разрезе каналов через API. В Google Analytics можно собирать «сырые» данные о пользователях и применять различные трекеры для точной оценки медийной рекламы.
Поясним, почему мы говорим о Google Analytics и Campaign Manager. У обоих продуктов есть классный функционал по связи показов медийной рекламы с той самой цепочкой ассоциированных конверсий. То есть в цепочке ассоциированных конверсий вы сможете увидеть не только клики, но и показы медийной рекламы. И это крайне важно для оценки медийной рекламы, потому что она не генерирует трафик напрямую. Ее цель — показать бренд и его УТП. А трекинг позволяет получить более точные результаты и увидеть эту разницу в модели атрибуции.
- Обработайте «сырые» данные. Выделите отдельные пользовательские пути, то есть определите, какие рекламные каналы и инструменты используют те или иные посетители сайта.
- Постройте модель атрибуции. Сделать это можно в R Studio, Python и так далее.
- Обработайте полученные результаты. На этом этапе сравните полученные результаты со стандартными моделями атрибуции и сделайте выводы. Важно понять, правильно ли распределены бюджеты между каналами.
Кейс: оценка каналов с помощью разных моделей атрибуции
Чтобы наглядно показать разницу в оценке эффективности каналов с помощью разных моделей, мы построили стандартную модель атрибуции и модель на основе цепей Маркова.
Обработав все данные, мы увидели, что те каналы, которые отвечают за формирование знания (медийная реклама и охватные социальные сети), в стандартной модели атрибуции сильно недооценены. Прирост конверсий составляет +21% и +35% соответственно. Performance-реклама в социальных сетях также обеспечивает хороший прирост — +15%, а вот контекстная реклама — только 4%. Для ряда каналов Google была возможность видеть цепочку от показа, что также сказалось на приросте эффективности. Поэтому если бы в социальных сетях была возможность установить трекеры и отслеживать показы в цепочке, эффективность могла быть еще больше.
При этом органический трафик и число прямых заходов сократились. И это вполне очевидно: органический поиск — своеобразный аналог брендового трафика, который чаще всего участвует на финальном этапе, когда человек уже знаком с брендом и понимает, зачем и куда он идет.
Что важно помнить при построении мультиканальной модели атрибуции
При всех «плюсах» мультиканальной модели атрибуции у нее есть ряд ограничений. Она не описывает на 100% ту реальность, которая у вас есть. Она позволяет делать это лучше, чем было до этого.
Вот три основных ограничения, которые можно выделить:
- Не учитывает кросс-девайс. Если пользователь заходит с браузера, с телефона, а потом с рабочего компьютера, для системы аналитики это три разных человека, потому что это три разные куки. Конечно, есть связка через аккаунт Google. То есть если человек использует Android и заходит в Chrome с компьютера, Google понимает, что это один пользователь, потому что у него единые куки. Но если он использует Safari на IPhone, отследить это, скорее всего, не получится.
- Не учитываются оффлайн-продажи. Если человек посмотрел рекламный ролик на YouTube, но потом не перешел на сайт, а решил сразу прийти в оффлайн-магазин, вы это не отследите.
- Если вы параллельно запустили офлайн-кампанию, ее результаты также будут влиять на распределение эффективности рекламных каналов, но мультиканальная атрибуция это никак не учтет.
Для оценки оффлайна и рекламных кампаний, где нет связи с конкретным пользователем (под пользователем мы имеем в виду куки), нужен другой подход. Необходимо использовать эконометрические модели. Они также помогут определить, правильно ли распределен бюджет между каналами.
Поэтому прежде чем в принципе строить ту или иную модель атрибуции, нужно понять, подходит ли это вам с учетом специфики конкретного бизнеса. Только так вы в дальнейшем сможете грамотно оценить эффективность рекламных инструментов, сделать верные выводы и оптимизировать путь пользователя в онлайн-каналах.
