Выстраивание многоканальной аналитики от простого к сложному

Александр Егоров (Alytics) поделился кейсами по выстраиванию многоканальных последовательностей в своем докладе «Оценка эффективности каналов трафика с учетом многоканальных последовательностей и построения атрибуции».

Реклама, которая продвигает магазин, требует затрат и обязательно должна окупаться. Как ни странно, большинство интернет-магазинов справляются с этим с трудом, а у некоторых этого не получается вообще.

Дело в том, что, чтобы удерживать рекламу в плюсовой зоне, необходимо ее все время оптимизировать. А для того чтобы ее оптимизировать, нужно измерять ее эффективность и в частности — эффективность каждого рекламного канала. Иногда даже более тонких сегментов — например, ключевых слов.

При этом есть нюанс — многоканальные последовательности.

Предположим, я решил что-то купить, например, стол на кухню. Я зашел в Яндекс, набрал “купить стол”, кликнул на рекламу, походил-походил, не купил. Потом зашел в фейсбук, опять увидел вашу рекламу, кликнул — и отложил покупку. Жена уехала в командировку, без нее не буду стол покупать. Прошло еще два дня. Еду в метро на работу, опять кликнул на рекламу этого же самого магазина… Не купил. Не сейчас. Работы много, стол заказывать долго, на выходные отложу. Наступили выходные. Я зашел на свой любимый журнал “Форбс”, прочитал про Абрамовича, опять увидел рекламу, опять кликнул… Не купил. Сейчас футбол начнется, не до этого. И еще только через несколько дней ретаргетинг меня догнал, я опять кликнул на рекламу, опять нашел этот самый стол и купил.

Многоканальные последовательности.jpg

Практически во всех магазинах ситуация выглядит примерно так.

Это и есть так называемая многоканальная последовательность — когда пользователь до покупки переходит с разных источников рекламы, покупает далеко не с первого раза. Поэтому когда мы говорим о том, как анализировать эффективность разных рекламных каналов, это нужно учитывать.

Какой рекламный канал привел к этой продаже? Какой-то один? Первый? Последний? Все по чуть-чуть? А что, если первый был год назад, а последний вчера?

Давайте разберемся.

Посетитель много раз заходит на сайт. С момента возникновения потребности и до момента совершения покупки происходят очень длинные цепочки взаимодействий.

Цепочки взаимодействий.jpg

Почему так происходит и в каких случаях цепочки особенно удлиняются?

Критерии следующие:

большой чек, товар стоит десятки, а то и сотни тысяч рублей;
высокая конкуренция в нише;
невысокая частота заказов, люди редко совершают эти покупки;
большие рекламные бюджеты;
длинный цикл принятия решения о покупке;
высокая дифференциация позиционирования конкурентов, игроки на рынке научились друг от друга отстраиваться.

Причем тут оптимизация рекламных каналов? Дело в том, что 90% успеха оптимизации — это правильно расставить атрибуцию и разметить вес источников.

В зависимости от того, насколько эффективно мы раскидаем продажу по каналам в длинных цепочках, вся рекламная кампания пройдет с большей или меньшей успешностью. Что будет, если этого не делать? У вас будет мало данных о конверсиях, и оптимизация получится низкой. Вариантов расстановки веса источников существует несколько.

Варианты расчета конверсий

Первый — самый простой.

Last Click.jpg

Этот вариант используется почти во всех счетчиках, включая Google Analytics. Он заключается в том, что продажа в цепочке по умолчанию присваивается последнему источнику трафика (либо последнему без учета прямого захода).

Очень часто на рынке можно услышать, что эта модель, last click, плохая. Она не учитывает вклад других каналов в цепочку. Я тоже так считаю.

Однако месяц назад мы проводили конференцию по сквозной аналитике, и на ней выступал наш клиент — магазин ювелирных изделий Адамас.ру. Они рассказывали, что используют last click. Они пробовали разные модели атрибуции: last click, first click, смешанные. Но в итоге получалось, что как работает четыре канала с определенным drr, так и продолжают работать. То есть, от перестановки модели атрибуции у них эффективность каналов не менялась. Все всегда было примерно одно и то же. Так бывает, но не всегда. Это нужно проверять.

Второй часто используемый метод — last click + first click*К.

last click, first click.jpg

В этом случае используют последнее взаимодействие и добавляют первое с понижающим весовым коэффициентом.

Еще один метод — добавлять вспомогательное взаимодействие с понижающим коэффициентом.

ассоциированные конверсии.jpg

В этом случае берут last click (конверсию присваивают тому каналу, который был последним в цепочке) и прибавляют ассоциированные конверсии. То есть, случаи, когда канал был в начале цепочки, в середине, близко к концу, но не последний. И опять с неким весовым коэффициентом.

Например, по каналу Яндекс.Директ у нас была одна конверсия по определенному ключевому слову 10 000 рублей. Добавим к ней еще две конверсии, в случаях, когда это же ключевое слово участвовало в цепочке где-то в начале и в середине. Однако для них поставим весовой коэффициент 0,3. Так мы учтем вклад канала в длинные конверсии.

Реализовать это несложно, самый простой способ — через Google Analyics. Обычные конверсии можно взять из отчета “Источник трафика”, “Источники/каналы”. Дальше — "Транзации" и "Доход".

инструкция по учету конверсий.jpg

Ассоциированные конверсии для суммирования можно забрать из отчета “Конверсии” — “Ассоциированные конверсии”.

инструкция для ассоциированных.jpg

Приведу пример одного нашего клиента.

Он некоторое время собирал конверсии отдельно по last click и по вспомогательным взаимодействиям (первый клик, в середине, в конце, но не последний). И что оказалось?

Кейс на на обычные и ассоциированные конверсии.jpg

Обычных конверсий было на сумму 2 267 000. Однако еще этот канал поучаствовал в конверсиях на 2 053 759. Если бы они проводили оптимизацию канала только по данным обычных конверсий, то не учли бы вклад этого канала в продажи других. Это была бы совсем другая оптимизация рекламы, с другими выводами и с другими, возможно печальными, результатами. Это важно.

По нашим наблюдениям, этих возможностей выстраивания последователей вполне достаточно для 98% интернет-магазинов. Большинство наших клиентов останавливаются на этом этапе, и это уже хорошо. Но есть еще 2% магазинов. Как правило, это те, кто находится на пике внедрения новинок. Они идут дальше и делают еще более сложные вещи.

Бесплатный юзабилити-аудит

Бесплатно проанализируем ключевой пользовательский сценарий (например, покупку товаров или заказ услуги), оценим навигацию и каналы коммуникации с клиентом. Найдем критические ошибки в интерфейсе и подскажем, как их исправить. Вы узнаете, почему снизилась конверсия и пора ли делать редизайн.

Распределение веса источников

Данный тип атрибуции использует один из наших клиентов.

Это мебельный магазин (не Hoff, о котором мы часто говорим). В его тематике, в мебельной отрасли, сошлись все факторы, о которых мы говорили ранее: большой чек, длинный цикл принятия решения о покупке, редкие покупки и так далее. Поэтому они использовали более сложную модель учета многоканальных последовательностей.

Что они сделали? Не просто раздали конверсию — first click, last click, а затем просуммировали. Они распределили вес по разным каналам в цепочке, причем достаточно хитро. Попытаюсь это объяснить на простом примере.

Предположим, что я зашел на сайт и совершил покупку на Х рублей.

Тот канал, с которого я пришел — пускай это будет Яндекс.Директ — привел одну покупку на Х рублей.

Один канал.jpg

Теперь предположим, что последовательность была сложнее. Я набрал в Google “Купить стол”, зашел на сайт и не купил. Потом зашел на Яндекс, набрал “Купить кухонный стол”, кликнул по рекламе, не купил. А потом сам вернулся и совершил покупку. То есть, эту покупку можно разделить на три равномерные части между тремя каналами.

Три канала.jpg

Каждый из каналов получает 0,33 от покупки. Деньги, которые я заплатил за эту покупку, тоже так же распределяются пропорционально.

Рассмотрим более длинную цепочку, состоящую из десяти переходов на сайт. Предположим, что я сначала зашел с Яндекс.Директа (но не купил), затем еще с каких-то каналов, потом опять с Яндекс.Директа и так далее.

Десять каналов.jpg

Что мы сделаем по аналогии с предыдущим слайдом? Возьмем одну конверсию, разделим на 10, и каждому каналу отдадим 0,1 продажи.

Однако есть один нюанс, который данный магазин решил учитывать.

Посмотрим, что происходит, если разобраться в этой цепочке последовательностей.

Распределение веса.jpg

Сначала человек зашел с Яндекс.Директа по коммерческому запросу “Купить стол на кухню”. Потом я вернулся на сайт с брендового запроса. То есть, набрал название магазина. Потом вернулся с прямого захода. Затем снова с рекламы...

То есть, судя по этой цепочке, пользователь пять раз возвращался на сайт самостоятельно, по прямому заходу или брендовому запросу. Магазин решил, что для этих каналов вес должен составлять 0. В этом случае реклама не привлекает пользователя, он уже знает бренд и приходит сам.

Тогда наша длинная цепочка из десяти касаний распределяется так: брендовым каналам 0, а остальным по 0,2. Картина меняется.

Что происходит при таком подходе? Данные о конверсиях, на основе которых делается оптимизация, поступают с учетом вклада каждого источника в цепочку взаимодействия (за вычетом брендовых переходов). Это очищает данные для оптимизации.

Работает это так.

Схема реализации.jpg

То есть, из Google Analytics мы достаем цепочки действий пользователя (сколько раз он заходил до совершения транзакции, с каких каналов) и складываем их в какое-то хранилище. Далее брендовым звеньям цепочки и прямым заходам присваивается вес 0. Затем все эти данные сопоставляются с расходами на рекламу. После этого можно правильно оптимизировать рекламу.

Однако нужно уточнить еще один нюанс. Поскольку целочисленные значения транзакции разбиваются по весу, у вас в статистике будут не целые продажи. Вот пример одного из наших клиентов — по одному из каналов 111,5 продаж. Но при этом выручка, прибыль и drr тоже посчитаются с учетом веса, и это очень удобно.

Дробные значения.jpg

Учет времени (расстояния) между касаниями

Другой наш клиент еще немного усовершенствовал эту схему. Они добавили учет времени между касаниями.

Предположим, что до покупки я четыре раза зашел на сайт — и купил. Соответственно, каждому каналу перешло по 0,25 транзакции. Однако в этой схеме чем ближе канал находится к продаже, тем его вес больше.

То есть, канал, который был ближе всех к заказу, получил вес 0,4. Самый дальний от продажи канал — 0,1. Посередине — пропорционально. И это правильно. Ведь может быть так, что первый заход был год назад, второй был 11 месяцев назад, третий был 10 месяцев назад, последний — вчера. То есть, первые заходы были очень давно. Поэтому, в зависимости от того, как давно был переход, вес между конверсиями перераспределяются.

Пример распределения:

Зависимость от времени.jpg

Год назад был заход — отдали 0,05 транзакции, 11 месяцев назад — 0,1 транзакции, 0,15 тому, который был 10 месяцев назад. И максимальный вес отдали тому каналу, который был вчера, перед покупкой.

Они эту схему внедрили, получили еще более точные данные для оптимизации и совсем по-другому смотрят на свой рекламный микс.

Статья

Что нужно знать о рынке авто в 2021 перед началом продвижения

#аналитика, #eTarget

Итоги

Внедрение любого из описанных подходов — это ваше движение к более точной модели атрибуции. Если вы находитесь на ранней стадии развития, еще ничего из этого не делали, начните хотя бы брать last click и прибавлять к нему ассоциированные конверсии с неким весовым коэффициентом.

Если вы этот прошли — начинайте распределять конверсии в соответствии с их вкладом, за вычетом брендовых заходов. Если вы на пике технологий — учитывайте и время последнего контакта. Получайте более точные данные для оптимизации рекламы.

Что у вас будет в результате:

Более точная модель атрибуции. Вы будете учитывать каждый контакт с сайтом с учетом расстояния. Это уход от классической модели, когда конверсия на 100% присваивается источнику, который был последний в цепочке перед заказом.
Расширенная, более точная и, главное, более правильная статистика, на основании которой вы будете проводить оптимизацию рекламных бюджетов.

Теги: eTarget, аналитика

Вам будет интересно

Что нужно знать о рынке авто в 2021 перед началом продвижения

#авто, #аналитика, #eTarget

Хотите обсудить ваш проект?

Напишите нам о своих бизнес-задачах, и мы предложим проверенные решения.

Отправить заявку

Доставляем экспертный контент

Мы делимся с подписчиками экспертным контентом: отправляем полезные статьи, советы от специалистов, приглашаем на вебинары. Подпишитесь, чтобы узнать больше о продвижении бизнеса в Интернете, наших мероприятиях и репортажах с крупных отраслевых событий. Выберите наиболее удобную платформу для вас и наслаждайтесь контентом!

Нажимая на кнопку «Подписаться», я даю согласие на обработку персональных данных и соглашаюсь c политикой конфиденциальности