Моделирование атрибуции в маркетинге / Хабр

Согласно Википедии, Цепь Маркова — это последовательность случайных событий с конечным или счетным числом исходов, характеризующаяся тем, что при фиксированном настоящем будущее независимо от прошлого.

Изначально Цепи Маркова использовались, чтобы решать задачи с прогнозированием (погода, букмекерские конторы и т.д.). Использовать их для оценки рекламных кампаний начали относительно недавно — с развитием digital рынка. Атрибуция на основе Цепей Маркова помогает ответить на вопрос, как отсутствие канала повлияет на конверсию.

Чтобы понять, как работают Цепи Маркова, рассмотрим конкретный пример из Ecommerce. Допустим, у нас есть три цепочки:

• С1 → C2 → C3 → Покупка.
• C1 → Неуспешная конверсия.
• C2 → C3 → Неуспешная конверсия.

С1, C2 и C3 — это сессии с тремя разными источниками, например, Google CPC, Facebook и Email.

Заполняем такую таблицу:

В первом столбце у нас путь клиента — три цепочки из примера. Во втором столбце — то, как путь клиента будет выглядеть внутри модели. Мы добавили вход в воронку (нулевой этап Старт) и выход из воронки (Конверсия или null — неудачная конверсия). В третьем столбце мы разбили каналы попарно, так как нужно оценить все возможные переходы с одного шага на следующий.

Затем нам нужно рассчитать вероятности для каждого из возможных вариантов перехода и занести их в отдельную таблицу. Эти цифры считаются эмпирически, то есть анализируются реальные данные о действиях пользователей, например из вашего Google Analytics. Делается это при помощи программирования, например, через R или Python.

Итак, мы видим все возможные варианты перехода для нашего примера. Все начинается с этапа Старт (start). Затем треть пользователей идет на канал С2, а две трети — на C1. Дальше половина пользователей с канала C1 покидает воронку, а другая половина идет на C2, потом на C3 и наконец совершает покупку. И еще несколько вариантов — перечислять их не будем, думаем, вам понятен принцип.

Обратите внимание, что в нашем примере, путей к конверсии по сути всего два и оба они проходят через канал C2.

Как оцениваются такие сессии? При помощи эффекта удаления. То есть мы удаляем по очереди каждый из источников и смотрим, как его отсутствие скажется на количестве конверсий:

Например, если мы уберем из нашего примера источник C1, то потеряем 50% конверсий. Как получилась эта цифра?

Расчет ценность каналов проводится в три этапа:

1. Сначала нам нужно посчитать вероятность совершения конверсий для каждого из каналов. Точнее, сколько конверсий мы получим, если убрать из цепочки, конкретный канал.

Вероятности конверсии (Р) для каждого канала считаются по следующей формуле:

P1 = (0,33 * 1 * 0,5) = 0,167
P2 = (0,33 * 0 * 0,5) = 0
P3 = (0,33 * 1 * 0) = 0

Давайте разберем подробнее первую формулу — это у нас вероятность конверсии для канала C1. Мы убрали из модели канал C1 и перемножили все оставшиеся вероятности перехода из цепочек, которые ведут к покупке. То есть умножили 33,3% на 100% и на 50%, только не в процентном, а в числовом формате. В результате у нас получилось 0,167 или 16,7% — столько конверсий мы получим, если убрать из воронки источник С1.

Если мы уберем каналы C2 и C3, то у нас вообще не будет конверсий.

2. Затем определяем эффект удаления (R) для каждого канала. Этот коэффициент показывает, сколько конверсий мы потеряем, если удалим канал из воронки, и считается так: от единицы (т.е.100%) отнимается вероятность конверсии (P), деленная на количество пользователей в начале цепочки (вероятность перехода).

R1 = 1 — 0,167/0,33 = 0,5
R2 = 1 — 0 = 1
R3 = 1 — 0 = 1

3. И наконец считаем ценность (V) каждого канала. Берем процент потерянных конверсий (R) и делим его на сумму всех коэффициентов (R1, R2 и R3)

V1 = 0,5 / (0,5 1 1) = 0,2
V2 = 1 / (0,5 1 1) = 0,4
V3 = 1 / (0,5 1 1) = 0,4

Плюсы: модель атрибуции на основе Цепей Маркова позволяет оценить взаимное влияние каналов на конверсию и узнать, какой канал самый значимый.

Минусы: недооценивает первый канал в цепочке, требует навыков программирования.

Кому подходит: бизнесам, у которых все данные собраны в единой системе.

Пользователям платной версии Google Analytics доступна модель атрибуции на основе данных. Все описанные выше модели атрибуции, используют правила, которые задает система веб-аналитики или вы сами. В отличие от них, у модели Data-Driven нет заранее заданных правил — она рассчитывает ценность каналов, используя ваши данные и Вектор Шепли.

Особенность модели на основе данных в том, что она не учитывает порядок канала в цепочке, а оценивает в общем, как повлияло на конверсию присутствие этого канала. Если вы измените порядок сессий, то ценность каналов по Вектору Шепли никак не поменяется.

Согласно Википедии, Вектор Шепли — это принцип оптимальности распределения выигрыша между игроками в задачах теории кооперативных игр. Представляет собой распределение, в котором выигрыш каждого игрока равен его среднему вкладу в благосостояние тотальной коалиции.

Чтобы понять, как работает Data-Driven, рассмотрим конкретный пример. Допустим, у нас есть две цепочки, которые привели к транзакциям:

1. Facebook → Direct → Транзакция на $500.
2. Direct → Транзакция на $300.

Мы специально взяли для примера короткие цепочки, чтобы не усложнять и без того сложную формулу.

Теперь определим, какую сумму принес каждый канал в отдельности и оба вместе:

V1 (Facebook Direct) = $500
V2 (Direct) = $300
V3 (Facebook) = 0

Ценность канала по Вектору Шепли рассчитывается с помощью такой формулы:

Где:
n — количество игроков (в нашем случае это рекламные каналы).
v — ценность, которую принес источник.
k — количество участников коалиции K.

Если мы вставим в эту формулу значения из нашего примера, то получим следующее:

Ф1 = (1 — 1)! * (2 — 1)! / 2! * (0 — 0) (2 — 1)! * (2 — 2)! / 2! * ($500 — $300) = 0 $100 = $100
Ф2 = (1 — 1)! * (2 — 1)! / 2! * (300 — 0) (2 — 1)! * (2 — 2)! /2! * ($500 — 0) = $150 $250 = $400

Ф1 — это ценность канала Facebook.
Ф2 — ценность канала Direct.

А теперь простыми словами, для тех кого напугали формулы 🙂 Начнем с Facebook.
Этот канал сам по себе нам ничего не принес, поэтому первое слагаемое у нас будет 0.

Facebook вместе с Direct принесли $500, а Direct самостоятельно принес $300. Мы отнимаем от суммы, которую принесла коалиция каналов, деньги, заработанные директом, и делим результат на два. Получается: ($500 — $300) / 2 = $100. Это второе слагаемое.

Теперь складываем: 0 $100 = 100$ — это ценность канала Facebook.

Теперь считаем ценность канала Direct. Самостоятельно он принес $300, делим это на два и получаем $150. Коалиция Facebook Direc принесла $500, делим это на два и получаем $250. Складываем эти цифры и получаем $400 — ценность канала Direct.

Подробнее о том, как работает Вектор Шепли, вы можете посмотреть в видеоролике от Coursera.

Плюсы: максимально объективная и достоверная модель, так как для оценки каналов используются ваши собственные данные.

Минусы: для расчета необходимо иметь в Google Analytics достаточный объем данных, поэтому модель подходит не для всех компаний. Не оценивает продвижение по воронке, нельзя подключить офлайн-данные из CRM и посмотреть детальную информацию по каждой транзакции.

Кому подходит: всем, кто хочет узнать, какие кампании и ключевые слова работают максимально эффективно, и использовать эту информацию для распределения маркетингового бюджета. Не подойдет бизнесам, которым важно знать не только ценность, но и позицию канала в цепочке.

В идеальном мире клиенты совершают покупки сразу же после первого просмотра рекламы. Однако в реальности все существенно сложнее. Например, один из возможных вариантов развития событий выглядит так:

• Знакомство с брендом — клиент видит рекламу, переходит по ссылке на сайт, подписывается на рассылку новостей. А потом отвлекается и закрывает сайт.
• Процесс обдумывания покупки (конверсионное окно) — клиент выбирает продукт, смотрит обзоры, сравнивает товары между собой. При этом клиент получает новостную рассылку от компании, видит рекламу в социальных сетях (например, Facebook, Instagram или Twitter).
• Покупка (конверсия) — клиент возвращается на сайт (переход может быть как прямой, по сохраненной ссылке, так и с рекламного канала или органики) и наконец-то совершает покупку.
• Повторная покупка (удержание клиента) — для этого компании часто используют ремаркетинг, а еще напоминают о своем продукте рассылками новостей и акций.

Как же узнать, какой из каналов привел к покупке? Тут на помощь приходит атрибуция. Именно она поможет разобраться, как рекламные каналы повлияли на конверсию. Выбрав правильную модель атрибуции для вашей компании, вы увидите, как необходимо распределить рекламный бюджет для повышения ROAS. Соответственно, это поможет увеличить доход и уменьшить расходы.

Существующие модели атрибуции можно разделить по следующим категориям:

1. Одноканальные (Last Click, First Click).
2. Многоканальные (Linear, Time Decay).
3. На основе позиции (Time Decay, Position Based).
4. Алгоритмические (Data-Driven, Цепи Маркова, ML Funnel Based, Вектор Шепли).

Примечание: о сравнении разных моделей атрибуции можно прочитать в нашей подробной статье. 

Если вы хотите попробовать ML Funnel Based модель OWOX BI, которая распределяет ценность на основе влияния канала на движение пользователя по воронке, воспользуйтесь бесплатным 7-ми дневным пробным периодом.

Узнайте реальный вклад рекламных кампаний вместе с OWOX BI!

Согласно исследованиям Ad Roll — 59% компаний пробовали работать с атрибуцией, но из-за недостатка знаний прекратили ее использование. В реальности большинство маркетологов не имеют глубокого понимания атрибуции и испытывают сложности при работе с ней. В отчете Ad Roll также указывается, что 70% компаний затрудняются правильно использовать инсайты, полученные от данных атрибуции. И вот почему:

Более 35% компаний не могут корректно определить точки касания с клиентом. Для успешной атрибуции вам необходимо оценить все вовлеченные каналы. А с учетом омниканальности маркетинга довольно сложно контролировать каждый используемый канал. 

Сложностей также добавляет тот факт, что один и тот же пользователь использует разные девайсы. С одной стороны — такая сеть соединенных устройств это новые горизонты возможностей для маркетологов. С другой стороны — как все это отслеживать?

К трудностям в работе с атрибуцией относятся еще и следующие:

• Сбор данных вручную из разных рекламных платформ. Приходится знать сотни нюансов о том, как правильно выгружать данные из каждого сервиса и как свести разрозненные данные в единую базу.
• Динамично развивающийся рынок требует синхронных изменений в уже существующих моделях атрибуции. Устаревшие версии просто не успевают подстраиваться под новые требования бизнеса.
• Фиксированные бюджеты и партнерские контракты с теми же рекламными агентствами, из-за которых быстро изменить стратегию не так уж и легко. Кроме того, следует еще учитывать время, затраченное на оценку маркетинговых усилий, поиски ценных инсайтов и их интерпретацию, а также разработку стратегий по улучшению кампаний.

Как видно, сложностей в применении атрибуции хватает. Однако, это не значит, что нужно отказываться от внедрения атрибуции, ведь с ней вы сможете вывести маркетинг на новый уровень.

Несмотря на сложности в построении модели атрибуции, цель ее применения весьма проста — оценка эффективности рекламных каналов. Благодаря результатам этой оценки вы решаете насколько эффективно вы тратите свой рекламный бюджет. 

Ключевые преимущества использования атрибуции:

1. Улучшенная персонализация. Инсайты, полученные в результате атрибуции, можно использовать для улучшения рекламы.
2. Увеличение ROI/ROAS. Правильная модель атрибуции помогает маркетологам узнать, какие каналы и связки каналов самые эффективные и рационально перераспределить бюджет, что приводит к увеличению конверсий и ROI.

Благодаря атрибуции вы можете увидеть ценность как от каналов, возвращающих постоянных клиентов, так и от каналов, которые приводят новых пользователей. 

Чтобы избежать сложностей в работе с атрибуцией, нужно во-первых, исключить ручной труд из работы с данными. Автоматический импорт данных из рекламных источников сервиса OWOX BI Pipeline соберет всю информацию о ваших рекламных кампаниях, сведет все в единую базу и предоставит широкие возможности для последующего анализа. В частности, настроить точные отчеты, что поможет вам найти полезные инсайты для работы.

А во-вторых, если пользоваться услугами специализированных сервисов таких, как OWOX BI Attribution, то большей части проблем с внедрением атрибуции можно избежать.

Настройка продукта не требует от вас углубленных технических знаний, а модель ML Funnel Based от OWOX BI учитывает все точки контакта с клиентом. Модель атрибуции рассчитывается как на онлайн-, так и на оффлайн-данных из вашей CRM-системы.

Если вам нужно индивидуальное решение, то аналитики OWOX BI всегда рады помочь.

Плюсы: позволяет игнорировать незначительные с точки зрения рекламных расходов каналы и сосредоточиться на платных источниках. К тому же Last Non-Direct Click можно использовать как базовую для сравнения с другими моделями атрибуции.

Минусы: не учитывает вклад других каналов в конверсию. Кроме того, часто предпоследним источником в цепочке оказывается email. Мы понимаем, что этот пользователь откуда-то раньше приходил и оставил нам свой email. Используя Last Non-Direct Click, мы недооцениваем те источники, которые помогли пользователю ознакомиться с брендом, оставить свой email и в конечном итоге решиться на покупку.

Кому подходит: бизнесам, которые хотят оценить эффективность конкретного платного канала и которым уже не так важна узнаваемость бренда.

• Чтобы приступить к работе, вам не обязательно начинать с продвинутых моделей атрибуции, которые требуют массу времени и вложений. Для знакомства с атрибуцией можно воспользоваться доступными сервисами. Например, Google Analytics или OWOX BI.
• Не забывайте о том, что важно — атрибуция помогает эффективно перераспределить бюджет.
• Учитывайте мнение не только команды маркетинга, но также отдела продаж и клиентской поддержки. Так вам станет понятнее не только, что оценивать, но и как оценивать.
• Не зацикливайтесь на выбранной давным давно модели атрибуции. Для успешной работы на современном рынке следует использовать модель, которая учитывает потребности маркетинга в оценке каналов.

Если у вас еще остались вопросы, задайте их нам в комментариях ниже 🙂

А если вы хотите узнать больше об атрибуции и не только, подписывайтесь на нашу рассылку с самыми полезными подсказками для современных маркетологов и аналитиков:

Плюсы: легко настроить и использовать, так как нет никаких вычислений или аргументов относительно распределения ценности между каналами. Полезна для маркетологов, которые сосредоточены исключительно на формировании спроса и узнаваемости бренда.

Минусы: не показывает всю картину и переоценивает каналы верхнего уровня. В большинстве случаев пользователь делает несколько касаний перед покупкой, которые модель First Interaction полностью игнорирует.

Кому подходит: бизнесам, которые хотят повысить узнаваемость бренда и увеличить охват аудитории, а также понять, где покупать трафик, который потом конвертируется.

Представьте, что вы занимаетесь контекстом, настраиваете рекламу в Google Ads или Facebook. Оценка по последнему непрямому клику покажет, работает эта кампания или нет. Как аудитория на нее откликается. Внутри рекламного кабинета или Google Analytics использовать сложные модели атрибуции не имеет смысла.

Но, если вы хотите оценить взаимное влияние друг на друга всех своих источников, то тут уже нужно объединять в одной системе данные из разных рекламных сервисов, Google Analytics, CRM и использовать более сложные модели атрибуции. Благодаря этому вы узнаете, какие связки рекламных каналов хорошо работают вместе и на каких этапах.

К алгоритмическим моделям атрибуции относятся Data-Driven в Google Analytics 360, Цепи Маркова, OWOX BI Attribution и кастомные алгоритмы.

Плюсы: отдает наибольшую ценность каналам, которые в большинстве случаев играют самую важную роль — привлекают клиента и мотивируют совершить конверсию.

Минусы: иногда сессии в середине цепочки продвигают пользователя по воронке намного больше, чем кажется на первый взгляд. Например, помогают ему добавить товар в корзину, подписаться на рассылку или нажать «Следить за ценой». Модель Position Based такие сессии и их источники недооценивает.

Кому подходит: бизнесам, для которых одинаково важно как привлечь новую аудиторию, так и конвертировать в покупателей уже имеющихся пользователей.

Плюсы: все каналы в цепочке не остаются обделенными и получают свой «кусок пирога». Причем больше всего получает тот, который все-таки подтолкнул пользователя к покупке, что справедливо.

Минусы: сильно недооценивается вклад источников, которые привели пользователя в воронку.

Кому подходит: тем, кто хочет оценить эффективность акционных рекламных кампаний, то есть ограниченных во времени.

Другими словами, целью атрибуции является определение того, какие рекламные каналы и кампании оказали наибольшее влияние на принятие решения о покупке или о переходе на следующий шаг воронки.

Компании используют разные модели атрибуции, чтобы определить как, где и когда покупатель взаимодействует с брендом. Благодаря этим данным маркетологи изменяют и улучшают рекламные кампании, увеличивая показатели ROAS. 

Примечание: согласно отчету Ad Roll за 2021 год — 4 из 5 компаний в таких регионах, как Европа, Северная Америка и Азия, используют атрибуцию в маркетинге, а 51% организаций считает атрибуцию самой важной частью маркетинга. 

Плюсы: популярная и привычная многим маркетологам модель. Идеальна для оценки кампаний, направленных на быстрые покупки, например, сезонных товаров.

Минусы: как и все одноканальные модели, игнорирует роль других источников в цепочке перед заказом.

Кому подходит: бизнесам с коротким циклом продаж, которые используют до трех рекламных каналов.