Курс Google Analytics → Сравнение моделей мульти­канальной атрибуции

В статье рассмотрены причины недостоверной оценки рекламных каналов с помощью популярных моделей атрибуции в Google Analytics и сформулированы принципы более достоверных алгоритмов. Материал будет полезен аналитикам и маркетологам, стремящимся выработать объективную модель оценки рекламных каналов.

Требования к моделям атрибуции

Напомним, что модель атрибуции — это логика распределения ценности по усилиям, которые обеспечили ее достижение. Например по рекламным каналам, которые помогли привлечь пользователей.

К модели предъявляются два ключевых требования:

• Достоверность — модель должна учитывать объективный вклад каждого усилия
• Прозрачность — логика расчетов должна быть аудируемой и воспроизводимой чтобы обеспечить уверенность в полученных результатах

Last Click

Наиболее популярная модель оценки рекламных каналов по последнему касанию (Last Click) или последнему непрямому касанию (Last Non-Direct Click), которая применяется по умолчанию в Google Analytics.

Казалось бы, что может быть логичнее — назначить 100% ценности тому каналу, который был последним перед транзакцией.

Но данная модель не позволяет ответить на важные вопросы:

• Почему уменьшение бюджета на канал A привело к падению дохода в канале B?
• Почему увеличение бюджета на канал B приводит к росту CPA в канале С?

Очевидно, что каналы влияют друг на друга и реальный их вклад отличается от атрибутированного по Last Click.

Почему так происходит?

Посмотрим на отчет Длины последовательностей

Скорее всего, в вашем проекте похожая картина и более половины дохода приносят заказы, перед совершением которых пользователь сделал несколько визитов.

Это значит, что часть визитов в цепочках перед заказом остаются без оценки, всю ценность получает только последний. Чтобы измерять «масштаб трагедии», надо измерить долю сессий, которая остается при Last Click без оценки.

В Google Analytics оценить эту долю можно сделав два сегмента:

В первый войдут все сессии, в которых был сделан заказ:

А во второй — все сессии пользователей, сделавших заказ:

В первом сегменте посчитаны все сессии с конверсиями. А во втором — все сессии пользователей, разметивших заказ, даже если непосредственно в них конверсии не было. И их очевидно больше. Даже на небольшом проекте видно, что при Last Click атрибуции только 26% сессий, внесших свой вклад в полученные транзакции, получают ценность.Если вы используете Last Click атрибуцию, стоит ли удивляться тому, что вы принимаете неправильные решение на основе необъективной оценки каналов?Что ж, давайте посмотрим, что мы можем использовать кроме Last Click.

Ассоциированные конверсии

В Google Analytics мы можем получить отчет по ассоциированным конверсиям и увидеть доход, который принес канал, выступая не последним в цепочке:

Это уже лучше, но почему общая полученная ценность не равна сумме ценностей ассоциированной и прямых конверсий? И все ли ассоциированные конверсии вносят одинаковый вклад в конверсию цепочки посещений? Если нет, то как этим можно управлять?

К сожалению, в Google Analytics нет ответа на эти вопросы. Убедить вашего CEO в достоверности такого отчета будет не просто.

Не Last-Click модели атрибуции

Для тех, кому недостаточно Last Click, Google Analytics предлагает на выбор большой набор других моделей:

Иногда можно услышать мнение, что каналы надо оценивать той моделью атрибуции, которая соответствует их роли. Например, каналы, нацеленные на привлечение покупателей, следует оценивать по First Click модели, а каналы, нацеленные на конверсию пользователей, по Last Non-Direct Click.

Проблема такого подхода в том, если к каналам применить разные модели атрибуции, то сумма атрибутированных ценностей будет больше, чем общая полученная ценность!

CFO будет явно недоволен. Поэтому для всех каналов нужно выбрать одну модель.Так происходит потому, что каждая из моделей атрибуции выделяет преимущества канала, который она измеряет и игнорирует взаимное влияние каналов. Поэтому такой подход является финансово несостоятельным — он призывает нас тратить больше, чем мы зарабатываем. Значит для оценки всех каналов необходимо применять единую модель, которая учитывает вклад и взаимное влияние каждого из них.Но модели First Interaction и Position Based обладают тем же недостатком, что и Last Click — при оценке они игнорируют вклад большинства сессий, принявших участие в цепочке к заказу.Модели Linear, Position Based и Time Decay несмотря на то, что то распределяют ценность по всем сессиям в цепочке, делают это только на основе позиции источника в цепочке.

Data Driven

В  Google Analytics 360 есть модель атрибуции, которая призвана решить описанные выше ограничения других моделей — Data Driven. Она распределяет ценность по всем сессиям в цепочке и делает это на основе корреляции между наличием источника в цепочке и конверсией цепочки. Подход достаточно продвинутый и скорее всего более объективный, чем все перечисленные выше.

Казалось бы все замечательно. Но только до тех пор, пока вам не потребуется объяснить своему боссу почему Data Driven дал дисплейной рекламе именно такую ценность, а не другую. И почему этот результат, посчитанный на серверах Google и который вы не можете проверить, необходимо считать наиболее объективным.

Казалось бы, можно использовать эту модель. Но только до тех пор, пока вы не зададитесь вопросом, почему модель выдает именно эти результаты, а не какие-то другие. Действительно, если вы распределяете рекламный бюджет в тысячи долларов, вы хотите быть уверенными в том, что все посчитано верно. Но с Data-Driven это невозможно — все вычисления скрыты в Google Analytics и вы не можете ответить на вопрос коллеги почему модель атрибуции рекомендует увеличить бюджет на дисплейную рекламу Google. Даже если эта рекомендация верная.

Сводная таблица

Резюмируем преимущества и недостатки стандартных моделей атрибуции

Атрибуция на основе прохождения пользователем воронки

Есть ли решение? Да, и оно вам понравится. Представьте, что вам доступна полная информация о действиях каждого пользователя во всех сессиях. Вы знаете, в какой сессии впервые был просмотрен приобретенный в последствии товар. Благодаря какому источнику пользователь решился добавить товар в корзину, а какой мотивировал его оформить заказ. В этом случае каждую сессию можно оценить на основании ценности действий, которые в ней были совершены — строго по ее вкладу в продвижение пользователя по воронке. Что может быть лучше? Расчеты в Google BigQuery! Представьте, что в Google BigQuery вам доступны все данные для расчетов, и вы можете проверить, какую ценность и почему получила каждая из сессий.

На этом хорошие новости не заканчиваются: для реализации не требуется Google Analytics 360 и привлечение разработчиков! В OWOX BI мы автоматизировали сбор несемплированных данных в Google BigQuery и их расчеты согласно модели атрибуции на основе воронки.

Извините, но у вас больше нет оправданий использовать Last Click. Вот вам план:

1. Проверьте, какая доля заказов делаются с первой сессии в вашем проекте.
2. Настройте расчеты в Google BigQuery с помощью Funnel Based Attribution.
3. Узнайте объективную ценность ваших рекламных каналов.
4. Принимайте решения и оптимизируйте расходы на рекламу в пользу каналов, которые реально приносят пользу вашему бизнесу.

Источник: https://www.owox.ru/blog/articles/multi-channel-attribution-models-comparison/