Ежегодно в тендерный период поднимается вопрос: как правильно оценить эффективность рекламы и спланировать стратегию на будущий год? Агентства стараются показать навыки стратегического планирования, клиенты - иметь на руках инструмент для контроля и оптимизации маркетинговых инвестиций. Разберемся, кому для этих целей сложные модели атрибуции необходимы, а кому достаточно классической Last Click атрибуции.
На связи CyberBrain! Мы разрабатываем платформу для контроля, анализа и оптимизации digital рекламы. С помощью модели атрибуции на основе данных мы помогаем правильно оценить вклад каждого рекламного источника в продажи и лиды.
Освежим в памяти, что такое data-driven атрибуция. Так называют модели, которые используют широкий набор данных для оценки эффективности пользовательских взаимодействий с рекламой на разных платформах. При этом обратим внимание, что она учитывает каждое касание пользователя: показы, клики и целевые действия - со всеми рекламными объявлениями одновременно.
Чтобы понять, как фактически это отражается на результатах рекламы и кардинально влияет на перераспределение бюджета между каналами, рассмотрим одну и ту же кампанию. Мы сравним аналитику данных по Last Non-Direct и data-driven моделям и узнаем, как за счет использования разных моделей атрибуции меняется восприятие результатов кампании.
Google Analytics
На скрине выше видно, что размещение в Yandex принесло 539 конверсий по данным стандартной модели в Google Analytics - Last Non-Direct.
Что получается?
В теории, оптимизировать 23 000 до 15 000 рублей можно. Но задача непростая и, главное, небыстрая.
Какой делаем вывод из имеющихся данных?
Площадка не показала нужной эффективности. Если есть план оптимизации, то перерабатываем размещение, а если клиент не готов экспериментировать дальше, то выключаем.
Смотрим следующий пример. Все та же компания и бюджет, но замер эффективности ведется по data-driven модели на базе вектора Шепли, а не по Last Non-Direct.
Data-driven атрибуция по вектору Шепли
Еще раз уточню, что мы имеем те же вводные, что разобрали выше: смотрим на показатели Yandex за тот же период. Согласно модели видим цель по Шепли 1 209,55 рублей и CPA - 10 363 рублей за одно обращение.
Получается следующая картина:
Отсюда вопрос: почему мы получили в 2,5 раза большее количество конверсий и почти в 2,5 раза ниже CPA?
Все дело в модели атрибуции. А точнее - в том, какие данные использует Google Analytics для оценки эффективности рекламы и какие есть в распоряжении data-driven модели.
Google Analytics (далее GA) видит только те действия, которые пользователь совершил на сайте, и упускает все остальные за его пределами. И даже те частичные знания, которые собрать все же удалось, он использует изолированно. GA действует лишь в рамках своих моделей, не учитывая честный вклад каждого касания пользователем рекламы до совершения целевого действия.
Поскольку data-driven модель создана для справедливого распределения ценности конверсии, ее основная задача - работать со всеми доступными данными как на сайте, так и за его пределами. Это означает, что можно объединить знания о post-view конверсиях с данными по performance кампаниям и добавить информацию о продажах из CRM-системы. Тем самым, получить полную сквозную аналитику от показа до продажи и верно распределить ценность между каждым рекламным касанием.
Вернемся и подведем итог по разобранному выше примеру. В рассматриваемой кампании инструмент показывает отличный результат. При этом есть резерв для дополнительного инвестирования в эту площадку. Учитывая, что в примере емкость аудитории была далеко не исчерпана, то можно было бы дополнительно инвестировать в данный инструмент еще 4 млн. рублей и при этом остаться в заданных рамках CPA.
Можно ли улучшить и этот результат?
Да, конечно. Предположим, вы так же, как и мы, задались вопросом, почему оценка и выводы делаются на уровне инструмента целиком, а не с детализацией до кампании или, что лучше, таргета или креатива. Чтобы пример был проще, показали разницу в выводах на примере инструментов, но предлагаем спуститься на уровень ниже и посмотреть на кампании.
И тут мы видим, что эффективность кампаний внутри сильно отличается, отчего открывается большой простор для работы. Можно легко уменьшить CPA, к примеру, выключив кампанию 6053 и 9820, которые высвободят более 2,7 млн рублей. Эти средства можно направить на тесты новых инструментов или же перенаправить на более успешные внутри текущей площадки.
Если вы используете один или два рекламных инструмента и при этом ваш рекламный бюджет не превышает 500 000 рублей в месяц, то окупить сначала внедрение, а потом и работу data-driven модели будет трудно. В таком случае оправдать сложные модели оптимизацией рекламы не получится, поскольку гораздо выгоднее будет направить инвестиции в увеличение рекламного бюджета, а не во внедрение новых маркетинговых инструментов.
Бизнес может получить ощутимую пользу от работы с data-driven атрибуцией, если он:
Когда бизнес отвечает всем пунктам, то появляется смысл в повышении эффективности работы. И как мы убедились выше, это возможно за счет внедрения модели атрибуции на основе данных.