На этапе, когда сквозная аналитика уже собрана и упорядочена, данные нуждаются в оценке, а бюджет - в оптимизации. Нет смысла составлять отчеты по результатам кампании и при этом не думать, как перераспределить рекламный бюджет так, чтобы они становились рентабельнее и показатели по конверсиям улучшались.
Ключевая задача атрибуции - зафиксировать реальные результаты кампании, на основе которых можно улучшать маркетинговые показатели.
Для этого модели атрибуции сначала отвечают на вопрос, как распределяется ценность среди всех взаимодействий пользователя с рекламой. В случае с более усовершенствованными моделями атрибуции, маркетологи получают данные по каждому действию в рамках одного пользовательского пути. Благодаря ним они могут оценить реальный вклад каждого канала трафика в результат и определить, какие источники увеличивают рентабельность, а какие - их уменьшают.
Тем самым, с помощью атрибуции бизнес может избежать лишних расходов и кратко улучшить CPA.
Какие бывают модели?
Далее встает вопрос: какую модель атрибуции выбрать для своего бизнеса? Для этого стоит рассказать, какие модели бывают и какие достоинства можно выделить у каждой из подкатегорий. Сейчас все модели атрибуции на рынке систематизируют следующим образом: есть модели на основе правил, алгоритмические модели и модели на базе машинного обучения.
Модели на основе правил
Модели на основе правил распределяют ценность взаимодействий с помощью фиксированных закономерностей. И в этом случае неважен ни тип конверсии, ни характер поведения пользователей. Хотя справедливо оценить результаты целевых действий и собрать полную картину о всей цепочке не получится, модели на основе правил позволяют определить ключевой канал, который привел к конверсии.
Одноканальные модели
Одноканальные модели отдают ключевой вес только одному каналу. Если это одноканальная модель по первому клику (First Interaction или First Click), то вся ценность, соответственно, присваивается первому взаимодействию, если по последнему (Last Interaction или Last Click), то последнему.
Также выделяют модель по последнему непрямому клику (Last Non-Direct Click), что означает игнорирование прямых взаимодействий пользователя и атрибутирование всего веса последнему каналу.
Многоканальные модели распределяют баллы между несколькими каналами в цепочке взаимодействий на базе нескольких алгоритмов. Выделяют три категории: линейные (Linear), с учетом давности взаимодействия (Time Decay) и с привязкой к позиции (U-shape model или Position Based).
Линейные модели
Равномерно распределяют вес между всеми взаимодействиями, то есть присваивают одинаковую ценность каждому каналу на пути, отчего все источники становятся равнозначны.
Модели с учетом давности взаимодействия
Отдают более высокую ценность кликам, которые были ближе всего в хронологической последовательности к конверсии.
Модели с привязкой к позиции
Помогают понять, какое место в последовательности занимал тот или иной канал перед конверсией. Исходя из примера ниже, 35% ценности присваивается первому и последнему кликам, а оставшиеся 30% равномерно распределяются между остальными тремя взаимодействиями.
Алгоритмические модели
Алгоритмические модели позволяют учитывать взаимное влияние всех каналов кампании друг на друга из разных рекламных сервисов. За счет объединения как perfomance, так и медийных данных в одной системе модель позволяет учитывать тип конверсии и характер поведения пользователей. К таким относятся Цепи Маркова (Markov Chains), Data-Driven и другие ML-модели.
Почему мы остановили свой выбор на data driven атрибуции Шепли?
Основная проблема стандартных моделей - ключевую ценность они отдают каналам, которые отвечают заранее утвержденным правилам. То есть часть пути пользователя модель не учитывает, что, конечно, искажает итоговый результат. Те касания, которые хотя и не выполнили ключевую роль для конверсии, но при этом также внесли ценность в результат кампании. Или, наоборот, учесть те взаимодействия, которые отвечают правилам стандартных моделей и при этом откровенно слабо влияют на итог кампании, не приводя ее к конверсии напрямую.
Более выгодная позиция в данном случае - оценивать касание пользователя не на основе правил, а отталкиваясь от вклада каждого из взаимодействия в итоговый результат. Именно поэтому модель Шепли формируют полноценную картину о пользовательском пути, учитывает информацию по всем источникам трафика.
Собираем касания пользователя с рекламой на базе файлов cookies, объединяем их в цепочку по client-id веб-счетчика и впоследствии индивидуально оцениваем вклад каждого из взаимодействий.
Это позволяет выбрать самые эффективные связки каналов и справедливо оценить все пользовательские пути вплоть до каждого взаимодействия. Далее собранные по такому алгоритму данные подсказывают маркетологам, как продуктивнее перераспределить бюджет между источниками.
На сегодня, это одна из лучших моделей для случаев, когда у клиентов есть много и разных каналов продвижения (performance, медийные и прочие).