Мифы атрибуции. Причем здесь Post-View модель?
Разберем такое спорное понятие, как Post-View атрибуция.
Чтобы не быть голословными, обратимся к первоисточнику и определимся, что такое Post-View и с чем его едят. Переходим к Справке от Google, а именно к разделу, который описывает модели атрибуции, используемые в DCM для оценки как perfomance, так и медийных кампаний. Заголовок "О моделировании атрибуции" уже дает нам понять, что речь пойдет не о Post-View атрибуции, а о характеристиках разных ее моделей, в том числе и Post-View. То есть о конверсиях, которые произошли, по правилам Google, после показа пользователю рекламного креатива.
Почему это проблема?
Когда вы используете такое понятие, как Post-View атрибуция, то будьте готовы, что вас либо не поймут, либо следом зададут уточняющие вопросы. Это оправданно тем фактом, что такой модели не существует на рынке. Хотя все не так однозначно. Вас могут понять, но только в случае, если предмет разговора - оценка медийной рекламы. Но даже при таком раскладе непонятно, какую именно модель вы подразумеваете, то есть какой набор правил применяется для аналитики собранных данных.
Что важно учитывать?
Когда вы работаете с другими Ad-tracking системами, такими как Adriver и Weborama, которые заменяют на отечественном рынке ушедший Google, необходимо уточнять, по какой модели они атрибутируют полученный результат. Если обратиться, к примеру, к Справке от Adriver, то увидим, что они оперируют такими понятиями, как Post-View и Post-Click отчеты по моделям Last touch и Last-Non-Direct Click соответственно.
- ◇ Floodlight
- ◇ Last Intereraction
- ◇ First Intereraction
- ◇ Time Decay
- ◇ Linear
Резюмируем
Понятия Post-View атрибуции нет. Но если вы привыкли использовать именно его, то убедитесь, правильно ли понимаете, какая именно модель атрибуции скрывается за этим понятием по каждому из случаев и, что не менее важно, по каждому из поставщиков данных. Тогда вы точно будете понимать, по какой модели вы атрибутируете полученный результат.
А если остались вопросы, то можете посмотреть видео (обратите внимание на таймкоды). Мы на конкретном примере показываем, как распределяется конверсия по разным моделям атрибуции и почему их нельзя сравнивать.
Смотреть видео на YouTube-канале по ссылке
статья 10 min read
Как и зачем внедрять data-driven атрибуцию в бизнес: 5 основных шагов
Атрибуция на основе данных — мощное решение для контроля эффективности и оптимизации рекламы. Но как его интегрировать и можно ли это сделать самостоятельно? В этой статье мы вместе преодолеем пять основных препятствий на пути к внедрению атрибуции — и превратим их в пять конкретных шагов для реализации.
оптимизация 12 min read
Больше лидов — меньше CPA: первый и единственный гайд по оптимизации медийной рекламы от CyberBrain
Медийная реклама должна работать на продажи — и точка. В статье вас ждёт описание фреймворка, который служит именно этой цели.
проблемы и решения 3 min read
Анализ расхождений трекера и кабинетов
Системный подход к оптимизации медийной рекламы невозможен без чистых данных. Но что если данные трекера и рекламного кабинета не совпадают? Рассказываем, откуда берутся расхождения и что с этим делать.
памятка 16 min read
Ошибки при внедрении AI в маркетинг
Искусственный интеллект стал одной из самых обсуждаемых тем в маркетинге. Компании активно внедряют AI-решения для автоматизации аналитики, медиабаинга и персонализации, но только единицы получают реальную прибыль. Почему одни проекты приносят ROI, а другие заканчиваются пилотом? Какие ошибки чаще всего совершают бренды и агентства?
памятка 18 min read
Как защитить корпоративные данные при работе с AI
Как компании теряют данные, работая с искусственным интеллектом? В материале — реальные кейсы Microsoft, Samsung, Toyota и OpenAI, анализ причин утечек и подробное руководство: как выстроить политику безопасности, какие технологии действительно работают и какие ошибки совершают даже крупные корпорации.
памятка 10 min read
AI-офис: строить команду внутри или покупать готовое решение
Компании всё чаще задумываются, как работать с искусственным интеллектом — собирать собственную команду или подключать внешних специалистов. В статье разбираем плюсы и минусы обоих подходов, показываем, почему чистые модели почти не работают, и объясняем, как правильно выстроить гибрид: что держать внутри, а что можно спокойно отдавать наружу.
