Кристина Устиноваредактор CyberBrain

Окно атрибуции

Разбираем, что показывает окно атрибуции, как правильно оценивать его полный итоговый результат и какую пользу можно извлечь. Объясняем, почему в системах аналитики есть ограничения по окнам атрибуции и с чем это связано. Кому и почему важно смотреть дальше, чем 90-дневное окно, — в этой статье и в видео у нас на канале.

Окно атрибуции — это период времени перед конверсией. Метрика важна при подведении итогов кампании и принятии решений на их основе. Важно соблюдать баланс между скоростью получения данных для подготовки выводов и соблюдения их точности. Окно атрибуции как раз помогает нам понять, сколько времени нужно клиентам, что совершить нужное действие. Зная это значение, мы легко понять, когда можно начинать делать выводы по эффективности рекламы.

Как обычно оценивают результат?

Чтобы обозначить то, как правильно оценивать итоговый результат в отношении окон атрибуции, сначала расскажем, как делать не стоит. Условимся, что окно атрибуции — это не статичный показатель, его нужно оценивать в динамике и в разных плоскостях. Позже наглядно объясним почему. Хотя зачастую его используют как усредненный параметр по всем размещениям, не фильтруя значения по отдельным метрикам, в том числе кампаниям или целям. При стандартном подходе к аналитике окна атрибуции мы бы имели дело с усредненным значением по всем кампаниям.

Представим стандартную 30-дневную кампанию. Обычно итоги подводятся в пределах от 5 до 10 дней после окончания рекламной кампании. Поскольку рассматриваем условный пример, будем отталкиваться от следующих вводных. При подведении итогов будем ориентироваться на одно усредненное значение по всем кампаниям в разрезе 35 дней. Аудитория не знакома с брендом, поэтому принимается решение запустить медийные кампании (середина воронки), чтобы расширить охват пользователей. Допустим, показатель окна атрибуции подсветил, что кампанию X нельзя назвать успешной, поскольку она, на первый взгляд, принесла низкое количество конверсий. Теперь разберемся, почему этот подход можно считать в корне неверным.

Получается, что в этом случае мы уравниваем пути, когда…

  • клиент пришел к конверсии посредством не только perfomance-кампаний, но и в том числе с помощью касаний с медийными размещениями. Допустим, он увидел баннер на сайте и кликнул по нему в начале воронки, и это познакомило его с брендом;
  • клиент совершил конверсию без касаний с медийкой. Иными словами, когда его путь был короче, предположим, что он уже был знаком с брендом и конвертировался прямым заходом на сайт за счет, предположим, специального предложения.

Имея один усредненный по двум параметрам показатель, мы заведомо допустим ошибку при подведении итогов. В этом случае мы смотрим на статистику, которая отражает эффективность не конкретной кампании, а показывает совокупный результат, смешивая все кампании и касания воедино. У нас нет возможности оценить результаты конкретно по медийке или perfomance. Хотя вполне справедливо предположить, что кампании с медийными размещениями и без не могут быть равноценными. По одному значению мы никогда не узнаем, какой вес в результат кампании принесла медийка и какой —perfomance-инструментарий. В одном случае, доли распределялись бы поровну, в другом 80/20, в третьем — иначе и так далее. Принцип ясен — уравнивание этих значений и объединение их в одно, усредненное, — это подход, который заведомо ведет к ложному понимаю результативности кампаний. А соответственно — неправильным выводам по периоду времени, за которое пользователь может конвертироваться, и перераспределению бюджета.

При таком раскладе возможно допустить, что эффективным кампаниям будет ложно присвоено низкое количество конверсий. Отсюда — вторая проблема традиционного подхода к аналитике. Она заключается в том, что окно атрибуции оценивают на коротком шаге, не учитывая остаточный эффект от медийных кампаний. Как правило, их ценность не успевает присваиваться итоговому результату при стандартом подходе к аналитике атрибуционного окна (30-35 дней), когда все касания обобщаются.

Мы должны учитывать специфику медийных кампаний. Наличие таких объявлений в рекламном миксе, как правило, говорит нам о том, что мы имеем дело с кампаниями, нацеленными на привлечение новых пользователей. Соответственно, новой аудитории, не знакомой с брендом, понадобится значительно больше времени для принятия целевого решения, нежели той, которая уже с ним знакома. А в нашем условном примере это могло бы означать то, что низкое количество конверсий присвоилось бы perfomance инструментарию, хотя, как мы выяснили, вполне вероятно множество других сценариев, но мы их совершенно не учитываем, если рассматриваем атрибуционное окно с коротким шагом.

Иными словами, равно вероятны следующие ситуации, рассмотрим. В одной кампании касание с медийным размещением произошло в начале конверсионного пути, во второй —в конце. В первом случае воздействие на пользователя посредством медийных размещений предположительно побудило клиента к проявлению дальнейшего интереса к бренду, тогда как во втором - касание с медийкой оказало решающее значение и привело пользователя к конверсии. Теперь делаем выводы. Если начало воронки при оценке атрибуционного окна в разрезе 35 дней мы захватить сможем, то во второй ситуации конец пути пользователя окажется за пределами этой кампании и конверсия присвоится следующей. Будет логично предположить, что подводить итоги и принимать решения о результативности кампаний на неполных данных было бы в корне неверно.

Почему в системах аналитики есть ограничения на окно атрибуции?

Окно атрибуции — это параметр, который тяжело считать не с точки зрения математического бэкграунда, а с точки зрения серверных мощностей. Если окно атрибуции по кампании — 62 дня, то по окончании 30-дневного периода надо отслеживать ее результат еще, как минимум, 32 дня, хотя желательно все 120. Это значит, что нам нужно каждый раз обсчитывать и пересчитывать результат кампании за весь этот период, желательно с ежедневным обновлением, чтобы следить за прогрессом и оценивать объем конверсиий, который поступает в кампанию. Это сложная операция. Даже такие мастодонты, как Google, ограничивают объем атрибуции в своих системах и, как правило, максимальный период отслеживания — 90 дней. Это значение выведено импирически, что означает, что большая часть бизнесов укладывается в этот временной интервал. Бизнесы, кому требуются оценка пользовательского пути за пределами в 90 дней (допустим, недвижимость, автомобили, банковская сфера), подводят результаты и добиваются необходимых горизонтов планирования либо за счет внешних сервисов, либо делают это на своей стороне.

Помимо того, может возникнуть вопрос, о каких окнах атрибуции в 30, 90 и 200 дней мы можем говорить, если на текущий момент cookies живут меньше. Здесь важно понимать, что период до конверсии подразумевает, что мы уже, условно, поймали пользователя на нашем сайте, что означает, что нам уже доступны 1st party данные. Продолжительность жизни 1st party cookies — до 2-х лет в определенных браузерах (хотя даже они делают доступным увеличение срока хранения те же год или два). А этого в 99% случаев достаточно для того, чтобы отслеживать временные окна в разрезе отдельных пользователей: как действующих, так и потенциальных клиентов.

Как правильно оценивать результат?

Убедившись, что при стандартном подходе мы не учитываем остаточный эффект, который могла оказать медийка на решение клиента, а соотвественно — несправедливо занижаем ее значение в контексте итогового результата, мы решили подводить итоги по окну атрибуции с учетом различных фильтров. Далее рассмотрим, что мы имеем в виду, отталкиваясь от двух ранее рассмотренных проблем, с которыми сталкиваются при стандартном подходе к аналитике атрибуционного окна. Напомним, первая проблема — работа с усредненным значением, вторая — несправедливое присваивание ценности конверсионным каналам, которые находятся за пределами рассматриваемого окна.

В первом случае мы решили рассматривать окно атрибуции не по одному усредненному показателю, а разделяя параметр на два значения: показатель по окну атрибуции отдельно с использованием медийных объявлений и отдельно без них. Окно атрибуции важно рассматривать не только через фильтр тех конверсий, которые мы отслеживаем, но и через призму оценки по кампаниям.

Почему нужно отслеживать этот параметр в динамике и с определенными фильтрами, а не как средний показатель по всему трафику? Кампании могут иметь абсолютно разные ключевые цели. Например, могут быт кампании, которые а) разогревают новую аудиторию, б) предлагают специальные предложения для уже действующих клиентов, в) работают с теми, кто находятся на шаге перед конверсией, и вы хотите узнать, что их останавливает, г) формируют бренд за счет охватных размещений или д) собирают готовый трафик, который уже максимально замотивирован к покупке.

Именно поэтому дашборд CyberBoard опционально позволяет рассматривать окно атрибуции в разрезе абсолютно любых фильтров и их комбинаций и в множестве плоскостей для получения справедливой и полной картины результативности рекламных кампаний.

В борьбе со второй проблемой мы позволяем клиентам высчитывать окно атрибуции в тех пределах, в которых требует их конкретный кейс. При этом мы также высчитываем окно атрибуции по итогам стандартного флайта, где 30 дней длится сама кампания и условных 5 дней требуется на сбор, очистку и подсчет данных. А подведение итогов возможно на том количестве информации, которое необходимо для того или иного случая

А теперь наглядно разберем на примере одного пользователя

Обратимся к нашему демо-дашборду и рассмотрим, как фильтры помогают увидеть правильную и справедливую картину по результатам кампании. Конкретно здесь обезличен продукт длительного использования (например, банки, страховые компании, недвижимость, авто), и отчет показан в разрезе всех конверсионных путей.

Усредненный фильтр по всем кампаниям

Окна атрибуции отражены в цифрах 62 дня 24 часа и 13 дней 11 часов, где первое значение учитывает все взаимодействия, включая медийные кампании, а второе — все взаимодействия без учета касаний с медийными объявлениями. При этом оба значения показывают средний промежуток времени от первого (показа, клика или сессии) до целевого взаимодействия.

Представим, что у нас первая цель (т.е. та, что ближе к верху, или началу, воронки) — это, допустим, звонок.

Фильтр по первой цели

Получается, чтобы человек решился позвонить в компанию и пообщаться с менеджером, ему потребуется 56 дней и 17 часов, если взаимодействия с медийными кампаниями произошли, и 12 дней и 3 часа, если их не было.

А теперь обратим внимание на низ воронки. Представим, что четвертая (в нашем случае — конечная) цель — это продажа. Так, чтобы пользователю дойти до покупки, ему уже потребуется 94 дня и 9 часов, если были касания с медийкой, и 22 дня и 19 часов, если не было.

Фильтр по конечной цели

Теперь делаем выводы, исходя из конечных целей. Если задача — звонок, то нам нужно ориентироваться на первые показатели, если — продажи, то на вторые. Получается, окно атрибуции нужно отслеживать динамически, то есть в зависимости от поставленных целей и использованных инструментов, потому что средние числа могут ввести нас в заблуждение.

Логотип

Наш канал про digital-маркетинг, ML и аналитику.

Делимся собственным опытом работы с рекламными данными,
новыми технологиями и собираем лучшие практики оптимизации.

Делимся собственным опытом работы с рекламными данными, новыми технологиями
и собираем лучшие практики оптимизации.

Присоединиться
поделиться:
Популярные статьи
статья 2 min read Модели атрибуции - что это и какая подойдет вашему бизнесу? Рассказываем, как с помощью атрибуции бизнес может избежать лишних расходов и кратко улучшить CPA.
Кристина Устиноваредактор CyberBrain
статья 4 min Узнай, как на самом деле работает атрибуция На этапе, когда сквозная аналитика уже собрана и упорядочена, данные нуждаются в оценке, а бюджет - в оптимизации. В чем смысл составлять отчеты по результатам кампании, если после ничего не менять и не перераспределять рекламный бюджет на основе полученных данных? Чтобы оптимизировать работу кампании, нужно проанализировать уникальный путь, который проходит пользователь до совершения конверсии.
Кристина Устиноваредактор CyberBrain
мифы 2 min read Мифы атрибуции. Причем здесь Post-View модель? Чтобы не быть голословными, обратимся к первоисточнику и определимся, что такое Post-View и с чем его едят.
Кристина Устиноваредактор CyberBrain
аналитическая статья 5 min read Data-driven атрибуция - как понять, кому нужна, а для кого это трата времени и сил Разберемся, кому для этих целей нужны сложные модели атрибуции, а кому достаточно классической модели Last Click.
Никита ЛисицынCEO CyberBrain
digital словарь 5 min Как эффективно работать с метрикой CPC? Рассказываем, на что влияет Cost-Per-Click, когда и где применяется и как можно улучшить результаты по рекламным кампаниям за счет комплексной аналитики.
Кристина Устиноваредактор CyberBrain
статья 3 min read Как метрики ROI, ROMI и ROAS связаны с прибылью Кратко и наглядно рассказываем об отличиях между метриками рентабельности как в маркетинге, так и бизнесе в целом.
Кристина Устиноваредактор CyberBrain
статья 5 min read ROPO-аналитика: какие проблемы решает и как эффективно пользоваться этими отчетами Узнайте, как реагировать на новые методы продаж и познакомиться с потребителем завтрашнего дня.
Кристина Устиноваредактор CyberBrain
digital словарь 1 min read CTR: на что влияет и как рассчитать? Насколько успешно выполнил свою задачу источник трафика? Узнаете, почему без Click-Through Rate трудно отследить результативность рекламы.
Кристина Устиноваредактор CyberBrain
статья 5 min read Stable ID как перспективный ответ на вызов cookieless эпохи Отказ мира от cookies заставил digital-рынок искать им не менее эффективную замену. Это перспективная технология, которая явно стоит вашего внимания, если вы заинтересованы в эффективной коммуникации с пользователями в разных точках продаж.
Кристина Устиноваредактор CyberBrain
просто о сложном 3 min read Объединение post-view и post-click. Для кого, зачем и как это работает На рынке digital-аналитики существует тезис, что значимость объединения перфоманс и медийки преувеличена. В статье разбираемся, стоит ли вникать в этот вопрос или для достижения бизнес-результата достаточно использовать исходные данные.
Кристина Устиноваредактор CyberBrain
digital словарь 1 min read ТВ атрибуция как перспективный инструмент O2O маркетинга Почему рекламодателям стоит идти в эту сторону? Рассказываем, как объединить телесмотрение, post-view и post-click данные с помощью методов, лежащих в основе ТВ атрибуции, в новой статье и на канале.
Кристина Устиноваредактор CyberBrain
статья 2 min read Что происходит с Web+App атрибуцией в 2023 году? В предыдущих статьях мы рассказывали об объединении данных по взаимодействиям пользователя с медийными и performance кампаниями в один путь. Более того, затронули вопрос online-to-offline маркетинга и ТВ-атрибуции. Но что, если конечное ценное действие пользователь совершает не на сайте, а в мобильном приложении? Тогда для правильного распределения вклада в итоговую конверсию потребуется обогатить уже имеющийся блок знаний app-данными.
Николайстарший веб-аналитик CyberBrain
digital словарь 1 min read CPA и ее разновидности CPL и CPO Как рассчитать, кому будут полезны и в чем отличия маркетинговых метрик
Кристина Устиноваредактор CyberBrain
статья 2 min read Как реализуется технология Stable ID на стороне операторов связи Каким образом происходит передача данных Stable ID на стороне операторов сотовой связи и как к этому относится технология TCP/IP, разберемся в этой статье.
Кристина Устиноваредактор CyberBrain
статья 4 min read Виды интернет-рекламы для бизнеса: какая реклама работает в 2023 году
Кристина Устиноваредактор CyberBrain
статья 4 min read Баттл моделей атрибуции на основе данных: Markov vs Shapley
Кристина Устиноваредактор CyberBrain
Подписывайтесь на канал Мониторим рынок из первоисточников и делимся краеугольными событиями IT и digital-рынков