Модели атрибуции, реализованные в сервисе
Target Ads
Target Ads
Модели атрибуции в TargetAds
В TargetAds модели атрибуции разделены на два типа:
Все касания: атрибуция строится по всем платным и бесплатным каналам, а также учитывает прямые каналы. Данная надстройка необходима для того, чтобы оценить весь пользовательский путь.
Медийные касания: атрибуция строится только по медийным источникам трафика, что позволяет выявить наиболее эффективные медийные флайты и каналы.
Пример: рассмотрим путь пользователя на примере линеной атрибуции, который прошел следующие этапы:
- RBC / CPM (медийный источник)
- Yandex / CPC (платный канал)
- Yandex / CPM (медийный источник)
- Google / Organic (Орагнический трафик)
- Soloway / CPM (медийный источник)
- Direct (прямой заход)
Распределение ценности по каналам будет выглядеть следующим образом:
Медийные касания: при атрибуции по медийным касаниям будут учитываться только взаимодействия с медийными источниками. В данном примере это RBC / CPM, Yandex / CPM и Soloway / CPM. Это позволяет сконцентрироваться на эффективности медийных кампаний и оценить их вклад в конверсию.
Распределение ценности по каналам будет выглядеть следующим образом:
Окно атрибуции в сервисе Target Ads
В сервисе Target Ads окно атрибуции используется для отслеживания и анализа конверсий, которые произошли после показа медийной рекламы. Оно позволяет оценить эффективность рекламных кампаний на основе того, как долго после показа объявления пользователи совершают конверсии.
Что это значит?
Окно атрибуции — это период времени, в течение которого система отслеживает конверсии, произошедшие после показа медийной рекламы (post-view конверсии). При этом также задается период проведения рекламной кампании, в рамках которого учитываются показы и последующие конверсии.
Как этим пользоваться?
- Выбор окна атрибуции: В системе Target Ads можно выбрать одно из окон атрибуции: 15, 30, 60, 90 дней. Это означает, что система будет отслеживать конверсии, произошедшие в течение 15, 30, 60 или 90 дней после показа объявления.
- Настройка периода кампании: Задайте период проведения рекламной кампании, в рамках которого показы будут считаться действительными для анализа post-view конверсий.
Примеры
№ 1 Окно атрибуции 30 дней
- Период кампании: 1 июля 2024 года — 31 июля 2024 года.
- Окно атрибуции: 30 дней.
Анализ: Конверсия произошла через 26 дней после показа объявления на RBC.ru, что попадает в 30-дневное окно атрибуции. Эта конверсия будет учтена в анализе эффективности рекламного размещения на RBC.ru.
№2: Окно атрибуции 15 дней
- Период кампании: 1 августа 2024 года — 31 августа 2024 года.
- Окно атрибуции: 15 дней.
Анализ: Конверсия случилась через 16 дней после того, как объявление было показано на RBC.ru. Это выходит за рамки 15-дневного окна атрибуции. Поэтому данная конверсия не будет учитываться при анализе эффективности площадки RBC.ru. Однако она будет учтена при анализе на Yandex / cpm и остальных каналов, так как это касание попадает в 15-дневное окно атрибуции.
Как правильно пользоваться окном атрибуции:
- Определите длительность окна атрибуции: Выберите окно атрибуции, которое соответствует вашему бизнесу и целям кампании. Для быстрореагирующих продуктов, лучше использовать короткие окна (15-30 дней). Для более длительных циклов продаж, лучше использовать более длинные окна (60-90 дней).
- Задайте период кампании: Установите конкретные даты начала и окончания рекламной кампании. Это позволит точно отслеживать показы и последующие конверсии в заданный период.
- Анализируйте результаты: После завершения кампании проанализируйте количество конверсий, произошедших в пределах окна атрибуции. Это поможет оценить эффективность медийной рекламы и оптимизировать будущие кампании.
- Для быстрореализуемых продуктов, таких как одежда и аксессуары, оптимальное окно атрибуции составляет 15–30 дней.
- Для сложных продуктов, требующих длительного цикла принятия решения, например, недвижимости и автомобилей, рекомендуется использовать окно атрибуции 60–90 дней.
- Для продуктов средней продолжительности, например, бытовой техники и электроники, оптимальное окно атрибуции составляет 30–60 дней.
Линейная модель атрибуции
Линейная модель атрибуции — это метод распределения ценности (атрибуции) за конверсию (например, покупку, регистрацию или другое целевое действие) между всеми маркетинговыми каналами или точками взаимодействия, с которыми пользователь сталкивался на пути к этой конверсии. В этой модели каждый контакт (точка взаимодействия) в цепочке получает равную долю веса за конечное действие.
Плюсы линейной модели атрибуции
Минусы линейной модели атрибуции
Пример
Рассмотрим путь пользователя, который прошел следующие этапы:
- Простота и понятность: линейная модель атрибуции легко понимается и объясняется. Она распределяет ценность равномерно между всеми точками взаимодействия, что делает ее удобной для начального анализа маркетинговых данных.
- Учет всех точек взаимодействия: модель учитывает вклад всех точек взаимодействия в цепочке. Это позволяет маркетологам получить полное представление о пути клиента к конверсии и понять, какие каналы и точки взаимодействия играли роль в этом процессе.
- Справедливость распределения: каждое взаимодействие получает равный вес, что может быть справедливым подходом, особенно если все точки взаимодействия считаются одинаково важными для конверсии.
- Стимулирование использования нескольких каналов: линейная модель поощряет специалистов использовать разнообразные каналы для взаимодействия с клиентами, поскольку все каналы получают кредит за конверсию, что может стимулировать более комплексные маркетинговые стратегии.
Минусы линейной модели атрибуции
- Игнорирование важности отдельных касаний: линейная модель не различает важность или влияние каждого взаимодействия. На практике некоторые точки взаимодействия могут иметь большее влияние на принятие решения о покупке, чем другие, и равномерное распределение кредита может не отражать реального вклада этих точек.
- Отсутствие временной дифференциации: модель не учитывает временные аспекты. Например, взаимодействие, произошедшее ближе к моменту конверсии, может быть более важным, чем то, что было в начале пути. Линейная модель не учитывает такие временные различия.
- Неоптимальная для сложных путей клиента: в сложных сценариях с большим количеством точек взаимодействия линейная модель может быть слишком упрощенной. Она не предоставляет информации о том, какие каналы или точки взаимодействия действительно более эффективны в продвижении клиента к конверсии.
- Отсутствие информации о взаимосвязях между каналами: линейная модель не учитывает синергии между различными точками взаимодействия. Например, комбинация определенных каналов может иметь более сильное влияние, чем использование каждого из них по отдельности, но линейная модель не позволяет это выявить.
Пример
Рассмотрим путь пользователя, который прошел следующие этапы:
- RBC / CPM (медийный источник)
- Yandex / CPC (платный канал)
- Yandex / CPM (медийный источник)
- Google / Organic (Орагнический трафик)
- Soloway / CPM (медийный источник)
- Direct (прямой заход)
Анализ:
Линейная модель атрибуции является простым и понятным инструментом для распределения кредита за конверсию между всеми точками взаимодействия. Она полезна для начального анализа и обеспечения справедливого распределения кредита между всеми каналами. Однако, для более глубокого анализа и оптимизации маркетинговых усилий могут потребоваться более сложные модели атрибуции, учитывающие временные аспекты, влияние отдельных точек взаимодействия и взаимосвязи между каналами.
- При линейной атрибуции каждый канал получает равный вес.
- Вес каждого канала = 1/6≈0.1667, где 1 — это одно целевое действие, а 6 — количество каналов, с которыми пользователь взаимодействовал.
Линейная модель атрибуции является простым и понятным инструментом для распределения кредита за конверсию между всеми точками взаимодействия. Она полезна для начального анализа и обеспечения справедливого распределения кредита между всеми каналами. Однако, для более глубокого анализа и оптимизации маркетинговых усилий могут потребоваться более сложные модели атрибуции, учитывающие временные аспекты, влияние отдельных точек взаимодействия и взаимосвязи между каналами.
Модель атрибуции «Первое касание»
Модель атрибуции "Первое касание" приписывает всю заслугу за конверсию первому взаимодействию пользователя с рекламой или каналом. В этом подходе весь кредит за конверсию получает канал или рекламная кампания, которые привлекли пользователя на начальном этапе пути к конверсии.
Плюсы модели атрибуции «Первое касание»
- Фокус на начальные точки взаимодействия: помогает понять, какие каналы и кампании наиболее эффективны для привлечения новых пользователей и создания первоначального интереса.
- Поддержка стратегий привлечения: идеальна для кампаний, направленных на повышение осведомленности и привлечение новой аудитории.
- Игнорирование последующих взаимодействий: не учитывает вклад других точек касания на пути к конверсии, что может привести к искаженной оценке эффективности каналов.
- Недостаток данных для оптимизации: ограниченная информация о всей последовательности взаимодействий усложняет принятие решений по оптимизации маркетинговой стратегии.
- Снижение важности середины пути: не учитывает важность и влияние точек касания, которые могут поддерживать и укреплять интерес пользователя до момента конверсии.
Пример
Пользователь прошел следующий путь до конверсии:
- RBC / CPM (медийный источник)
- Yandex / CPC (платный канал)
- Yandex / CPM (медийный источник)
- Google / Organic (Орагнический трафик)
- Soloway / CPM (медийный источник)
- Direct (прямой заход)
Анализ:
Вывод:
Модель атрибуции "Первое касание" полезна для анализа эффективности начальных точек взаимодействия с пользователями. Она позволяет выявить, какие каналы наиболее эффективно привлекают новую аудиторию. Однако, для полного понимания пути пользователя и оптимизации маркетинговой стратегии важно также рассматривать другие модели атрибуции, которые учитывают все взаимодействия на пути к конверсии.
- В этом примере весь кредит за конверсию получает RBC / CPM, так как это было первое взаимодействие пользователя с рекламой.
- Другие каналы, такие как Yandex / CPC, Yandex / CPM, Google / Organic, Soloway / CPM и Direct, не получают никакого кредита за конверсию.
Вывод:
Модель атрибуции "Первое касание" полезна для анализа эффективности начальных точек взаимодействия с пользователями. Она позволяет выявить, какие каналы наиболее эффективно привлекают новую аудиторию. Однако, для полного понимания пути пользователя и оптимизации маркетинговой стратегии важно также рассматривать другие модели атрибуции, которые учитывают все взаимодействия на пути к конверсии.
Модель атрибуции «Первое касание»
Модель атрибуции "Последнее касание" приписывает всю ценность за конверсию последнему каналу или источнику трафика, с которым пользователь взаимодействовал перед совершением целевого действия (например, покупкой или регистрацией). Это означает, что вся конверсионная ценность приписывается последнему шагу в пути пользователя к цели.
Плюсы модели атрибуции «Последнее касание»
- Фокус на завершающих этапах взаимодействия: Позволяет четко выявить эффективность каналов, которые приводят к непосредственному завершению целевого действия.
- Логичная основа для оптимизации: Идеально подходит для сравнения различных каналов и оптимизации бюджета маркетинговых кампаний на основе последних этапов воронки продаж.
- Игнорирование предшествующих взаимодействий: Не учитывает влияние ранних этапов взаимодействия, что может искажать полное представление об эффективности маркетинговых усилий.
- Ограниченность данных: Модель не предоставляет полной информации о том, как различные каналы и точки касания совместно способствуют достижению целей бизнеса.
- Недостаток контекста и последовательности: Не учитывает взаимодействия пользователя с брендом или продуктом до последнего этапа, что может привести к недооценке важности долгосрочных отношений с клиентом.
Пример
Рассмотрим пример пути пользователя к конверсии:
- RBC / CPM (медийный источник)
- Yandex / CPC (платный канал)
- Yandex / CPM (медийный источник)
- Google / Organic (органический трафик)
- Soloway / CPM (медийный источник)
- Direct (прямой заход)
Анализ:
Вывод:
Модель атрибуции "Первое касание" полезна для анализа эффективности начальных точек взаимодействия с пользователями. Она позволяет выявить, какие каналы наиболее эффективно привлекают новую аудиторию. Однако, для полного понимания пути пользователя и оптимизации маркетинговой стратегии важно также рассматривать другие модели атрибуции, которые учитывают все взаимодействия на пути к конверсии.
- В данном примере последним шагом перед конверсией является Direct (прямой заход). Согласно модели "Последнее касание", вся конверсионная ценность будет приписана каналу Direct. Остальные каналы (RBC, Yandex CPC, Yandex CPM, Google Organic и Soloway CPM) не получат никакой атрибуции за эту конверсию.
- Если бы мы использовали модель атрибуции «последнее касание» (медийные касания), то вся ценность перешла бы к Soloway/CPM, поскольку прямой заход пользователя был бы исключён из цепочки взаимодействия.
Вывод:
Модель атрибуции "Первое касание" полезна для анализа эффективности начальных точек взаимодействия с пользователями. Она позволяет выявить, какие каналы наиболее эффективно привлекают новую аудиторию. Однако, для полного понимания пути пользователя и оптимизации маркетинговой стратегии важно также рассматривать другие модели атрибуции, которые учитывают все взаимодействия на пути к конверсии.
Модель атрибуции Time Decay
Модель атрибуции Time Decay (или модель убывающей важности) — это метод атрибуции, который приписывает больший вес касаниям (точкам взаимодействия пользователя с рекламой), которые произошли ближе к времени конверсии. Суть модели в том, что касания, происходящие позднее в процессе взаимодействия пользователя, оказывают большее влияние на принятие решения пользователя о покупке или выполнении целевого действия, по сравнению с теми, которые произошли ранее.
Плюсы модели атрибуции Time Decay
- Учет важности времени: эта модель придает больше веса точкам взаимодействия, которые произошли ближе к моменту конверсии, что делает её более реалистичной, поскольку последние взаимодействия часто оказывают большее влияние на решение пользователя.
- Реалистичное представление пути пользователя: модель Time Decay отражает реальные процессы принятия решений, учитывая, что пользователи, как правило, помнят и реагируют на последние взаимодействия.
- Снижение влияния устаревших данных: поскольку ранние взаимодействия получают меньший вес, эта модель помогает сосредоточиться на более актуальных данных.
Минусы модели атрибуции Time Decay
- Недооценка ранних взаимодействий: модель может недооценивать значимость ранних взаимодействий, которые могли быть важными для формирования интереса пользователя или предоставления начальной информации.
- Ограниченность учета контента взаимодействий: модель не делает различий между типами взаимодействий, несмотря на то, что некоторые каналы или формы контента могут быть более влиятельными, чем другие.
- Потенциальное искажение данных: сильное снижение веса для более ранних взаимодействий может привести к искажению общего понимания пути пользователя и того, как различные точки касания влияют на конверсию.
- Может не подходить для всех типов бизнеса: для бизнесов с длинным циклом продаж и сложными процессами принятия решений модель Time Decay может оказаться менее эффективной, так как она не учитывает весь спектр взаимодействий пользователя.
Рассмотрим пример пути пользователя к конверсии:
- RBC / CPM (медийный источник)
- Yandex / CPC (платный канал)
- Yandex / CPM (медийный источник)
- Google / Organic (органический трафик)
- Soloway / CPM (медийный источник)
- Direct (прямой заход)
Анализ:
Direct (прямой заход) исключается из анализа, так как в модели Time Decay MAX прямые заходы не учитываются.
Сумма весов: 0.022+0.033+0.052+0.164+0.273+0.456=1
Вывод:
В данном примере модель Time Decay отдает наибольший вес последним касаниям, таким как Direct и Soloway / CPM, так как они ближе всего к моменту конверсии. Это подчеркивает значимость последних точек взаимодействия, но при этом не полностью игнорирует вклад предыдущих касаний. Модель подходит для анализа сложных пользовательских путей, где важно учитывать влияние времени на принятие решения о конверсии.
Direct (прямой заход) исключается из анализа, так как в модели Time Decay MAX прямые заходы не учитываются.
Сумма весов: 0.022+0.033+0.052+0.164+0.273+0.456=1
Вывод:
В данном примере модель Time Decay отдает наибольший вес последним касаниям, таким как Direct и Soloway / CPM, так как они ближе всего к моменту конверсии. Это подчеркивает значимость последних точек взаимодействия, но при этом не полностью игнорирует вклад предыдущих касаний. Модель подходит для анализа сложных пользовательских путей, где важно учитывать влияние времени на принятие решения о конверсии.
Модель атрибуции Time Decay MAX
Модель атрибуции Time Decay MAX является усовершенствованной версией стандартной модели Time Decay. Она учитывает медианное значение времени от первого показа до последнего касания, исключая при этом прямые переходы, брендовый трафик и фродовые показы. Это делает оценку более объективной и честной.
Основные характеристики:
- Медианное время от первого показа до последнего касания: В отличие от стандартной модели Time Decay, которая учитывает все взаимодействия одинаково, Time Decay MAX использует медианное значение времени. Это позволяет избежать влияния крайних значений и фокусируется на более типичных путях пользователя к конверсии.
- Исключение прямых заходов и брендового трафика: Прямые заходы и брендовый трафик не учитываются в модели, так как они могут искажать реальное влияние маркетинговых усилий. Эти виды трафика обычно связаны с лояльными пользователями или с теми, кто уже знаком с брендом.
- Исключение фродовых показов: Модель игнорирует фродовые показы, которые могут исказить данные и привести к неверным выводам.
Плюсы модели атрибуции Time Decay MAX
- Объективность: Исключение прямых заходов, брендового трафика и фродовых показов делает модель более объективной и честной.
- Учет медианного времени: Медианное значение времени отражает типичную продолжительность пути пользователя от первого взаимодействия до конверсии. Это значение помогает сгладить влияние аномально длинных или коротких путей, обеспечивая более репрезентативное распределение весов.
- Повышенная точность: Исключение нерелевантных и подозрительных данных повышает точность атрибуции, делая модель более надежной.
Рассмотрим пример пути пользователя к конверсии:
- RBC / CPM (медийный источник)
- Yandex / CPC (платный канал)
- Yandex / CPM (медийный источник)
- Google / Organic (органический трафик)
- Soloway / CPM (медийный источник)
- Direct (прямой заход)
Анализ:
Direct (прямой заход) исключается из анализа, так как в модели Time Decay MAX прямые заходы не учитываются.
Сумма весов: 0.04+0.07+0.11+0.27+0.51=1
Вывод:
Модель атрибуции Time Decay MAX учитывает медианное значение времени, что делает распределение весов более справедливым и точным. В данном примере видно, что чем ближе взаимодействие к моменту конверсии, тем больший вес оно получает. Это позволяет лучше оценить вклад каждого канала на пути пользователя к конверсии, исключая прямые заходы и брендовый трафик, а также фродовые показы.
👌
Direct (прямой заход) исключается из анализа, так как в модели Time Decay MAX прямые заходы не учитываются.
Сумма весов: 0.04+0.07+0.11+0.27+0.51=1
Вывод:
Модель атрибуции Time Decay MAX учитывает медианное значение времени, что делает распределение весов более справедливым и точным. В данном примере видно, что чем ближе взаимодействие к моменту конверсии, тем больший вес оно получает. Это позволяет лучше оценить вклад каждого канала на пути пользователя к конверсии, исключая прямые заходы и брендовый трафик, а также фродовые показы.
👌