Модели атрибуции
В системе модели атрибуции разделены на два типа:
Все касания - атрибуция в этих моделях 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 линейной атрибуции, который на пути к конверсии взаимодействовал со следующими каналами:
Распределение ценности по каналам будет выглядеть следующим образом:
Все касания - атрибуция в этих моделях 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 линейной атрибуции, который на пути к конверсии взаимодействовал со следующими каналами:
- RBC / CPM (медийный источник)
- Yandex / CPC (платный канал)
- Yandex / CPM (медийный источник)
- Google / Organic (органический 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 TargetADS
В сервисе Target Ads окно атрибуции используется для отслеживания и анализа конверсий, которые произошли после взаимодействия с медийной рекламой. Оно позволяет оценить эффективность рекламных кампаний на основе того, как долго после взаимодействия с объявлением пользователи совершают конверсии.
Что это значит?
Окно атрибуции — это период времени, в течение которого система отслеживает конверсии, произошедшие после взаимодейтсвия с рекламой (post-view/post-click конверсии). При этом также задается период проведения рекламной кампании, в рамках которого учитываются показы, клики и последующие конверсии.
Как этим пользоваться?
- Выбор окна атрибуции: В системе TargetADS можно выбрать одно из окон атрибуции: 1, 7, 15, 30, 60, 90 дней (1 день доступен только по модели Last Impression). Это означает, что система будет отслеживать конверсии, произошедшие в течение 1, 7, 15, 30, 60, 90 дней после взаимодействия с объявлением.
- Настройка периода кампании: Задайте период проведения рекламной кампании, в рамках которого показы и клики будут считаться действительными для анализа 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:
Использование правильного окна атрибуции позволяет более точно оценивать вклад медийной рекламы в конверсии и улучшать стратегию рекламных кампаний.
- Определите длительность окна атрибуции: Выберите окно атрибуции, которое соответствует 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.
Использование правильного окна атрибуции позволяет более точно оценивать вклад медийной рекламы в конверсии и улучшать стратегию рекламных кампаний.
Модель атрибуции «Linear»
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.
Выберите модель Linar (media) в интерфейсе, чтобы атрибуция строилась только по медийным источникам трафика
Плюсы модели атрибуции «Linear»
Минусы модели атрибуции «Linear»
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 модели атрибуции «Linear»
- 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:
Модель атрибуции «Linear» 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.
Модель атрибуции «Linear» 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 «First Interaction»
Модель атрибуции «First Interaction» 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 «First Interaction»
- 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 «First Interaction» 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 «First Interaction» 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 «Last Interaction»
Модель атрибуции «Last Interaction» 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 «Last Interaction»
- 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:
В данном примере последним шагом перед конверсией является Direct (прямой заход). Согласно модели «Last Interaction», 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.
Вывод:
Модель атрибуции «Last Interaction» полезна для анализа каналов, непосредственно приводящих к конверсии. Она позволяет определить, какие источники играют решающую роль в завершении пользовательского пути. Однако, для более полного анализа результативности маркетинговых активностей следует рассматривать и другие модели атрибуции, которые позволяют оценить влияние всех точек контакта на принятие решения.
В данном примере последним шагом перед конверсией является Direct (прямой заход). Согласно модели «Last Interaction», 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.
Вывод:
Модель атрибуции «Last Interaction» полезна для анализа каналов, непосредственно приводящих к конверсии. Она позволяет определить, какие источники играют решающую роль в завершении пользовательского пути. Однако, для более полного анализа результативности маркетинговых активностей следует рассматривать и другие модели атрибуции, которые позволяют оценить влияние всех точек контакта на принятие решения.
Модель атрибуции «TimeDecay»
Модель атрибуции «TimeDecay» (или модель по давности взаимодействия) — 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 «TimeDecay»
- 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 «TimeDecay» 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 «TimeDecay»
- 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.
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:
Сумма весов: 0.022+0.033+0.052+0.164+0.273+0.456=1
Вывод:
В данном примере модель «TimeDecay» 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.
Сумма весов: 0.022+0.033+0.052+0.164+0.273+0.456=1
Вывод:
В данном примере модель «TimeDecay» 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 «TargetADS Model»
Модель атрибуции «TargetADS Model» является усовершенствованной версией стандартной модели «TimeDecay». 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 модели «TimeDecay», которая учитывает все взаимодействия одинаково, «TargetADS Model» 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 «TargetADS Model»
- 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.
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:
Direct (прямой заход) исключается из анализа, так как в модели «TargetADS Model» прямые заходы не учитываются.
Сумма весов: 0.04+0.07+0.11+0.27+0.51=1
Вывод:
Модель атрибуции «TargetADS Model» 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 «TargetADS Model» прямые заходы не учитываются.
Сумма весов: 0.04+0.07+0.11+0.27+0.51=1
Вывод:
Модель атрибуции «TargetADS Model» 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.
Модель атрибуции «First Impression»
Модель атрибуции «First Impression» (или модель по первому показу) — это метод атрибуции, который приписывает 100% ценности конверсии первому взаимодействию. Предполагается, что именно первое касание сыграло ключевую роль в привлечении внимания и запуске воронки принятия решения. Эта модель особенно полезна для оценки эффективности источников, инициирующих пользовательский путь.
Плюсы модели атрибуции «First Impression»
- Оценка эффективности охвата и привлечения внимания: модель позволяет точно определить, какие каналы или кампании успешно привлекают пользователей на ранних этапах воронки.
- Поддержка брендовых и имиджевых кампаний: так как весь вес отдается первому взаимодействию, модель хорошо подходит для оценки верхнеуровневых кампаний, направленных на узнаваемость и формирование первого контакта с брендом.
- Простота и понятность анализа: модель легко интерпретировать: она помогает быстро определить, что стало источником первого интереса пользователя.
- Полезна для долгих пользовательских циклов: в сферах бизнеса с длительным циклом принятия решения (например, недвижимость, авто, B2B) особенно важно понимать, какой канал впервые познакомил пользователя с продуктом или услугой.
Минусы модели атрибуции «First Impression»
- Игнорирование влияния последующих касаний: модель полностью исключает все взаимодействия после первого, даже если они были ключевыми для принятия решения о покупке.
- Недооценка усилий по удержанию и доведению до конверсии: каналы, которые "дожимают" пользователя или напоминают о бренде в момент принятия решения, не получают никакой ценности.
- Не подходит для оценки эффективности performance-кампаний: в рамках моделей, направленных на прямую конверсию (CPA, CPC), модель может давать искажённую картину, так как не учитывает конверсионную роль последнего взаимодействия.
- Может переоценивать влияние случайных касаний: первое взаимодействие может быть случайным или неосознанным (например, баннер, случайно замеченный в ленте), что не всегда отражает реальную вовлечённость пользователя
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 «First Impression» полностью фокусируется на первом касании, что позволяет выявить каналы, эффективно привлекающие новых пользователей. Такой подход помогает определить, какие источники запускают путь к конверсии. Однако модель не учитывает последующее поведение и влияние других точек касания, что может приводить к переоценке первого контакта и недооценке всей цепочки вовлечения.
- Direct (прямой заход), Yandex / cpc, Google / organic исключаются из анализа, так как в модели «First Impression» учитыватся только источники с показами рекламных объявлений.
- В этом примере всю ценность за конверсию получает RBC / CPM, так как это касание было первым показом для пользователя.
Вывод:
Модель атрибуции «First Impression» полностью фокусируется на первом касании, что позволяет выявить каналы, эффективно привлекающие новых пользователей. Такой подход помогает определить, какие источники запускают путь к конверсии. Однако модель не учитывает последующее поведение и влияние других точек касания, что может приводить к переоценке первого контакта и недооценке всей цепочки вовлечения.
Модель атрибуции «Last Impression»
Метод, при котором вся ценность конверсии приписывается последнему показу перед совершением целевого действия. Модель исходит из того, что именно последнее взаимодействие оказало решающее влияние на решение пользователя совершить конверсию. Часто используется для оценки каналов, завершающих пользовательский путь.
Плюсы модели атрибуции «Last Impression»
- Фокус на каналы, завершающие путь к конверсии: помогает оценить, какие источники непосредственно стимулируют целевое действие.
- Простота интерпретации: один последний показ = источник конверсии.
- Подходит для brandformance-кампаний: эффективна при оценке каналов с фокусом на целевые действия.
- Актуальна для коротких воронок: хорошо работает, если решение о покупке принимается быстро.
Минусы модели атрибуции «Last Impression»
- Игнорирует вклад верхних и средних этапов воронки: каналы, привлекающие и вовлекающие пользователя, остаются без оценки.
- Переоценка таргетинга на "горячую аудторию": последние касания часто — это уже знакомый бренд, а не источник интереса.
- Может искажать стратегическую оценку каналов: каналы, создающие спрос, выглядят неэффективными.
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:
В данном примере последним каналом с показом перед конверсией является Soloway / cpm. Согласно модели «Last Impression», вся ценность за конверсию будет приписана каналу Soloway / cpm. Остальные каналы не получат никакой атрибуции за эту конверсию.
Вывод:
Модель «Last Impression» придаёт максимальный вес последнему показу перед конверсией, делая акцент на каналы, доводящие пользователя до действия. Это упрощает оценку эффективности медийных каналов, но исключает вклад всего предыдущего пути. В результате картина может быть искажена, особенно если последние касания — это ремаркетинг или пользователи, знающие бренд
В данном примере последним каналом с показом перед конверсией является Soloway / cpm. Согласно модели «Last Impression», вся ценность за конверсию будет приписана каналу Soloway / cpm. Остальные каналы не получат никакой атрибуции за эту конверсию.
Вывод:
Модель «Last Impression» придаёт максимальный вес последнему показу перед конверсией, делая акцент на каналы, доводящие пользователя до действия. Это упрощает оценку эффективности медийных каналов, но исключает вклад всего предыдущего пути. В результате картина может быть искажена, особенно если последние касания — это ремаркетинг или пользователи, знающие бренд
Модель атрибуции «Last non direct»
Эта модель приписывает всю ценность конверсии последнему источнику трафика, отличному от прямого захода (direct). Прямые переходы игнорируются, поскольку пользователь уже был знаком с брендом. Таким образом, модель отдает приоритет последнему "влияющему" источнику, который привел пользователя перед прямым заходом и конверсией.
Также модель удобно использовать для сверки данных по конверсиям с другими сервисами веб-аналитики (например, Яндекс Метрика).
Плюсы модели атрибуции «Last non direct»
- Учитывает осмысленные источники трафика: исключает "прямые заходы", которые часто являются следствием предыдущих касаний.
- Помогает более точно атрибутировать вклад каналов: отдаёт ценность последнему влияющему источнику перед конверсией.
- Ближе к реальности в условиях мультиканальности: учитывает поведение пользователей, которые возвращаются напрямую.
Минусы модели атрибуции «Last non direct»
- Всё ещё игнорирует весь предыдущий путь: вся ценность приписывается только одному источнику.
- Может недооценивать каналы узнаваемости и интереса: первичные касания не учитываются.
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:
Direct (прямой заход) исключается из анализа, так как в модели «Last non direct» прямые заходы не учитываются. Вся ценность за конверсию будет назчена источнику трафика Soloway / cpm, так переход по нему был последним непрямым перед конверсией.
Вывод:
Модель «Last Non-Direct» исключает прямые заходы и приписывает конверсию последнему значимому источнику. Это делает распределение более объективным, особенно в ситуациях, когда пользователь возвращается напрямую после предыдущего контакта с рекламой. Такой подход позволяет избежать переоценки прямого трафика и ближе подходит к оценке влияния реальных маркетинговых каналов. Тем не менее, как и Last Click, она не отражает вклад всей цепочки взаимодействий.
Direct (прямой заход) исключается из анализа, так как в модели «Last non direct» прямые заходы не учитываются. Вся ценность за конверсию будет назчена источнику трафика Soloway / cpm, так переход по нему был последним непрямым перед конверсией.
Вывод:
Модель «Last Non-Direct» исключает прямые заходы и приписывает конверсию последнему значимому источнику. Это делает распределение более объективным, особенно в ситуациях, когда пользователь возвращается напрямую после предыдущего контакта с рекламой. Такой подход позволяет избежать переоценки прямого трафика и ближе подходит к оценке влияния реальных маркетинговых каналов. Тем не менее, как и Last Click, она не отражает вклад всей цепочки взаимодействий.
Модель атрибуции «Position Based»
Метод, при котором ценность конверсии распределяется между всеми точками касания, при этом:
- 40% приписывается первому касанию,
- 40% — последнему непрямому касанию,
- оставшиеся 20% равномерно распределяются между промежуточными точками.
Плюсы модели атрибуции «Position Based»
Баланс между привлечением и конверсией: 40% ценности даётся первому и последнему касаниям, что позволяет оценить вклад обоих этапов.
Учитывает промежуточные взаимодействия: 20% распределяются между всеми остальными касаниями, не теряя их значимость.
Хорошо отражает весь путь пользователя: особенно полезна в многоканальных и сложных воронках.
Минусы модели атрибуции «Position Based»
- Не отражает реальное влияние каждого касания: вес распределяется фиксированно, без учёта поведения пользователя.
- Может недооценивать особенно сильные или слабые касания: все промежуточные точки получают одинаковую ценность вне зависимости от эффективности.
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:
«Position Based» обеспечивает более сбалансированное распределение весов между точками взаимодействия: основной вес получают первое и последнее касание, а промежуточные — не остаются без внимания. Это делает модель полезной для анализа мультиканального пути пользователя и оценки влияния как верхнего, так и нижнего уровня воронки. Однако фиксированная структура весов может не учитывать реальные особенности поведения пользователя и влиятельность отдельных касаний.
- Direct (прямой заход) исключается из анализа, так как в модели «Position Based» прямые заходы не учитываются.
- RBC / cpm и Soloway /cpm получают по 40% от ценности за конверсию как каналы первого и последнего касания.
- Остальные каналы Yanedx / cpc, Yandex / cpm и Google / organic получают по 6,7% от ценности как промежуточные касания.
Вывод:
«Position Based» обеспечивает более сбалансированное распределение весов между точками взаимодействия: основной вес получают первое и последнее касание, а промежуточные — не остаются без внимания. Это делает модель полезной для анализа мультиканального пути пользователя и оценки влияния как верхнего, так и нижнего уровня воронки. Однако фиксированная структура весов может не учитывать реальные особенности поведения пользователя и влиятельность отдельных касаний.
Модель атрибуции «Вектор Шепли»
Методология основана на теории кооперативных игр и справедливом распределении вклада между участниками. Каждый рекламный канал получает долю от конверсии пропорционально своему вкладу в путь пользователя.
Шепли оценивает, насколько увеличивается вероятность конверсии при добавлении конкретного касания к различным комбинациям других касаний. Это позволяет точно учитывать вклад каждого канала даже при сложных сценариях многократного взаимодействия.
Модель находится в бете. Отчёт по ней доступен под запрос.
Плюсы модели атрибуции «Вектор Шепли»
- Учитывает все взаимодействия и их порядок: модель анализирует все возможные комбинации взаимодействий
- Честное распределение: каналы получают вклад в зависимости от реального влияния
- Подходит для многоканальных сложных воронок: модель эффективна при множестве каналов и длинных цепочках рекламных касаний до конверсии
Минусы модели атрибуции «Вектор Шепли»
- Зависима от данных: для репрезентативных выводов нужен большой объем статистики
- Сложнее интерпретировать: результаты не всегда интуитивно понятны в отличие от базовых моделей атрибуции
Пример
Допустим, пользователь взаимодействовал с тремя каналами в следующем порядке:
Чтобы определить вклад каждого канала, модель Шепли рассматривает все возможные комбинации этих касаний и оценивает, как наличие каждого канала влияет на вероятность конверсии. Например:
После расчётов модель может распределить ценность конверсии следующим образом:
- Если пользователь пришел через Google / organic, то вероятность конверсии - 10%
- Через RBC / cpm + Google / organic - 30%
- Через Yandex / cpm + Google / organic - 40%
- Через все три канала - 60%
После расчётов модель может распределить ценность конверсии следующим образом:
Такой подход позволяет точно учесть вклад даже тех каналов, которые не были последними в цепочке, но сыграли важную роль в решении пользователя.