Атрибуции виды: Атрибуция в психологии, виды атрибуций – причины и механизм работы атрибуции

Что означает атрибуция в маркетинге?

Материалы для скачивания

Сравнительная таблица с моделями атрибуциии

262.14 Kb

Согласно исследованиям Gartner более ⅔ рекламного бюджета сегодня приходится на онлайн каналы. Любая компания, вкладывая в свои рекламные кампании значительные бюджеты, подозревает, что далеко не все эти вложения прибыльны. Поэтому все чаще компании начинают задаваться вопросом: как увидеть и оценить эффективность вложений в онлайн и оффлайн маркетинг? 

В нашей статье мы рассмотрим, что такое атрибуция, как она помогает компаниям, а также разберем типичные ошибки и сложности маркетологов и аналитиков в работе с атрибуцией.

Запишитесь на демо, и мы на наглядных примерах покажем вам, как работает атрибуция в OWOX BI

ЗАПРОСИТЬ ДЕМО

Определение атрибуции в маркетинге

‘‘

Модель атрибуции в веб-аналитике — это набор правил, которые определяют вклад каждого рекламного канала в продажи или другие целевые действия.

Vlad Flaks,

CEO ,
OWOX

Другими словами, целью атрибуции является определение того, какие рекламные каналы и кампании оказали наибольшее влияние на принятие решения о покупке или о переходе на следующий шаг воронки.

Компании используют разные модели атрибуции, чтобы определить как, где и когда покупатель взаимодействует с брендом. Благодаря этим данным маркетологи изменяют и улучшают рекламные кампании, увеличивая показатели ROAS. 

Примечание: согласно отчету Ad Roll за 2017 год — 4 из 5 компаний в таких регионах, как Европа, Северная Америка и Азия, используют атрибуцию в маркетинге, а 51% организаций считает атрибуцию самой важной частью маркетинга. 

Почему стоит использовать атрибуцию?

В идеальном мире клиенты совершают покупки сразу же после первого просмотра рекламы. Однако в реальности все существенно сложнее. Например, один из возможных вариантов развития событий выглядит так:

• Знакомство с брендом — клиент видит рекламу, переходит по ссылке на сайт, подписывается на рассылку новостей. А потом отвлекается и закрывает сайт.
• Процесс обдумывания покупки (конверсионное окно) — клиент выбирает продукт, смотрит обзоры, сравнивает товары между собой. При этом клиент получает новостную рассылку от компании, видит рекламу в социальных сетях (например, Facebook, Instagram или Twitter).
  
• Покупка (конверсия) — клиент возвращается на сайт (переход может быть как прямой, по сохраненной ссылке, так и с рекламного канала или органики) и наконец-то совершает покупку.
• Повторная покупка (удержание клиента) — для этого компании часто используют ремаркетинг, а еще напоминают о своем продукте рассылками новостей и акций.

Как же узнать, какой из каналов привел к покупке? Тут на помощь приходит атрибуция. Именно она поможет разобраться, как рекламные каналы повлияли на конверсию. Выбрав правильную модель атрибуции для вашей компании, вы увидите, как необходимо распределить рекламный бюджет для повышения ROAS. Соответственно, это поможет увеличить доход и уменьшить расходы.

Существующие модели атрибуции можно разделить по следующим категориям:

1. Одноканальные (Last Click, First Click).
2. Многоканальные (Linear, Time Decay).
3. На основе позиции (Time Decay, Position Based).
4. Алгоритмические (Data-Driven, Цепи Маркова, Funnel Based, Вектор Шепли).

Примечание: о сравнении разных моделей атрибуции можно прочитать в нашей подробной статье. 

Если вы хотите попробовать Funnel Based модель OWOX BI, которая распределяет ценность на основе влияния канала на движение пользователя по воронке, воспользуйтесь бесплатным 14-ти дневным пробным периодом.

Узнайте реальный вклад рекламных кампаний вместе с OWOX BI!

Трудности при работе с атрибуцией

Согласно исследованиям Ad Roll — 59% компаний пробовали работать с атрибуцией, но из-за недостатка знаний прекратили ее использование. В реальности большинство маркетологов не имеют глубокого понимания атрибуции и испытывают сложности при работе с ней. В отчете Ad Roll также указывается, что 70% компаний затрудняются правильно использовать инсайты, полученные от данных атрибуции. И вот почему:

Более 35% компаний не могут корректно определить точки касания с клиентом. Для успешной атрибуции вам необходимо оценить все вовлеченные каналы. А с учетом омниканальности маркетинга довольно сложно контролировать каждый используемый канал. 

Сложностей также добавляет тот факт, что один и тот же пользователь использует разные девайсы. С одной стороны — такая сеть соединенных устройств это новые горизонты возможностей для маркетологов. С другой стороны — как все это отслеживать?

К трудностям в работе с атрибуцией относятся еще и следующие:

• Сбор данных вручную из разных рекламных платформ. Приходится знать сотни нюансов о том, как правильно выгружать данные из каждого сервиса и как свести разрозненные данные в единую базу.
• Динамично развивающийся рынок требует синхронных изменений в уже существующих моделях атрибуции. Устаревшие версии просто не успевают подстраиваться под новые требования бизнеса.
• Фиксированные бюджеты и партнерские контракты с теми же рекламными агентствами, из-за которых быстро изменить стратегию не так уж и легко. Кроме того, следует еще учитывать время, затраченное на оценку маркетинговых усилий, поиски ценных инсайтов и их интерпретацию, а также разработку стратегий по улучшению кампаний.

Как видно, сложностей в применении атрибуции хватает. Однако, это не значит, что нужно отказываться от внедрения атрибуции, ведь с ней вы сможете вывести маркетинг на новый уровень.

Преимущества использования атрибуции

Несмотря на сложности в построении модели атрибуции, цель ее применения весьма проста — оценка эффективности рекламных каналов. Благодаря результатам этой оценки вы решаете насколько эффективно вы тратите свой рекламный бюджет. 

Ключевые преимущества использования атрибуции:

1. Улучшенная персонализация. Инсайты, полученные в результате атрибуции, можно использовать для улучшения рекламы.
2. Увеличение ROI/ROAS. Правильная модель атрибуции помогает маркетологам узнать, какие каналы и связки каналов самые эффективные и рационально перераспределить бюджет, что приводит к увеличению конверсий и ROI.

Благодаря атрибуции вы можете увидеть ценность как от каналов, возвращающих постоянных клиентов, так и от каналов, которые приводят новых пользователей. 

Чтобы избежать сложностей в работе с атрибуцией, нужно во-первых, исключить ручной труд из работы с данными. Автоматический импорт данных из рекламных источников сервиса OWOX BI Pipeline соберет всю информацию о ваших рекламных кампаниях, сведет все в единую базу и предоставит широкие возможности для последующего анализа. В частности, настроить точные отчеты, что поможет вам найти полезные инсайты для работы.

А во-вторых, если пользоваться услугами специализированных сервисов таких, как OWOX BI Attribution, то большей части проблем с внедрением атрибуции можно избежать.

Настройка продукта не требует от вас углубленных технических знаний, а модель Funnel Based от OWOX BI учитывает все точки контакта с клиентом. Модель атрибуции рассчитывается как на онлайн-, так и на оффлайн-данных из вашей CRM-системы.

Если вам нужно индивидуальное решение, то аналитики OWOX BI всегда рады помочь.

00:03:47

Чем OWOX BI отличается от Google Analytics 360. Атрибуция и маркетинговые отчеты

• Просмотров: 146
• 31 Октября 2019

Пример настройки модели с OWOX BI Attribution

От выбранной вами модели атрибуции зависит не только оценка рекламных каналов, но и выполнение плана продаж компании. Поэтому так важно сделать правильный выбор. 

Чтобы выбрать объективную модель оценки рекламных каналов, вам будет полезно предварительно узнать о плюсах и минусах стандартных и алгоритмических моделей атрибуции. А для тех, у кого нет времени читать длинную и подробную статью, ключевые требования к моделям выглядят так:

• прозрачная логика расчетов для уверенности в результатах;
• достоверность расчетов (учитывается объективный вклад каждого канала).

Преимуществом OWOX BI Attribution является соответствие этим требованиям при условии правильной настройки. С помощью Funnel Based модели вы сможете как оценить вклад рекламных онлайн кампаний в продажи, которые приносят физические магазины, так и узнать, какие кампании приносят прибыль, а какие нужно немедленно отключить.

Чтобы испытать в работе все преимущества атрибуции от OWOX BI, настройте модель сами. В течение 14 дней вы можете бесплатно воспользоваться нашим сервисом.

ПОПРОБОВАТЬ OWOX BI БЕСПЛАТНО

Вам понадобится перейти на главную страницу сервиса и выбрать создание моделей в блоке Attribution.

1. Откройте доступ к Google BigQuery для вашего проекта.

2. Определите источник данных о действиях пользователей.

В роли источника данных могут быть:

• данные из Google BigQuery (загруженные данные из Google Analytics или Google Analytics 360).
• кастомные события — данные собранные вручную из CRM, систем коллтрекинга и любых других источников.

Примечание: больше о кастомных событиях можно прочитать в официальном справочном центре OWOX BI.

3. Нажмите кнопку «Создать модель». Все готово!

Бонус для наших читателей — мы также подготовили видео-урок «Как создать и настроить модель атрибуции: OWOX BI Attribution»!

СМОТРЕТЬ УРОК

После выбора модели атрибуции вам осталось настроить ее и запустить расчет на основе данных.

Настройка параметров модели атрибуции в OWOX BI выглядит следующим образом:

С помощью этой вкладки вы можете настроить:

1. Конверсионное окно.
2. Шаги конверсионной воронки.
3. Перенос ценности сессий по источникам.

Подробнее о дополнительных настройках модели атрибуции можно прочитать по ссылке.

После утверждения параметров вашей модели самое время для запуска расчетов.

 Для этого вам надо нажать на кнопку справа сверху «Рассчитать модель».

Для начала работы вам осталось выбрать даты начала и конца транзакционного окна, в течение которого будут распределяться ценности конверсий при расчете модели.

Теперь вам осталось подождать максимум 30 минут до завершения расчета.
Примечание: время расчета зависит от параметров модели. 

Готовые расчеты выводятся на вкладку «Результаты», где можно:

1. Получить готовые отчеты в Smart Data.
2. Получить результаты в виде набора данных Google BigQuery.

Если вы хотите настроить автоматические расчеты, то вы можете прочитать про расписание автозапусков в справке. 

Разобрав теорию и создание моделей атрибуции, давайте рассмотрим примеры применения из реальной практики клиентов OWOX BI.

1. Как в 2 раза сократить расходы на рекламу и в 2,5 раза увеличить ROI — история сети клиник «Доктор Рядом»

Благодаря внедрению атрибуции от OWOX BI и настройке сквозной аналитики, компания пересмотрела маркетинговую стратегию и достигла значительных результатов. Компания «Доктор Рядом» не только сэкономила деньги и время, но и наладила взаимопонимание между маркетинговым и финансовым отделами. К тому же им удалось увеличить ROI отдельных каналов более чем в 2,5 раза и в 2 раза сократить расходы на целевую рекламу, сохранив при этом объем продаж.

2. Улучшение процесса внутренней аналитики с помощью атрибуции на основе воронки для Юлмарт.

Совместно со специалистами OWOX BI команда Юлмарта настроила корректную и гибкую систему сбора данных с сайта. Теперь вся информация доступна в едином интерфейсе в режиме реального времени. В то время как модель атрибуции на основе воронки помогла Юлмарту объективно оценить эффективность рекламных кампаний и каналов.

Как видно из практических примеров, атрибуция приносит реальную пользу бизнесу. Попробуйте и вы модель атрибуции от OWOX BI в течении 14 дней бесплатно.

Узнайте больше о своих клиентах вместе с BI Attribution

Выводы

• Чтобы приступить к работе, вам не обязательно начинать с продвинутых моделей атрибуции, которые требуют массу времени и вложений. Для знакомства с атрибуцией можно воспользоваться доступными сервисами. Например, Google Analytics или OWOX BI.
• Не забывайте о том, что важно — атрибуция помогает эффективно перераспределить бюджет.
• Учитывайте мнение не только команды маркетинга, но также отдела продаж и клиентской поддержки. Так вам станет понятнее не только, что оценивать, но и как оценивать.
• Не зацикливайтесь на выбранной давным давно модели атрибуции. Для успешной работы на современном рынке следует использовать модель, которая учитывает потребности маркетинга в оценке каналов.

Если у вас еще остались вопросы, задайте их нам в комментариях ниже 🙂

А если вы хотите узнать больше об атрибуции и не только, подписывайтесь на нашу рассылку с самыми полезными подсказками для современных маркетологов и аналитиков:

Атрибуция (психология) — это… Что такое Атрибуция (психология)?

Атрибуция (лат. attributio — приписывание) — психологический термин, обозначающий механизм объяснения причин поведения другого человека.

В частности, это может быть приписывание социальным объектам (человеку, группе, социальной общности) характеристик, не представленных в поле восприятия. Необходимость атрибуции обусловлена тем, что информация, которую может дать человеку наблюдение, недостаточна для адекватного взаимодействия с социальным окружением и нуждается в «достраивании». Атрибуция и является основным способом такого «достраивания» непосредственно воспринимаемой информации.

Под каузальной атрибуцией понимают интерпретацию поведения партнера по общению путем выдвижения предположений о его мотивах, намерениях, эмоциях, причинах поведения, качествах личности с последующим их приписыванием партнеру. Каузальная атрибуция тем больше определяет социальную перцепцию (восприятие), чем больше дефицит информации о партнере по общению. Результаты приписывания могут стать материалом для формирования социальных стереотипов. Стереотипизация восприятия приводит к двум различным следствиям. Во-первых, к упрощению познания другого человека (людей). Во-вторых, к формированию предубеждений по отношению к представителям различных социальных групп (профессиональных, социо-экономических, этнических и т. д.)

Этапы:

1. Наблюдение за поведением человека
2. Логический вывод о намерениях человека
3. Приписывание человеку мотивов поведения

Стили атрибуции:

• Внутренняя (диспозитивная) атрибуция — связывание поведения человека с его характеристиками.
• Внешняя атрибуция — связывание поведения человека с ситуацией.

Факторы, определяющие стиль атрибуции: ^[1]

• Консенсус — поведению, присущему многим чаще приписываются ситуационные мотивы, а нестандартному — личные.
• Преднамеренность — обдуманному поведению чаще приписываются личные мотивы, а необычному — ситуационные.
• Последовательность — последовательному поведению чаще приписываются личные мотивы, а единичному — ситуационные.

Фундаментальная ошибка атрибуции

Фундаментальная ошибка атрибуции — склонность объяснять поведение диспозиционными (личностными) причинами в ущерб ситуационных.

Человек склонен объяснять свои успехи диспозиционно, а неудачи — ситуационно, для чужих успехов и неудач всё прямо наоборот.

Для деятеля фигурой является ситуация, а для наблюдателя ситуация — фон, а фигура — деятель. Поэтому деятель менее склонен к фундаментальной ошибке атрибуции, а наблюдатель — более.

Б. Вайнер предложил три измерения локуса (сосредоточение) причинности:

• внутреннее — внешнее
• стабильное — нестабильное
• контролируемое — неконтролируемое

Восемь моделей, составленных различными сочетаниями этих измерений, позволяют мотивированно оценить событие.

Примечания

Атрибуция — это… Социальная атрибуция. Психология

День ото дня мы встречаем большое количество людей, наблюдаем за их поведением, думаем о них, пытаемся понять то, о чем они говорят. Нам может показаться, что мы видим не только то, низкий или высокий человек, полный или худощавый, какого цвета у него глаза или волосы, но и то, глупый он или умный, солидный или нет, весело ему или грустно…

Какой смысл мы вкладываем в те или иные события? Как мы объясняем свое поведение или поведение близких? Например, почему человек сердится, злится, может, что-то произошло? Все это объясняет такое понятие, как атрибуция. Что это такое и как этим пользоваться? Давайте попытаемся разобраться с этими вопросами вместе.

Определение

С научной точки зрения атрибуция – это процесс, при котором люди используют определенную информацию, чтобы сделать выводы о причинах происходящих событий или поведении других людей. В течение дня человеку свойственно делать многочисленные выводы о своем собственном поведении, а также мышлении окружающих. Проще говоря, атрибуция – это все те наши обыкновенные мысли и действия, совершенные без осознания глубинных процессов и предубеждений, которые приводят к тем или иным выводам.

Как это работает

Есть 2 вида атрибуции для объяснения поведения других людей. Во-первых, мы можем объяснить поступок одной личности по отношению к другой. Во-вторых, поведение по отношению к ситуации. Например, если студент в первый день обучения ведет себя тихо и скромно, мы можем сделать вывод, что застенчивость является причиной такого поведения человека. Это диспозиционная атрибуция (по отношению к человеку). Или же мы можем предположить, что причиной застенчивости является недосыпание или личные проблемы студента (ситуационная). Итак, атрибуция в психологии – это выводы, которые люди делают о причинах событий и поступках других личностей. Люди делают их, чтобы понять и объяснить те или иные процессы. А эти выводы, в свою очередь, влияют на взаимодействие с другими.

Примеры

К примеру, вы сдаете экзамен, и у вас неплохо выходит, а вот ваш друг его провалил. Можно сделать вывод, что вы – умный, так как справились с заданием, но в то же время легко предположить, что вашему другу это не удалось, потому что всю ночь он провел в каком-то клубе и просто не в состоянии сдать материал. Психология человека устроена таким образом, что он припишет вам определенное свойство в результате успешной сдачи экзамена, а вашему другу наоборот.

Типы атрибуции

1. Межличностные отношения. Когда вы рассказываете историю группе друзей или знакомых, вы, вероятно, стремитесь к тому, чтобы поведать ее так интересно и увлекательно, как только это возможно. Зачем? Чтобы ваши друзья сделали положительный вывод о вас.
2. Прогнозирования. Если ваш автомобиль был разрушен, вы можете связать преступление с тем, что машина находилась не в том месте. В результате этого события вы не будете оставлять машину на той самой стоянке, чтобы избежать дальнейшего вандализма.
3. Атрибуция причины (так называемая пояснительная) помогает нам разобраться в окружающем мире. Некоторые люди имеют склонность к оптимистическому объяснению событий, а другие, как правило, более пессимистичны.

Теория атрибуции

Она пытается объяснить, как и почему обычные люди делают определенные выводы, а также как они объясняют события и их причины.

1. Фриц Хайдер (1958 год) считал, что люди — наивные психологи, пытающиеся разобраться в социальном мире, они склонны видеть причинно-следственные связи даже там, где их нет. Однако тем не менее ученый выдвинул две основные теории появления атрибуции:

• когда мы объясняем поведение других, то пытаемся отталкиваться от внутренних атрибуций, таких как черты личности, например, мы связываем поведение человека с его наивностью или надежностью;
• когда мы пытаемся объяснить наше собственное поведение, мы склонны отталкиваться от внешних (ситуационных) атрибуций.

2. Эдвард Джонс и Кит Дэвис (1965 год) считали, что люди уделяют особое внимание преднамеренному поведению (в отличие от случайного или бездумного). Эта теория объясняет процесс создания внутренней атрибуции. То есть в их понимании атрибуция – это совершение тех или иных действий вследствие связи между мотивом поведения человека и самим поведением.

3. Модель ковариации Гарольда Келли (1967 год) является наиболее известной теорией атрибуции. Он разработал логическую модель для оценки того или иного действия, которое следует отнести к одной характеристике: человека — к внутренней, окружающую среду — к внешней. Термин «ковариация» означает, что у человека есть информация из нескольких источников, которую он получил в разное время и в различных ситуациях, вследствие чего делает вывод о наблюдаемом событии и его причинах. Келли считает, что существуют три типа причинной информации, оказавшие влияние на наши суждения:

• консенсус;
• отличительность;
• последовательность.

Итак, мы видим, что два события происходят одновременно, и поэтому считаем, что одно вызывает другое. Такое объяснение причин событий и называется не иначе, как социальная атрибуция. Данное явление каждый из нас может наблюдать в повседневной жизни.

Ошибка атрибуции

Фундаментальная ошибка является распространенным типом когнитивной предвзятости в социальной психологии. По сути, это акцентирование внимания на внутренних личностных характеристиках для объяснения поведения в определенной ситуации, а не на внешних ситуационных факторах. Оборотной стороной этой ошибки является то, что люди, как правило, недооценивают роль ситуации в их поведении и подчеркивают свою собственную роль. Это, в свою очередь, иллюстрирует несколько видов когнитивных отклонений. Например, человек идет и несет полные сумки продуктов, которые, возможно, мешают проходить другим людям. Если проезжающий мимо велосипедист столкнется с этим человеком, тот может подумать, что водитель крайне невоспитан и не имеет ни капли уважения к проходящим мимо. В этом случае человек не в состоянии рассмотреть ситуационные факторы, такие как то, что его сумки занимают больше места, чем он думает, тем самым вынуждая людей сталкиваться с ним. Чтобы избежать фундаментальной ошибки атрибуции, человек должен поставить себя на место другого и подумать о том, что он может сделать в такой же ситуации.

Оборонительная атрибуция

Оборонительная гипотеза атрибуции является социально-психологическим термином, относящимся к набору убеждений, принадлежащих личности с функцией защиты себя от беспокойства. Как правило, оборонительные атрибуции имеют место в том случае, если человек был свидетелем той или иной катастрофы. В таких ситуациях приписывание ответственности и создание собственных выводов будут зависеть от тяжести итогов неудачи и уровней личностного и ситуативного сходства между человеком и жертвой. Примером оборонительной атрибуции является всем известная гипотеза «хорошие вещи случаются с хорошими людьми, а плохие вещи случаются с плохими людьми». Все верят в это, потому что чувствуют себя уязвимыми в тех ситуациях, которые не могут контролировать. В то же время это приводит к обвинению жертвы даже в трагической ситуации. Ведь когда люди слышат, что кто-то умер в результате автомобильной аварии, они решают, что водитель был пьян в момент катастрофы, и пытаются себя убедить в том, что несчастный случай никогда не случится с ними. Однако, как ни странно, некоторые люди верят, что положительные события происходят с ними чаще, чем с другими, а негативные, соответственно, реже. Например, курильщик считает, что имеет меньше шансов получить рак легких, чем другие курильщики.

Применение

Все вышеописанные психологические термины и теории мы применяем в реальной жизни. Например, чувство беспомощности, «дописывание» истории, образа человека, критика и самокритика – это все следствие того или иного вида атрибуции. Итак, подведем итог. Атрибуция – это процесс выведения причины событий или поведения вследствие человеческого любопытства или в попытке избежать неудобных, а порой опасных ситуаций.

Модели атрибуции Google Analytics – обзор и сравнение

Материалы для скачивания

Сравнительная таблица с моделями атрибуциии

262.14 Kb

В этой статье мы рассмотрим основные принципы, плюсы и минусы большинства известных моделей атрибуции: от стандартных моделей из Google Analytics до Цепей Маркова и Вектора Шепли. Вы узнаете, как оценить взаимное влияние кампаний, а не только последний клик, и сможете выбрать модель, максимально подходящую вашему бизнесу.

Содержание

Зачем нужна атрибуция

Чтобы ответить на этот вопрос, давайте посмотрим на типичную воронку продаж. Она состоит из четырех основных этапов:

1. Знакомство с брендом.
2. Рассмотрение, когда пользователь уже знает о компании, но еще думает, стоит ли покупать — смотрит отзывы, сравнивает цены, выбирает продукт.
3. Конверсия, то есть покупка.
   
4. Удержание, то есть повторные покупки.
   

Большинство из вас наверняка знает, что удерживать клиентов намного дешевле, чем привлекать новых. На привлечение направлены менее персонализированные кампании. У них намного шире охват, их сложнее оценить.

На удержание, наоборот, направлены более целевые кампании, оценить эффективность которых намного легче, потому что мы уже знаем конкретного пользователя и можем связать все его покупки и взаимодействия с компанией.

Как же узнать, какие рекламные каналы и кампании и на каком этапе воронки срабатывают лучше всего? На этот вопрос помогает ответить атрибуция.

Атрибуция — это распределение ценности от конверсии между кампаниями, которые продвигали пользователя по воронке. Она помогает ответить на вопрос, в какой мере каждый из каналов повлиял на ту прибыль, которую вы получили в итоге.

‘‘

Половина денег, которые я трачу на рекламу, не приносит пользы. Проблема в том, что я не знаю, какая именно половина.

Джон Уонамейкер,

бизнесмен

Подобрав правильную модель атрибуции для своего бизнеса, вы сможете оптимально распределять рекламный бюджет и, как следствие, снизить расходы и увеличить доход. Давайте разберемся, кому какая модель подходит.

Какие модели атрибуции доступны на рынке

Существуют десятки возможных моделей атрибуции. Их можно классифицировать разными способами в зависимости от того, какая логика используется при расчете:

• Например, если мы смотрим на то, какое место занимал канал в цепочке перед заказом, то речь про модели атрибуции на основе позиции (Time Decay, Position Based). Если же при расчете учитываются все данные, а не только позиция канала в цепочке, то это алгоритмические модели атрибуции (Data-Driven, Цепи Маркова).
• Если мы отдаем всю ценность только одному каналу, который участвовал в воронке, то такие модели называются одноканальными (Last Click, First Click). Если ценность распределятся между всеми каналами в цепочке, то это — многоканальные модели атрибуции (Linear, Time Decay).
  

Давайте рассмотрим каждую модель подробнее.

Запись вебинара

Про модели атрибуции простыми словами

Модели атрибуции на основе позиции канала в цепочке

Начнем с самых простых моделей атрибуции на основе позиции, которые доступны в бесплатной версии Google Analytics.

1. По первому клику (First Interaction или First Click)

Вся ценность, полученная от конверсии, атрибутируется на первый источник, который привел пользователя. Например, если у нас есть цепочка из 4 касаний, как показано ниже, по модели First Click вся ценность от конверсии уйдет CPC каналу.

Плюсы: легко настроить и использовать, так как нет никаких вычислений или аргументов относительно распределения ценности между каналами. Полезна для маркетологов, которые сосредоточены исключительно на формировании спроса и узнаваемости бренда.

Минусы: не показывает всю картину и переоценивает каналы верхнего уровня. В большинстве случаев пользователь делает несколько касаний перед покупкой, которые модель First Interaction полностью игнорирует.

Кому подходит: бизнесам, которые хотят повысить узнаваемость бренда и увеличить охват аудитории, а также понять, где покупать трафик, который потом конвертируется.

2. По последнему клику (Last Interaction или Last Click)

По этой модели вся ценность от конверсии достается последнему каналу, с которым соприкоснулся пользователь перед конверсией. Вклад остальных каналов все так же игнорируется. На нашем примере вся ценность достанется каналу Direct.

Плюсы: популярная и привычная многим маркетологам модель. Идеальна для оценки кампаний, направленных на быстрые покупки, например, сезонных товаров.

Минусы: как и все одноканальные модели, игнорирует роль других источников в цепочке перед заказом.

Кому подходит: бизнесам с коротким циклом продаж, которые используют до трех рекламных каналов.

3. По последнему непрямому клику (Last Non-Direct Click)

В отчетах Google Analytics эта модель используется по умолчанию. Вся ценность конверсии присваивается последнему каналу в цепочке, НО, если это прямой заход (Direct), то ценность атрибутируется на предыдущий источник. Логика проста — если пользователь перешел к вам из закладок или ввел URL, то он, скорее всего, уже знаком с вашим брендом. То есть это уже привлеченные пользователи, и их не нужно брать в расчет.

Плюсы: позволяет игнорировать незначительные с точки зрения рекламных расходов каналы и сосредоточиться на платных источниках. К тому же Last Non-Direct Click можно использовать как базовую для сравнения с другими моделями атрибуции.

Минусы: не учитывает вклад других каналов в конверсию. Кроме того, часто предпоследним источником в цепочке оказывается email. Мы понимаем, что этот пользователь откуда-то раньше приходил и оставил нам свой email. Используя Last Non-Direct Click, мы недооцениваем те источники, которые помогли пользователю ознакомиться с брендом, оставить свой email и в конечном итоге решиться на покупку.

Кому подходит: бизнесам, которые хотят оценить эффективность конкретного платного канала и которым уже не так важна узнаваемость бренда.

4. Линейная модель атрибуции (Linear model)

Еще одна очень простая модель — мы просто делим ценность от транзакции поровну между всеми источниками в цепочке.

Плюсы: простая, но при этом более продвинутая, чем одноканальные модели атрибуции, так как учитывает все сессии перед заказом.

Минусы: бесполезна, если вам нужно перераспределить бюджет — делить его поровну между каналами не самый оптимальный вариант, так как они не могут быть одинаково эффективны.

Кому подходит: бизнесам с длинным циклом продаж, которым важно поддерживать контакт с клиентом на всех этапах воронки, например, B2B компаниям.

5. С учетом давности взаимодействия (Time Decay)

Ценность от транзакции распределяется между каналами по нарастающей. То есть источник, который был первым в цепочке, получает меньше всего ценности, а источник который был последним и по времени ближе всех к конверсии, получает больше всего ценности.

Плюсы: все каналы в цепочке не остаются обделенными и получают свой «кусок пирога». Причем больше всего получает тот, который все-таки подтолкнул пользователя к покупке, что справедливо.

Минусы: сильно недооценивается вклад источников, которые привели пользователя в воронку.

Кому подходит: тем, кто хочет оценить эффективность акционных рекламных кампаний, то есть ограниченных во времени.

6. На основе позиции (Position Based или U-образная)

БОльшую ценность — по 40% — получают два источника: тот, что познакомил пользователя с брендом и тот, что закрыл сделку. Оставшиеся 20% делятся поровну между всеми каналами в середине воронки.

Плюсы: отдает наибольшую ценность каналам, которые в большинстве случаев играют самую важную роль — привлекают клиента и мотивируют совершить конверсию.

Минусы: иногда сессии в середине цепочки продвигают пользователя по воронке намного больше, чем кажется на первый взгляд. Например, помогают ему добавить товар в корзину, подписаться на рассылку или нажать «Следить за ценой». Модель Position Based такие сессии и их источники недооценивает.

Кому подходит: бизнесам, для которых одинаково важно как привлечь новую аудиторию, так и конвертировать в покупателей уже имеющихся пользователей.

В чем проблема стандартных моделей атрибуции

Согласно исследованию Ad Roll за 2017 год, 44% маркетологов в США и Европе используют атрибуцию по последнему клику. По нашему опыту для рынка СНГ этот процент еще больше. В то же время алгоритмические модели атрибуции на основе данных используют лишь 18% маркетологов.

При этом 72,4% тех, кто все еще использует Last Click, отмечают, что они не знают, почему это делают — так сложилось исторически. При выборе модели они отдали предпочтение той, которая выглядит самой простой и понятной, несмотря на то, что она недооценивает все сессии в цепочке, кроме последнего клика.

У происходящего, на наш взгляд, есть три основных причины:

1. Недопонимание потенциального эффекта от более сложных моделей атрибуции. К примеру, если вам сказать, что при переходе на алгоритмическую модель вы увеличите доход на 20%, вы перейдете? Скорее всего, да.
2. Нет одного человека, который бы отвечал за атрибуцию. В итоге разные маркетологи используют разные модели в рамках одной кампании. В итоге общий атрибутированный доход получается больше реального дохода, который заработал бизнес.
   
3. Разрозненные данные. Модели, доступны в Google Analytics, безусловно удобны — все данные в одной системе, можно использовать стандартные отчеты. Однако эти отчеты ничего не скажут вам об офлайн-данных, об исполняемости ваших заказов, о ROPO-эффекте.
   

Устранив эти причины, решить задачу атрибуции будет намного проще.

У Google Ads, Double Click и некоторых других сервисов тоже есть собственные модели атрибуции. Их общий недостаток в том, что по сути вы можете использовать для расчетов только внутренние данные сервиса.

Алгоритмические модели атрибуции

Представьте, что вы занимаетесь контекстом, настраиваете рекламу в Google Ads или Facebook. Оценка по последнему непрямому клику покажет, работает эта кампания или нет. Как аудитория на нее откликается. Внутри рекламного кабинета или Google Analytics использовать сложные модели атрибуции не имеет смысла.

Но, если вы хотите оценить взаимное влияние друг на друга всех своих источников, то тут уже нужно объединять в одной системе данные из разных рекламных сервисов, Google Analytics, CRM и использовать более сложные модели атрибуции. Благодаря этому вы узнаете, какие связки рекламных каналов хорошо работают вместе и на каких этапах.

К алгоритмическим моделям атрибуции относятся Data-Driven в Google Analytics 360, Цепи Маркова, OWOX BI Attribution и кастомные алгоритмы.

1. Атрибуция на основе данных (Data-Driven Attribution)

Пользователям платной версии Google Analytics доступна модель атрибуции на основе данных. Все описанные выше модели атрибуции, используют правила, которые задает система веб-аналитики или вы сами. В отличие от них, у модели Data-Driven нет заранее заданных правил — она рассчитывает ценность каналов, используя ваши данные и Вектор Шепли.

Особенность модели на основе данных в том, что она не учитывает порядок канала в цепочке, а оценивает в общем, как повлияло на конверсию присутствие этого канала. Если вы измените порядок сессий, то ценность каналов по Вектору Шепли никак не поменяется.

Согласно Википедии, Вектор Шепли — это принцип оптимальности распределения выигрыша между игроками в задачах теории кооперативных игр. Представляет собой распределение, в котором выигрыш каждого игрока равен его среднему вкладу в благосостояние тотальной коалиции.

Чтобы понять, как работает Data-Driven, рассмотрим конкретный пример. Допустим, у нас есть две цепочки, которые привели к транзакциям:

1. Facebook → Direct → Транзакция на $500.
2. Direct → Транзакция на $300.

Мы специально взяли для примера короткие цепочки, чтобы не усложнять и без того сложную формулу.

Теперь определим, какую сумму принес каждый канал в отдельности и оба вместе:

V1 (Facebook + Direct) = $500
V2 (Direct) = $300
V3 (Facebook) = 0

Ценность канала по Вектору Шепли рассчитывается с помощью такой формулы:

Где:
n — количество игроков (в нашем случае это рекламные каналы).
v — ценность, которую принес источник.
k — количество участников коалиции K.

Если мы вставим в эту формулу значения из нашего примера, то получим следующее:

Ф1 = (1 — 1)! * (2 — 1)! / 2! * (0 — 0) + (2 — 1)! * (2 — 2)! / 2! * ($500 — $300) = 0 + $100 = $100
Ф2 = (1 — 1)! * (2 — 1)! / 2! * (300 — 0) + (2 — 1)! * (2 — 2)! * ($500 — 0) = $150 + $250 = $400

Ф1 — это ценность канала Facebook.
Ф2 — ценность канала Direct.

А теперь простыми словами, для тех кого напугали формулы 🙂 Начнем с Facebook.
Этот канал сам по себе нам ничего не принес, поэтому первое слагаемое у нас будет 0.

Facebook вместе с Direct принесли $500, а Direct самостоятельно принес $300. Мы отнимаем от суммы, которую принесла коалиция каналов, деньги, заработанные директом, и делим результат на два. Получается: ($500 — $300) / 2 = $100. Это второе слагаемое.

Теперь складываем: 0 + $100 = 100$ — это ценность канала Facebook.

Теперь считаем ценность канала Direct. Самостоятельно он принес $300, делим это на два и получаем $150. Коалиция Facebook + Direc принесла $500, делим это на два и получаем $250. Складываем эти цифры и получаем $400 — ценность канала Direct.

Подробнее о том, как работает Вектор Шепли, вы можете посмотреть в видеоролике от Coursera.

Плюсы: максимально объективная и достоверная модель, так как для оценки каналов используются ваши собственные данные.

Минусы: для расчета необходимо иметь в Google Analytics достаточный объем данных, поэтому модель подходит не для всех компаний. Не оценивает продвижение по воронке, нельзя подключить офлайн-данные из CRM и посмотреть детальную информацию по каждой транзакции.

Кому подходит: всем, кто хочет узнать, какие кампании и ключевые слова работают максимально эффективно, и использовать эту информацию для распределения маркетингового бюджета. Не подойдет бизнесам, которым важно знать не только ценность, но и позицию канала в цепочке.

00:03:47

Чем OWOX BI отличается от Google Analytics 360. Атрибуция и маркетинговые отчеты

• Просмотров: 146
• 31 Октября 2019

2. Атрибуция на основе Цепей Маркова (Markov Chains)

Согласно Википедии, Цепь Маркова — это последовательность случайных событий с конечным или счетным числом исходов, характеризующаяся тем, что при фиксированном настоящем будущее независимо от прошлого.

Изначально Цепи Маркова использовались, чтобы решать задачи с прогнозированием (погода, букмекерские конторы и т.д.). Использовать их для оценки рекламных кампаний начали относительно недавно — с развитием digital рынка. Атрибуция на основе Цепей Маркова помогает ответить на вопрос, как отсутствие канала повлияет на конверсию.

Чтобы понять, как работают Цепи Маркова, рассмотрим конкретный пример из Ecommerce. Допустим, у нас есть три цепочки:

• С1 → C2 → C3 → Покупка.
• C1 → Неуспешная конверсия.
• C2 → C3 → Неуспешная конверсия.
  

С1, C2 и C3 — это сессии с тремя разными источниками, например, Google CPC, Facebook и Email.

Заполняем такую таблицу:




В первом столбце у нас путь клиента — три цепочки из примера. Во втором столбце — то, как путь клиента будет выглядеть внутри модели. Мы добавили вход в воронку (нулевой этап Старт) и выход из воронки (Конверсия или null — неудачная конверсия). В третьем столбце мы разбили каналы попарно, так как нужно оценить все возможные переходы с одного шага на следующий.

Затем нам нужно рассчитать вероятности для каждого из возможных вариантов перехода и занести их в отдельную таблицу. Эти цифры считаются эмпирически, то есть анализируются реальные данные о действиях пользователей, например из вашего Google Analytics. Делается это при помощи программирования, например, через R или Python.




Цифры в таблице выше приведены для примера. Чтобы было понятно, что это за цифры, отобразим их на графике:




Итак, мы видим все возможные варианты перехода для нашего примера. Все начинается с этапа Старт (start). Затем треть пользователей идет на канал С2, а две трети — на C1. Дальше половина пользователей с канала C1 покидает воронку, а другая половина идет на C2, потом на C3 и наконец совершает покупку. И еще несколько вариантов — перечислять их не будем, думаем, вам понятен принцип.

Обратите внимание, что в нашем примере, путей к конверсии по сути всего два и оба они проходят через канал C2.

Как оцениваются такие сессии? При помощи эффекта удаления. То есть мы удаляем по очереди каждый из источников и смотрим, как его отсутствие скажется на количестве конверсий:




Например, если мы уберем из нашего примера источник C1, то потеряем 50% конверсий. Как получилась эта цифра?

Расчет ценность каналов проводится в три этапа:

1. Сначала нам нужно посчитать вероятность совершения конверсий для каждого из каналов. Точнее, сколько конверсий мы получим, если убрать из цепочки, конкретный канал.

Вероятности конверсии (Р) для каждого канала считаются по следующей формуле:

P1 = (0,33 * 1 * 0,5) = 0,167
P2 = (0,33 * 0 * 0,5) = 0
P3 = (0,33 * 1 * 0) = 0

Давайте разберем подробнее первую формулу — это у нас вероятность конверсии для канала C1. Мы убрали из модели канал C1 и перемножили все оставшиеся вероятности перехода из цепочек, которые ведут к покупке. То есть умножили 33,3% на 100% и на 50%, только не в процентном, а в числовом формате. В результате у нас получилось 0,167 или 16,7% — столько конверсий мы получим, если убрать из воронки источник С1.

Если мы уберем каналы C2 и C3, то у нас вообще не будет конверсий.

2. Затем определяем эффект удаления (R) для каждого канала. Этот коэффициент показывает, сколько конверсий мы потеряем, если удалим канал из воронки, и считается так: от единицы (т.е.100%) отнимается вероятность конверсии (P), деленная на количество пользователей в начале цепочки (вероятность перехода).

R1 = 1 — 0,167/0,33 = 0,5
R2 = 1 — 0 = 1
R3 = 1 — 0 = 1

3. И наконец считаем ценность (V) каждого канала. Берем процент потерянных конверсий (R) и делим его на сумму всех коэффициентов (R1, R2 и R3)

V1 = 0,5 / (0,5 + 1 + 1) = 0,2
V2 = 1 / (0,5 + 1 + 1) = 0,4
V3 = 1 / (0,5 + 1 + 1) = 0,4

Плюсы: модель атрибуции на основе Цепей Маркова позволяет оценить взаимное влияние каналов на конверсию и узнать, какой канал самый значимый.

Минусы: недооценивает первый канал в цепочке, требует навыков программирования.

Кому подходит: бизнесам, у которых все данные собраны в единой системе.


3. OWOX BI Attribution

OWOX BI Attribution помогает оценить взаимное влияние каналов на конверсию и продвижение пользователя по воронке.

Раньше ценность каналов рассчитывалась по собственному алгоритму OWOX BI. А с недавнего времени мы начали использовать в расчетах атрибуции Цепи Маркова. Скоро мы опубликуем подробную статью на эту тему, где опишем все изменения и преимущества нового алгоритма. А пока вы можете попробовать, как работает наша обновленная атрибуция, подписавшись на бесплатный trial-период.


ПОПРОБОВАТЬ OWOX BI

В модели OWOX BI Attribution вы можете использовать следующую информацию:


• Данные о поведении пользователей из Google Analytics, собранные в Google BigQuery с помощью стандартного экспорта из GA 360 или с помощью OWOX BI Pipeline.
  
• Данные из любых рекламных сервисов, которые вы используете.
• Данные из вашей внутренней CRM-системы.
  

Все эти данные можно анализировать в комплексе и использовать для настройки шагов воронки (по умолчанию используется воронка Enhanced Ecommerce). Вы можете добавить любые шаги, например, транзакции из СRM и любые другие онлайн- и офлайн-события (звонки, встречи и т.д).




Кроме того мы используем данные из CRM, чтобы сделать аналитику сквозной. То есть мы с помощью одного идентификатора связываем действия пользователя в мобильном приложении, на десктопе, на любых других устройствах, чтобы понимать, что это был один конкретный пользователь. В результате вы получите полную картину взаимодействия пользователя с вашим бизнесом и учтете влияние всех рекламных каналов на конверсию.

Плюсы: позволяет найти эффективный канал и сказать, где именно он эффективен. Нет ограничений на минимальный объем данных. Определяет новых и вернувшихся пользователей и показывает детальную информацию по каждой транзакции: какая сессия, source/medium и действия пользователя на воронке к ней привели. Может учитывать маржу и исполняемость заказов из CRM.

Также вы можете сравнить эффективность рекламы по вашей текущей модели атрибуции и по модели OWOX BI Attribution и увидеть недооцененные или переоцененные кампании.

Минусы: недооценивает первый шаг воронки.

Кому подходит: всем, кто хочет учитывать каждый шаг пользователя в воронке и честно оценивать рекламные каналы.


Краткие выводы

Согласно все тому же исследованию Ad Roll за 2017, 70% маркетологов затрудняются применять результаты атрибуции. Но без применения результатов атрибуция не имеет смысла!

Неважно, какие у вас есть отчеты в Google Sheets или Google Data Studio — если вы не распределяете бюджет на основе этих данных и ничего не меняете в своей стратегии, то толку от этих отчетов немного.

Всем, кто хочет узнать реальную эффективность своего маркетинга, мы рекомендуем:


• Поставить перед собой четкую задачу: по каким KPI вы хотите оценивать, как должны выглядеть отчеты и дашборды.
  
• Определить, кто отвечает за оценку рекламных кампаний в вашей компании.
• Определить путь ваших пользователей.
• Учитывать не только онлайн-, но и офлайн-данные
• Убедиться в качестве входящих данных: проверить нет ли на сайте задвоенных транзакций, отслеживается ли каждый шаг, который вы хотите учитывать в воронке.
• Попробовать и сравнить разные модели атрибуции и найти гибкое решение, оптимальное для вашего бизнеса.
• Принимать решения на основе данных.
  

Если вы не нашли в этой статье модель атрибуции, подходящую для вашего проекта, вы можете настроить кастомную модель, например, как это сделала компания Answear. Пишите нам на [email protected] — с радостью поможем вам настроить атрибуцию. Если у вас остались вопросы, вы можете задать их в комментариях.


Получить сравнительную таблицу

Вебинар по моделям атрибуции

Использованные инструменты