Return to site

3 способа выбора правильной атрибуции или измерение имеет значение

Данная статья является переводом статьи компании Atlas, дополненная примерами AITarget. Atlas является дочерью Facebook, которая занимается научными исследованиями и измерениями.

Ключевая часть измерений кампании заключается в правильной настройке окна атрибуции. 

Окно атрибуции, проще говоря, — это период времени, которое Вы даете себе для того, чтобы просмотреть заново на рекламное воздействие, которое повлекло за собой конверсию. 48-часовое окно атрибуции, к примеру, рассматривает вовлечение пользователя в рекламу, приведшее к конверсии, только за последние 2 дня.

Чаще всего рекламодатели выбирают слишком короткие окна атрибуции

Atlas исследовали тему атрибуции и пришли к выводу, что очень часто встречается случай, когда рекламодатели выбирают слишком короткое окно атрибуции для того, чтобы понять настоящий путь пользователя, который привел его к совершению конверсии.

Поскольку короткие окна атрибуции определяют в качестве источника конверсии активности с неглубокой воронкой такие, как ретаргетинг или поиск, рекламодатели, которые пользуются ими, рискуют упустить из виду истинные источники конверсии с глубокой воронкой, которые формируют узнаваемость и намерение покупки.

И пока верно, что фиксация любой конверсии — неважно, является ли она результатом показа или клика — рассмотрена как успешная метрика в некоторых кампаниях, подобный искаженный метод замерений может повредить вам в долгосрочной перспективе.
 

В чем заключается риск? Вы можете обнаружить, что инвестиции в неглубоковороночные каналы растут, такие как ретаргетинг и поиск, уменьшая отдачу, поскольку пренебрегается глубоковороночная тактика. Это те усилия по созданию бренда с глубокой воронкой конвертации пользователя в покупателя, которому вы впоследствии показываете рекламу-ретаргетинг либо контекстную рекламу по его запросам. Отсутствие управления полной конверсионной воронкой ведет к потере возможностей бизнеса.

Выбирайте подходящую атрибуцию с уверенностью

Предположения о поведении пользователя могут закончиться фактически выбором способа замеров эффективности кампании. Поэтому очень важно вооружиться правильными данными и способами анализа атрибуции.

 

Существуют три метода поиска подходящего периода атрибуции для вашего продукта. Каждый метод предлагает отличный от остальных алгоритм определения окна атрибуции, и они имеют их уникальные за и против.

 

1.Метод научной догадки

Что это такое? Сообщенные знания, основанные на исторической информации, исследовании ваших пользователей и общие знания отрасли. Рассматривайте ваши продукты, цены, частоту объявлений, узнаваемость бренда и атрибуцию общего рассмотрения товара в качестве покупки с данным подходом.

Что он показывает? Направляющие инсайты о моменте совершения покупки вашими пользователями.
 

 

Замечание: метод научной догадки может работать как первый шаг для понимания измерений, но должен впоследствии быть проверен расчетами.

 

Пример: Иван Иванов продает через интернет услуги по печати на 3D-принтерах. Печать в течение 1 часа будет стоить 1000 рублей. Реклама на Facebook у него идет в течение 2 недель с частотой 3,5 раза на человека. Иван хочет понять, какая атрибуция подходит больше всего для верной трактовки результатов рекламной кампании.

Возможные выводы следующие: основное количество покупок совершаются не обязательно посредством клика на само объявление в первый раз, когда он его видит. Пользователь может запомнить объявление и 1) перейти по ссылке уже после того, как он увидит объявление повторно или 2) наберет название магазина/товара в поисковике. Естественно, лучше всего это предположение проверять на разных кампаниях и непосредственно убедиться в данном выводе при анализе самих статистических данных.

2.Лифт-тест

Что это такое? Лифт-тест считается золотым стандартом для измерения эффективности объявлений с помощью восстановления причинно-следственной связи активностей и результата. Это A/B-тест (подробнее про A/B-тесты здесь) с тестом случайных людей (кто видел объявления) и контрольной группой (кто их не видел).

Что он показывает? Количественные результаты про время, которое требуется для рекламной кампании и промежутка после нее для того, чтобы конверсия тестовой группы совпала с конверсией контрольной группы, чтобы понять идеальную атрибуцию.

Замечание: лифт-тест недоступен на данный момент для каждого рекламодателя.

Пример: вернемся к предыдущему кейсу. Допустим, что Иван смог замерить результаты рекламы с помощью проведения лифт-теста. Для этого он сделать опрос между теми, кто видел рекламу, и теми, кто интересуется 3D-печатью (опросы будут доступны рекламодателям для лифт-тестов при создании рекламы на повышение узнаваемости бренда).

Результаты опросов выглядят следующим образом:
Тестовая группа видевших объявление и ответивших на опрос состоит из 1 тысячи респондентов. Контрольная группа не видевших объявление и ответивших на опрос тоже состоит из 1 тысячи человек.

Возможные выводы: если мы признаем данную выборку в опросе показательной, тогда действительно:

  1. средневзвешенное время совершения покупки после просмотра рекламы короче, чем в случае, если он не просмотрел рекламу, в 1.3 раза; 
  2. подходящая атрибуция может быть выбрана (как вариант) исходя из того, что в основном конверсии зафиксированы в случае покупки после показа, без клика на объявление, и из пункта 2 средневзвешенное время пути пользователя от показа рекламы к покупке составляет 21.36 день = (2 покупки * 1 день после показа + 5 покупок * 7 дней после показа + 17 покупок * 28 дней после показа) / 24 покупки, то есть имеет смысл смотреть на окно атрибуции в 28 дней после показа.

3.Регрессионный анализ

Что это такое? Регрессионный анализ вовлекает анализ воздействия истории объявлений на конверсионное поведение, позволяя понять различия эффектов разных объявлений с разными историями и их атрибуциями.

Что он показывает? Заключения помогают определить сильные взаимосвязи между конверсиями и кликами, также конверсиями и показами для периодов времени до совершения конверсии.

Замечание: метод может потребовать специальных ресурсов для совершения данного анализа, например, дополнительного модуля AiTarget подсчета регрессионной зависимости между показателями, которые вы бы хотели проверить.

Пример: допустим, Иван имеет следующие показатели за последний месяц:

Методом линейной регрессии он выявил следующие итоги, где R обозначает множественный R, а F (значимость модели по критерию Фишера) мы берем с уровнем значимости в 5% при выборке из 24 значений:

Следовательно, из исходных предположений можно сделать вывод, что конверсия по атрибуции 1 день после клика зависит от кликов и по любой атрибуции после показа зависит от числа показов, поэтому можно прогнозировать данные по числу конверсий с данными атрибуциями в некоей зависимости от числа кликов и показов соответственно.

Вывод

Выбирая слишком короткие окна атрибуций, множество рекламодателей рискуют потерять конверсии или исказить благодаря показателям атрибуции в сторону замерения стоимости кликов и остальных тактик с неглубокой воронкой.
 

Поэтому естественным образом вы задаете себе вопрос: как нужно выбрать нужную атрибуцию?

Мы рекомендуем использовать 28(30)-дневное окно атрибуции для показов и кликов. Основываясь на измерениях Atlas Facebook, мы пришли к выводу, что данная атрибуция является самой правильной для большинства рекламодателей. Для таких дорогих сегментов, как, например, автомобили, следует брать во внимание более долгий срок рассмотрения покупки.

Для быстрых импульсивных покупок, например, таких, как покупка недорогой одежды, будет справедливо более короткое окно атрибуции. Идея заключается в том, чтобы зафиксировать, проанализировать и понять путь пользователя от формирования знания до совершения покупки, а не только последних моментов перед ее оформлением.

Спустя время, используя инсайты, основанные на аналитике ваших данных, в паре с пониманием ваших товаров, покупателя, его потребительского поведения, вы сможете выбрать атрибуцию для верной аналитики результатов ваших кампаний и для формулировки верных выводов относительно формирования медибюджета.

Если Вас заинтересовал дополнительный анализ Ваших кампаний с помощью инструмента выявления зависимых показателей, напишите нам запрос:

Данная статья является переводом следующей статьи, дополненной примерами, близкими к настоящим.

All Posts
×

Almost done…

We just sent you an email. Please click the link in the email to confirm your subscription!

OKSubscriptions powered by Strikingly