Павел Корякин , 30 Августа 2019

Модели атрибуции на примере интернет-магазина

В этой статье продолжим рассматривать атрибуции на примере реального интернет-магазина. и расскажем какие выводы можно сделать, сравнивая модели.

Рекомендуем посмотреть видео, так как некоторые аспекты там раскрыты более подробно.

Зачем вам это?

Еще раз напомним: далеко не в каждом проекте имеет смысл углубляться в изучение атрибуций. Понять необходимость для себя можно с помощью отчета Google, который находится в разделе в «Конверсии>Многоканальные последовательности>Длина последовательности».

В нашем примере там можно увидеть вот такую картину:1.png

Только 30% покупок были совершены после 1-2 визитов на сайт, остальные 60% равномерно размазаны между последовательностями из трех и более взаимодействий. Это значит, что для нашего проекта будет полезно сравнить разные модели атрибуции и понять, какие каналы имеют большее влияние на выручку. Это подтверждается и простой логикой. Так как речь идет об интернет-магазине одежды, а выбрать подходящую по все параметрам вещь бывает очень сложно, то пользователи по несколько раз приходят на сайт для сравнения разных вариантов перед оформлением заказа.

Инструмент сравнения моделей атрибуции

В прошлой статье мы остановились на том, что сравнить атрибуции можно через специальный отчет в разделе «Конверсии>Атрибуции>Инструмент сравнения моделей атрибуции». Там мы видим вот такую таблицу с результатами по каждому источнику:2.png

Обратите внимание, что в верхней панели настроек указаны такие параметры:

  • тип конверсии — транзакция
  • период анализа — 30 дней
  • атрибуция — по последнему непрямому клику (это стандартная модель, с которой будем сравнивать остальные)
  • и сразу добавим к равнению атрибуцию «по первому взаимодействию»
    3.png

Общие цифры по количеству конверсий и выручки могут отличаться от стандартных отчетов — это техническая особенность данного инструмента, сейчас углубляться в это не будем. Просто запомните, что этот инструмент предназначен именно для сравнения моделей атрибуции и выявления общих закономерностей, а не анализа истинного количества покупок и выручки.

Итак, сравниваем атрибуцию «по последнему непрямому» клику и «по первому взаимодействию».4.png

В глаза бросается, что мы имеем большое количество конверсий, в которых первым взаимодействием был переход с электронной почты, или даже прямой вход на сайт через адресную строку.

Конечно же, это маловероятно, ведь почтовую рассылку получают только те, кто уже регистрировался или покупал на сайте раньше. Причина — окно атрибуции, выбранное на предыдущем шаге, равное 30 дням. Самый первый визит этих пользователей, в рамках 30 дней до покупки, был с почты, но не был «исторически» первым. Мы можем увеличить «окно» до максимальных 90 дней, но это не решит проблему. Это еще одно ограничение Google Analytics. Тем не менее, имеющихся данных вполне достаточно для анализа.

Оценка влияния контекстной рекламы

Так как нас интересует именно роль контекстной рекламы, давайте исключим последовательности, в которых отсутствовал платный трафик. Сделаем это с помощью инструмента «Сегменты конверсий». Переходим в соответствующий раздел и нажимаем «создать сегмент конверсии»
5.png

Создаем сегмент под названием «Любое взаимодействие с рекламой» с такими настройками6.png

На словах выбранные настройки звучат так: «оставить в отчете только те конверсии, по пути к которым пользователь на любом шаге взаимодействовал с рекламой».7.png

Итак, мы исключили конверсии, перед которыми не было взаимодействия с рекламой, и получили следующие цифры:8.png

Из всех конверсий, перед которыми были взаимодействия с рекламой, только 46% Google присвоил непосредственно поисковой рекламе, а все остальные попали в другие каналы. Далее посмотрим глубже, что именно «лежит» в каждом из каналов и попробуем разобраться, насколько корректно конверсии распределяются по другим источникам в нашем проекте, ведь контекстная реклама была в каждой последовательности.

Конверсии с Email-рассылки

Провалимся в канал «Электронная почта» и сразу добавим к сравнению модель «Временной спад»9.png

Внутри канала мы видим данные в более привычном разрезе «источник/канал». Начнем с «es_regular_newsletter» — это регулярная новостная рассылка. Количество конверсий по «последнему непрямому» и «первому взаимодействию» сопоставимо.

При этом мы помним, что новостная рассылка не может быть первым взаимодействием, но в отчете таких конверсий 217 — это из-за ограничения окна атрибуции, которое уже упоминали выше, так что не будем снова останавливаться на этом. Рекомендуем обращать внимание на источники/каналы, в которых количество конверсий по «стандартной модели» и «первому клику» отличается более, чем на 20-30%.

В качестве еще одной модели атрибуции для сравнения мы добавили «временной спад». Так как в интернет-магазине одежды высокая степень пересечения всех каналов и длинный цикл принятия решения о покупке, конверсии могут быть сильно перемешаны и размазаны по всем каналам. В такой ситуации модель «временного спада» дает наиболее взвешенные и усредненные данные, а утверждение:"чем ближе канал был к покупке, тем выше его ценность", — звучит вполне обоснованно. Позже мы с вам построим собственную модель атрибуции именно на основе модели «временного спада».

Перейдем к рассмотрению следующей строки отчета «es_tg_abandoned_cart / Email» — это тоже рассылка, но уже с брошенными корзинами.10.png

Естественно, что этот источник не мог быть первым, так как пользователь должен был откуда-то прийти до того, как бросил корзину. К тому же, если такой переход был последним, то не совсем правильно отдавать такую конверсию электронной почте, ведь без предшествующего визита пользователя этой покупки точно бы не произошло.

Возможно звучит сложно, поэтому попробуем объяснить более наглядно. Вот в этих 10 конверсиях «последним непрямым кликом» был переход из почты, поэтому конверсии присвоены ему:11.png

Но без переходов из рекламы эти покупки не случились бы. Это значит, что мы смело можем перенести часть подобных конверсий в другие каналы. Так мы постепенно подбираемся к созданию собственной модели атрибуции.12.png

Пользовательская модель атрибуции

В качестве «базы» для создания собственной модели мы возьмем «временной спад», чуть выше мы объясняли почему, поэтому повторяться не будем. Добавим новую модель:13.png

Выбираем в качестве базовой модели временной спад и сразу переходим к последнему разделу настроек.14.png

Первым делом осуществим то, что мы задумали в конце прошлого раздела: «заберем» у канала «электронная почта» конверсии, в которых последним взаимодействиям был переход по «письму с брошенной корзиной». Для этого добавим вот такое правило:15.png

В итоге часть конверсий, вместо электронной почты, будет распределена по другим каналам.
16.png

Настоятельно рекомендуем проверять, какие последовательности будут переназначены, так как вероятность удалить что-то лишнее очень высока. Сделать такую проверку вы можете в отчете «Конверсии>Многоканальные последовательности >Основные пути конверсии». Нужно вывести дополнительный параметр «Путь источник/канал»sdf.png

Просто зрительно, или с помощью поиска по странице «Ctrl+F» просмотреть в каких последовательностях и на каком месте встречается выбранный «источник/канал».
dsd.png

Конверсии с бесплатного поиска

Давайте рассмотрим еще один канал — «Бесплатный поиск». Можно подумать, какие к претензии могут быть к SEO, это ведь полноценный канал трафика? Сейчас расскажем, в чем нюанс.

Часто можно встретить сценарий, когда пользователь приходит на сайт с рекламы, но не покупает сразу, а возвращается за покупкой через какое-то время, при этом просто вбив в поисковик ваше название — «одежда.ру». Формально, такой заказ — заслуга поисковой системы, но в действительности поисковик стал просто удобным способом входа на сайт, ведь пользователь уже знал о вас.

В отличие от почты, поиск вполне может быть и первым каналом, а значит его нельзя обесценивать совсем. Как тогда быть?19.png

Скорее всего, по брендовым запросам, типа «сайт одежда.ру», трафик идет на главную страницу. Значит по количеству переходов из поиска на главную страницу мы примерно посчитаем количество конверсий, в которых поиск был вспомогательным каналом, а в каких мог привести нового клиента.

Для этого провалимся в канал «Бесплатный поиск», и на вкладку «другое» выведем «url целевой страницы»:18.png

В нашем примере (следующий скрин) мы видим, что большая часть конверсий с поиска произошла после перехода на главную страницу сайта. Косвенно, это означает, что эти переходы были по брендовым запросам. При этом в 50% случаев поиск был первым каналом, с которого пришел пользователь, запомните эту цифру.19.png

Давайте добавим в нашу модель новое правило: «если переход с поиска был последним перед покупкой, то уменьшим его ценность на 50%».20.png

Это правило распределит часть конверсий с поиска по другим источникам:21.png

На этом пожалуй остановимся с подробными разборами каждого канала. Можно продолжить исследовать подобным образом каждый источник, но делать этого мы, конечно же, не будем, так как это займет большое количество времени. Сразу перейдем к выводам.

Выводы

В данной статье мы попытались описать подход и показать «куда нажимать», чтобы сделать подобную работу на своем проекте. Подчеркнем, что не существует идеальной и универсальной модели атрибуции, каждый кейс абсолютно уникален.22.png

Напомним, что в нашем проекте была цель: «оценить влияние контекстной рекламы на количество покупок и выручку». Главный вывод, который мы получили (см. скрин выше):

Количество продаж с контекстной рекламы может быть на 23% больше, чем мы привыкли считать, а выручка выше на 400 тыс., Карл!

При рентабельности в 30% и готовности тратить на рекламу 50% прибыли с канала, мы могли бы увеличить рекламный бюджет на 60 тысяч, чтобы привлечь еще больше новых клиентов.

Это особенно актуально, когда в условиях роста стоимости клика из-за конкуренции, вы уже уперлись в потолок окупаемости и думаете, что тратить больше становится невыгодно. Оказалось, что запас еще есть, можно нарастить охват в контекстной рекламе, а далее уже «докручивать» новых пользователей до покупки с помощью других более дешевых каналов, например email-рассылки и ретаргетинга.

Подпишитесь на Facebook или Телеграмм, чтобы не пропустить новые статьи

Разделяешь наш подход? Вступай в команду!
Другие материалы по теме
Визуализация данных Яндекс Директ в PBI HOWTO
Визуализация данных Яндекс Директ в PBI
В предыдущей статье мы рассказали как выгрузить данные из Яндекс Директ с помощью Python в CSV таблицу. Теперь построим на этих данных красивый и полезный отчет.
Интеграция клиента и агентства HOWTO
Интеграция клиента и агентства
В статье расскажем, как происходит интеграция клиента и агентства, и как выстраиваются коммуникации.
Выгрузка данных из API Яндекс Директ через Python HOWTO
Выгрузка данных из API Яндекс Директ через Python
Рассказываем как выгрузили 30 млн. строк данных для последующего анализа в Power BI.
Прогноз стоимости и количества лидов HOWTO
Прогноз стоимости и количества лидов
Рассказываем об одном из способов медиапланирования - получения прогнозной стоимости и количества лидов.
Модели атрибуции на примере интернет-магазина HOWTO
Модели атрибуции на примере интернет-магазина
В этой статье продолжим рассматривать атрибуции на примере реального интернет-магазина. и расскажем какие выводы можно сделать, сравнивая модели.
Модели атрибуции в Google Analytics HOWTO
Модели атрибуции в Google Analytics
Что такое модель атрибуции? Какими они бывают? Как правильно выбрать модель атрибуции?
читать наш блог

Оставьте заявку

После того, как вы оставите заявку: интервью ~15 минут → гостевые доступы для аудита ~15 минут → аудит в течении 2-х дней → согласование предложения → начало первой итерации. По нашему опыту реально начать что-то делать уже через 2-3 дня.

Менеджер проектов Александр
Александр

Менеджер проектов



Пишите на — info@1jam.ru , звоните в скайпе — jam.agency , или по телефону — 8 (800) 551-85-03