Введение В последние годы инструментарий современного интернет-маркетолога расширяется все более быстрыми темпами.
Сегодня помимо поисковой оптимизации ( 
) и контекстная реклама Яндекс Директ и 
вошёл в практическое использование 
каналы, социальные сети, 
, ремаркетинг/ретаргетинг и т. д. Поэтому перед маркетологом стоит задача выбора тех рекламных каналов, которые будут наиболее эффективны для конкретного проекта.
В Calltouch решили рассказать о том, что помимо сложности выбора оптимальных рекламных каналов, достаточно сложным становится вопрос комплексной оценки эффективности того или иного канала для последующего распределения рекламного бюджета между ними.
Колонка старшего менеджера по продукту Calltouch Федора Иванова mthmtcn .
По мнению Calltouch, такая сложность связана в первую очередь с тем, что пользователь со своей стороны имеет по сути те же инструменты, что и маркетолог: он может прийти на сайт либо по прямой ссылке, либо по ссылке из соцсетей, с Яндекса.
результаты рекламы И.
и т. д. Причём, прежде чем совершить целевое действие (конверсию) на сайте, пользователь может неоднократно зайти на сайт с разных «точек входа»: первый раз он зашёл на сайт, кликнув по рекламному объявлению ( 
), который Яндекс выдал по его поисковому запросу, второй визит был через прямой переход ( 
), и третий (что привело к преобразованию - 
) было из социальной сети ( 
) в данном случае мы наблюдаем цепочку (многоканальную последовательность): 
Таким образом, при оценке эффективности рекламных каналов маркетологу в первую очередь необходимо ответить на вопрос: как оценить вклад того или иного источника в формирование конверсии на сайте? По-другому этот вопрос можно сформулировать так: что будет с конверсией на сайте, если исключить тот или иной канал сбыта? Чтобы ответить на этот вопрос, существует ряд методологий, называемых моделями атрибуции.
Давайте рассмотрим эти модели более подробно.
Модели атрибуции
Модель атрибуции — это способ распределения «веса» конверсии между каналами.В зависимости от выбора модели атрибуции будет рассчитываться вес канала (источника), который условно можно считать вкладом, который этот источник внес в формирование конверсии.
С этими моделями сталкивался практически каждый пользователь Яндекс Метрики или Google Analytics (раздел «многоканальные последовательности»).
В настоящее время выделяют следующие основные модели атрибуции:
- По последнему взаимодействию (последнее непрямое взаимодействие, последний клик AdWords, последняя значимая конверсия) –
- Первое взаимодействие -
- Линейная модель –
- Временный упадок -
- По должности –
Давайте рассмотрим каждую модель более подробно.
Для ясности предположим, что у нас есть следующая многоканальная последовательность: 
Модель последнего клика
Благодаря своей простоте и интуитивной «правильности» эта модель получила наибольшее распространение на практике.
В самом общем случае в течение 
все модели 
Веса конверсии присваиваются последнему каналу в многоканальной последовательности, предшествовавшему возникновению целевого действия.
В нашем случае классика
модель придаст вес
канал
И 
все остальные каналы.
На практике существуют различные разновидности.
модели, все они отличаются друг от друга способом выбора «последнего» канала.
Вот таблица, демонстрирующая способ выбора канала в зависимости от типа модели: 
Модель первого клика
В этой моделивес присваивается первому источнику в последовательности и
всем остальным.
В нашем случае источник получит максимальный вес 
Если модель
«максимизирует» вес последнего канала, который «побуждает к действию», затем 
модель отдает предпочтение каналу, с которого начинается цепочка, т. е.
«пробуждает интерес пользователя» к сайту.
Эта модель также используется на практике, хотя и гораздо реже, чем 
Линейная модель
Линейная модель (
), а также ее обобщения и усовершенствования (временное снижение и позиционная модель) объединяет прежде всего то, что в ее рамках все каналы получают свой ненулевой вес.
Единственная разница между моделями заключается в способе распределения веса между всеми каналами.
Когда
все каналы получают одинаковый вес (то есть их вклад в формирование конверсии) считаются равными.
В нашем случае каналы 
будет иметь вес 
%.
Распад времени
Модель атрибуции
(
) основано на предположении, что вклад канала тем больше, чем он «ближе» к конверсии, таким образом, вес канала является монотонно возрастающей функцией его положения в цепочке.
К связь Вы можете увидеть формулу расчета веса канала.
Тип позиции Модель
Модель атрибуции
представляет собой комбинацию трех моделей:
И
В его рамках максимальная доля (обычно
) получают первое и последнее взаимодействия в цепочке, а остальные (обычно
) распределяются равномерно (как в линейной модели) между промежуточными каналами.
В нашем примере каналы 
И
получит
вес и
К 
Как выбрать модель атрибуции?
Выбор модели атрибуции — важнейший шаг в оценке эффективности рекламы.В зависимости от модели аналитик может получить совершенно противоположные выводы о прибыльности того или иного канала.
Особенно это очевидно в сферах, где процесс принятия решений занимает достаточно длительное время (например, в сфере недвижимости или в автомобильной сфере).
Возникает закономерный вопрос: какую модель атрибуции следует принять за эталон? К сожалению, однозначного ответа на этот вопрос нет. Только глубокий анализ поведения пользователей на сайте (пользовательских сессий) позволит вам принять обоснованное решение о выборе того или иного метода привязки конверсий к источнику трафика.
Как правило, выбор останавливается на модели.
однако на практике мы сталкивались с ситуациями, когда замена
на
с последующим распределением средств между каналами позволило существенно повысить эффективность маркетинговой деятельности.
Отдельно стоит отметить, что модель атрибуции — важнейший фактор, который следует учитывать при оптимизации контекстной рекламы.
Выбор модели напрямую влияет на статистику, которая используется для расчета ставок.
Если учесть, что каждая ключевая фраза — это отдельный рекламный канал, то можно существенно обогатить статистику, поступающую на вход оптимизатора; кроме того, анализ последовательных переходов пользователя между ключевыми словами повысит эффективность оптимизации.
Обсуждению этой темы будет посвящена отдельная глава данной работы.
Прежде чем перейти к описанию подхода, который мы используем для анализа многоканальных последовательностей, приведем «шутливый» пример, который, с одной стороны, покажет ограниченность классических моделей атрибуции, а с другой – позволит нам сформулировать основные вопросы, на которые необходимо ответить.
Допустим, цель C="отвези девушку домой посмотреть фильм" .
Предположим, что у нас есть следующая цепочка действий (по сути каналов), которая привела к желаемой цели: Познакомиться с девушкой → Пригласить в кино → Подарить цветы → Прогуляться вместе в парке → Прогуляться домой → Пригласить свидание в ресторан → Подарить цветы → Угостить ужином → Угостить коктейлем → Угостить еще одним коктейлем →.
и еще → рассказать анекдот → C
Если мы имеем дело с моделью
тогда мы считаем, что для достижения нашей цели нам в принципе было достаточно обойтись анекдотом.
Если рассматривать в рамках модели 
тогда успех гарантирован, как только мы встретились (что больше похоже на правду по сравнению с тем же анекдотом).
Модель
предполагает, что все виды деятельности внесли одинаковый вклад. Модель
постулирует, что наибольший вклад имеют факт знакомства и анекдот (причем в равных долях), а влияние других факторов незначительно.
Окончательно,
считает, что каждое наше следующее действие «подогревало» интерес девушки, тем самым повышая вероятность достижения конечной цели, но все же анекдот оказался решающим фактором.
Как видим, ни одна из классических моделей не может адекватно описать рассмотренную выше ситуацию и тем более не позволяет правильно ответить на вопрос, какой канал (действие) на самом деле оказался наиболее важным.
Теперь сформулируем основные вопросы, на которые мы хотели бы получить ответы от модели атрибуции:
- Достаточно ли просто рассказать анекдот? И если да, то как часто?
- Насколько типична практика рассказывать анекдоты для достижения цели?
- Что будет, если не рассказать анекдот?
- Можно ли шутку заменить каким-то другим действием? Если да, то на какой мне его заменить?
Требуется собрать некоторую статистику, которая, с одной стороны, позволила бы нам прогнозировать поведение пользователей, а с другой стороны, позволила бы оценить вероятность конверсии на сайте для каждой из точек контакта.
Рассматриваемая нами модель изначально была разработана для совокупной оценки многоканальных последовательностей в предположении, что каналы взаимозависимы.
Оно позволяет ответить на большинство вопросов, сформулированных выше.
Кроме того, мы покажем, как описываемые нами методы позволят спрогнозировать коэффициент конверсии по каждому ключевому слову, что является важным элементом оптимизации ставок в контекстной рекламе.
Прежде всего опишем формат данных, с которым работает наша модель.
Пользовательские сеансы
Предположим, что в течение некоторого периода времени мы анализируем
, сайт подвергся атаке
переходов, то есть мы имеем данные о
пользовательские сессии.
Каждый 
сессия 
имеет фиксированный набор параметров (атрибутов сеанса) 
.
Для нашего анализа нам понадобится следующий набор атрибутов, который будет включен в набор всех атрибутов сеанса: 
Где:
-
— канал, через который был осуществлен переход на сайт -
– время начала сеанса -
— время окончания сеанса -
— адрес страницы, на которую попал пользователь при переходе на сайт -
– уникальный идентификатор пользователя -
– была ли произведена конверсия в результате сеанса (
- Да,
- Нет)
находится в пределах анализируемого периода
, поэтому мы удалим атрибуты
из рассматриваемого набора параметров.
Также следует отметить, что параметр
требуется только для осуществления перехода с уровня канала на уровень ключевых фраз (при условии наличия разметки в
), что полезно для оптимизации ставок, но не обязательно для оценки влияния каналов на конверсию.
Под каналом мы подразумеваем источник трафика, который включает в себя:
- Яндекс КПК
- Google цена за клик
- Фейсбук
- Вконтакте
- Инстаграм
- Прямой
- Направления
- и т. д.
, учитывая, что их количество ограничено величиной
.
Теперь предположим, что
сессии 
были инициированы 
пользователями.
Использование уникального идентификатора пользователя
вы можете разделить набор 
на 
непересекающиеся подмножества: 
Где 
набор сеансов (отсортированных по возрастанию даты окончания) с одинаковым
, то есть набор сессий, упорядоченных в хронологическом порядке, инициированных одним и тем же пользователем.
Учитывая наше предположение, что 
, затем на основе данных
мы можем сойтись со всеми
используйте следующую цепочку каналов: 
Где 
— количество элементов (по сути количество переходов пользователя на сайт) в наборе
.
Представленная выше цепочка переходов представляет собой последовательность источников трафика, которые использовались
пользователя в процессе взаимодействия с сайтом.
Введем два дополнительных «псевдоканала».
И
по правилу:
- Если во время сеанса
пользователь с источником
произошло преобразование, а затем после
давайте добавим
, получив
- Если в результате последней текущей сессии
с источником
преобразования не произошло, то после
давайте добавим
, получив
Последовательности с такой структурой не могут возникнуть по сформулированным выше правилам, но тем не менее могут возникать в ряде случаев, например при вызове топиков, когда помимо приведенных выше параметров сеанса мы имеем уникальную ссылку:
В этом случае первый звонок в приведенной выше цепочке будет уникальным вызовом, а все последующие вызовы будут повторными вызовами от абонента с указанным
.
Такие цепочки будут учтены в нашей модели, если помимо информации о переходах на сайт будет вестись «журнал» взаимодействия пользователя с сайтом, в том числе в офлайн-режиме (например, журнал звонков).
Отметим ключевую особенность рассмотренного выше метода формирования цепочек взаимодействия пользователя с сайтом.
Оно заключается в том, что любая цепочка взаимодействия (многоканальная последовательность) всегда заканчивается одним из двух «событий»:
или
.
В этом случае событие
может произойти только в конце последовательности, в то время как
может появиться в любом месте.
Приведем типичные примеры последовательностей, сформированных по описанным правилам.
Для простоты мы ограничимся тремя разными каналами.
, к которому мы добавляем
И 
Директ #Яндекс.
директ #Веб-аналитика
-
Мои Крутые Истории
19 Oct, 24 -
История Языка Си
19 Oct, 24 -
Кредитная Карта + Мобильный Телефон
19 Oct, 24
