Модели атрибуции: какие существуют и как выбрать подходящую для интернет-магазина

Модель атрибуции — это правило, по которому трафик или достижение конверсии присваивается тому или иному каналу в цепочке взаимодействий пользователя с сайтом. Модели атрибуции используют для определения наиболее эффективного/ценного канала привлечения клиентов на торговую площадку.

При этом ценность канала — это параметр значимости события в рамках бизнеса компании, который может быть вручную установлен для каждого события в настройках систем аналитики. О том, какие существуют модели атрибуции и как выбрать подходящую для бизнеса, рассказывает руководитель отдела аналитики Webit Евгений Харьков. 

Стандартные модели атрибуции

В популярных системах аналитики Яндекс Метрика и Google Analytics доступны по умолчанию некоторые наиболее используемые модели атрибуции, которые покрывают большинство из возможных задач анализа.

Стандартные задачи анализа интернет-магазина:

• откуда пришел пользователь, совершивший наибольшее число покупок;
• какие каналы приводят больше всего новых пользователей;
• ценность рекламных каналов в цепочке взаимодействий пользователя с торговой площадкой;
• ценность контента (например отзывов или постов в соцсетях) на сторонних площадках в пути потребителя до покупки.

Модели атрибуции в Яндекс Метрике

Рассмотрим, какие модели атрибуции можно использовать с помощью Яндекс Метрики и что они показывают. 

Первый переход

Для этой модели атрибуции источником конверсии считается первый переход пользователя на сайт за последние 180 дней. Все последующие визиты посетителя относятся именно к первому источнику.

 Здесь мы видим, что первый визит у посетителя был из результатов поиска

Данная модель чаще всего используется для анализа:

• сайта с отложенной конверсией: ситуации, при которой посетитель долго принимает решение о покупке;
• канала, привлекающего больше всего новых пользователей на сайт;
• эффективности медийных рекламных кампаний, задачами которых стоит максимальный охват и знакомство с продуктом или брендом.

Последний переход

При этой модели атрибуции анализируется, с какого конкретного канала было осуществлено целевое действие (покупка, регистрация, отправка формы обратного звонка и т.д.). На "последний переход" стоит смотреть, когда пользователю для принятия решения о покупке достаточно одного визита на сайт.

Данная модель позволяет оценить эффективность канала с объявлением об акции, с которого пришли потребители, моментально воспользовавшиеся предложением. Другими словами, данная модель хорошо подходит для анализа рекламных кампаний, направленных на максимально горячую аудиторию.

Также модель последнего перехода важна для выявления технических ошибок, которые отрицательно влияют на конверсию. Например, если один пользователь посещает несколько страниц, но счетчик фиксирует несколько визитов (присутствует большое количество визитов с каналом "внутренний переход"), значит на сайте есть ошибки, и "последний переход" поможет выявить причину таких ошибок (отсутствие счетчика на некоторых страницах, необоснованные редиректы и т.д.) и устранить их.

Последний значимый переход

Усовершенствованный вариант модели атрибуции "Последний переход". Здесь, если последним источником визита пользователя выступает незначимый для анализа канал (прямой заход по адресу сайта, переходы с сохраненной страницы и т.п.), то конверсия засчитывается каналу предшествующего значимого перехода (из поисковой системы, по рекламе, из соцсетей, из мессенджеров, по ссылкам с других сайтов).

Источники первых трех визитов являются значимыми (поиск, Директ, реклама), поэтому этот визит приписывается третьему значимому источнику — рекламе

Модель подходит для анализа эффективности различных каналов.

Последний переход из Яндекс Директ

Данная модель атрибуции всегда приписывает конверсию переходу на сайт из рекламы в Директе. Используется для анализа эффективности рекламы на любом этапе пути пользователя по воронке.

Если после перехода по рекламе Директа были переходы из других источников, то все визиты будут привязаны к рекламе

Модели атрибуции в Google Analytics

Модель атрибуции По первому клику полностью соответствует модели "Первый переход" в Яндекс Метрике, а модель По последнему клику — это аналог "Последний переход" в Яндекс Метрике.

Линейная

При данной модели ценность конверсии поровну распределяется между всеми каналами в цепочке посещений пользователем сайта. То есть, если ваши потребители совершают покупку после множества сценариев касаний с брендом в разных каналах, а вам нужно оценить совокупный вклад конкретного канала в конверсию – эта модель атрибуции для вас.

"Линейная" используется при длительных циклах продаж, когда каждый контакт с пользователем имеет большую значимость.

С учетом позиции

Ценность конверсии по этой модели делится так: по 40% ценности назначается первому и последнему переходу, а оставшиеся 20 % поровну распределяются между всеми остальными переходами.

Эта универсальная модель атрибуции, подходящая для большинства магазинов, поскольку позволяет выделить наиболее значимые точки (события) взаимодействия потребителя с сайтом: первый контакт и непосредственное целевое действие (покупку/регистрацию/звонок и т.п.).

С учетом давности взаимодействий

При этой модели ценность конверсии распределяется по всем визитам в пропорциях: чем ближе визит по времени к моменту конверсии, тем выше его ценность. При этом ценность взаимодействия увеличивается вдвое каждые семь дней.

Эта модель распределения ценности конверсий нужна в основном для анализа эффективности акций или предложений, ограниченных по времени.

Кастомные модели атрибуции

Рассмотренные выше модели атрибуции подходят для большинства стандартных задач любой торговой площадки, но для крупного ecomа такой уровень анализа является недостаточным. В таких случаях нередко применяют кастомные моделей атрибуции.

Обычно стандартные системы аналитики (Яндекс Метрика и Google Analytics) не позволяют произвести настройку для решения особенных задач, поэтому возникает необходимость внедрения BI системы, в рамках которой собираются и подвергаются анализу необходимые для реализации сложных моделей атрибуции данные.

BusinessIntelligence (или BI) — системы, которые автоматически собирают информацию из разных источников, соединяют в целостную картину в удобном формате и дают возможность строить отчетность, быстро и удобно анализируя большие объемы данных.

Выстраивание таких систем требует больших трудозатрат специалистов, но уровень аналитики значительно вырастает за счет адаптации под конкретный бизнес.

Приведем несколько примеров кастомных моделей атрибуции, которыми пользуются крупные интернет-магазины.

Модель атрибуции с приоритизацией определенного канала или источника трафика

В таких случаях в цепочке взаимодействий пользователя с торговой площадкой ценность присваивается конкретному каналу или источнику. В отличие от стандартных систем аналитики, где схожая модель предполагает назначение ценности только рекламному каналу, в данном случае это может быть любой "нестандартный" канал: и почтовая рассылка, и стрим на Youtube, и статья на тематическом медиа.

Модель атрибуции на основе вовлеченности пользователя

Данная модель присваивает бОльшую значимость в достижении конверсии тому каналу, в рамках которого пользователь вел себя наиболее активно.

Активность при этом считается по комбинации параметров: количеству просмотренных страниц, времени на сайте, выполнению микроконверсий и т.д.

К примеру, если с конкретного канала пришел пользователь, который провел много времени на сайте, долго выбирал товар из множества предложений, читал отзывы, смотрел видео, добавил в корзину, после чего ушел с сайта, а в следующий визит с другого канала – сразу же купил этот товар, то большая значимость при таком варианте анализа присвоится именно первому каналу, в рамках которого пользователь проявил максимальную активность.

Модель атрибуции с динамической ценностью конверсии

В данной модели общая ценность конверсии, которая распределяется между каналами, меняется в зависимости от каких-либо дополнительных параметров.

К примеру, ценность конверсии может меняться в зависимости от:

• суммы покупки;
• цели потребителя (сравнить стоимость товара в разных магазинах и продать такой товар на Авито – минимально ценный лид);
• продолжительности активной подписки, и т.д.

В рамках этой модели мы можем оценить каналы, которые приводят самую экономически аргументированную аудиторию.

Для примера применения такой атрибуции рассмотрим ситуацию с двумя каналами в различных цепочках, где динамическая ценность конверсии определяется стоимостью заказа:

• Канал постоянно находится в середине пути пользователя до покупки и получает 20% от общей ценности конверсии, но при этом привел 10 клиентов,= с суммой покупки в 10000 р. каждая. Ценность данного канала составит 10000*10*20%=20000
• Канал является последним в пути и именно с него происходит конверсия, поэтому он получает 40% ценности. Привел он 15 клиентов с суммой заказа в 2000 р. Ценность данного канала составит 2000*15*40%=12000

При статической ценности одной и той же конверсии (покупка) второй канал являлся бы более эффективным с маркетинговой точки зрения. Но при назначенной нами динамической ценности стоимости заказа эффективность первого канала существенно выше. Такой анализ позволяет более качественно и аргументировано перераспределить маркетинговые бюджеты, давая больший эффект от вложений.

Заключение

В большинстве случаев торговые площадки используют в анализе только одну стандартную модель атрибуции – мы повсеместно наблюдаем это у клиентов, которые приходят к нам за развитием своих интернет-магазинов. При этом, возможности аналитики позволяют существенно улучшать показатели эффективности маркетинговых активностей ecomа, а использование различных моделей атрибуций является важным инструментом в достижении экономически ценных результатов.