Как работают ассоциированные конверсии
Содержание:
- Что скрывается за промежуточными касаниями
- Как индустрия дозрела до многоканальной атрибуции
- Как можно смотреть на один и тот же путь клиента
- От отчета к числам
- Деньги любят точность
Что скрывается за промежуточными касаниями
Конверсия — простое соотношение целевых действий к количеству визитов. Число покупок делим на число посещений сайта и умножаем на сто. Если из двухсот человек, зашедших за день, купили пятеро — конверсия 2,5%. Под целевым действием необязательно имеется в виду оплата, это может быть заявка, регистрация, подписка на рассылку, звонок. То есть любое действие, которое компания считает для себя ценным.
Загадка начинается при попытке понять, кому засчитывать эту конверсию, если путь клиента состоял из нескольких визитов с разных источников. Первый раз — из поисковой выдачи, второй — по ссылке в соцсети, третий — из письма рассылки, и только на четвертый, кликнув на рекламное объявление, оформил заказ. Формально «выиграл» последний канал — реклама. Но три предыдущих визита тоже сделали свою работу: прогрели интерес, напомнили о бренде, подтолкнули к решению. Эти промежуточные точки касания называются ассоциированными конверсиями — они не являются финальным шагом, но без них финальный шаг мог бы не случиться вовсе.
Маркетологи бились над этой проблемой задолго до появления интернета. Классическая формула AIDA (Attention, Interest, Desire, Action), придуманная еще в конце XIX века американским рекламистом Элиасом Льюисом, описывает ровно тот же принцип: прежде чем совершить действие, человек должен пройти через внимание, интерес и желание. Цифровая аналитика дала возможность увидеть эти стадии на уровне конкретных кликов, сессий и меток UTM.
Как индустрия дозрела до многоканальной атрибуции
До начала 2010-х годов веб-аналитика жила исключительно моделью last-click — засчитывался только последний переход перед конверсией. Это было следствием технических ограничений: системы аналитики не умели связывать разные визиты одного пользователя в единую цепочку, а хранить историю переходов долго было дорого и неудобно. Первым крупным сдвигом стало появление в Google Analytics в 2012 году отчетов Multi-Channel Funnels. Тогда индустрия впервые массово увидела, что путь к покупке редко укладывается в один клик. Оказалось, что во многих нишах, особенно с высоким чеком, между первым знакомством с брендом и оплатой проходит несколько визитов, а иногда и недель.
Дальше появилось разнообразие моделей: линейная, временного затухания, позиционная. Каждая по-своему делила ценность между точками касания. Кульминацией стал переход крупных платформ, включая Google и Яндекс, к алгоритмической атрибуции: вместо жестких правил («первому — все» или «поровну всем») машинное обучение начало само вычислять вклад каждого канала, сравнивая цепочки, которые привели к конверсии, с теми, что не привели. В основе таких алгоритмов часто лежит математический аппарат теории игр. В частности, значение Шепли, придуманное экономистом Ллойдом Шепли в 1953 году для честного распределения выигрыша между участниками коалиции.
Отдельный поворот случился на фоне ужесточения приватности: с выходом iOS 14.5 и постепенным отказом браузеров от сторонних cookie точность мультиканальной атрибуции (multi-touch attribution, MTA) начала снижаться — просто потому, что часть цепочки касаний становится невидимой для систем аналитики. Это подтолкнуло рынок к комбинированию MTA с маркетинг-микс моделированием (MMM) — методом, который оценивает влияние каналов по агрегированной статистике продаж и расходов за период, не завязываясь на cookie вообще. Крупные рекламодатели сегодня все чаще используют оба подхода одновременно, компенсируя слепые зоны друг друга.
Как можно смотреть на один и тот же путь клиента
Если конверсия — это факт, то атрибуция — это интерпретация факта, и интерпретаций может быть несколько, причем одновременно верных. Модель атрибуции — это набор правил, по которым система аналитики распределяет ценность целевого действия между источниками трафика, участвовавшими в цепочке. В Яндекс Метрике их пять.
«По первому переходу» отдает всю заслугу каналу, который познакомил пользователя с брендом впервые. Эта модель хороша, когда важно понять, кто эффективно привлекает новую аудиторию, даже если сам этот канал никогда не закрывает продажи напрямую. «По последнему переходу» — классика жанра, засчитывает только финальный клик, игнорируя все, что было раньше; для оценки промежуточных каналов она бесполезна, зато прекрасно показывает, что именно «дожимает» клиента. «По последнему значимому переходу» умнее: она отсекает шум внутренних переходов, прямых заходов и визитов с закладок, засчитывая ценность только реальным источникам — рекламе, соцсетям, поиску, рассылкам, внешним ссылкам. «По последнему переходу из Директа» — специфичная для рекламодателей Яндекса модель, которая приоритизирует рекламные клики, а если их не было — откатывается к предыдущей логике. И наконец алгоритмическая модель, которая учитывает время между визитами, тип устройства, кросс-девайс-поведение (когда человек искал с телефона, а купил с компьютера) и даже интерес всей семьи к товару.
Допустим, компания выводит на рынок новый продукт и запускает широкий охватный флайт в РСЯ вместе с перформанс-кампанией в поиске. Если оценивать результат моделью «по последнему переходу», охватная кампания почти всегда будет выглядеть убыточной — она формирует спрос, а не закрывает его. Но стоит переключиться на модель «по первому переходу», и картина поменяется: охватная реклама чаще всего оказывается первым касанием в цепочке, которая через несколько дней или недель заканчивается покупкой из поиска.
От отчета к числам
Отдельного отчета именно по ассоциированным конверсиям в Метрике нет, вся нужная информация складывается из комбинации стандартных отчетов по источникам и целям. Путь такой: «Отчеты», «Источники», «Источники, сводка», далее выбор модели атрибуции и целевой метрики. Метрика соберет таблицу автоматически, с посетителями, глубиной просмотра, временем на сайте, процентом отказов по каждому каналу, включая те, что формально не входили в текущую рекламную кампанию.
Для более прицельного анализа — скажем, чтобы понять, сколько ассоциированных конверсий принесла конкретная кампания в Директе — используется сегментация: «Отчеты», «Все отчеты», «Источники», «Источники, сводка», затем в сегментации выбираются условия «для людей, у которых источник — один из источников трафика», указывается Директ и конкретная рекламная кампания. Дальше добавляется целевая метрика — например, «Корзина» — и в строке «Итого и среднее» появляется число достижений цели среди пользователей, которые хотя бы раз заходили на сайт из этой кампании, даже если финальная покупка случилась через совершенно другой канал. Можно дополнительно ограничить период, например, посмотреть, сколько целевых действий совершили люди, заходившие из кампании за последние 27 дней. Такая же логика применима вплоть до конкретного объявления, ключевой фразы или UTM-метки.
Для тех, кому нужна максимальная детализация — вплоть до полной истории посещений каждого пользователя, — существует Logs API Метрики, который выгружает сырые данные по визитам, и на их основе можно строить собственные модели атрибуции, не ограничиваясь пятью встроенными.
Деньги любят точность
Смысл всей этой аналитики в конкретных решениях о бюджете. По данным исследований Gartner о поведении корпоративных покупателей, решение о закупке в B2B принимает не один человек, а группа из шести-десяти сотрудников, и весь процесс может растягиваться на месяцы, с десятками касаний по самым разным каналам — от статьи в отраслевом медиа до вебинара и личной встречи с менеджером. В таких условиях модель «последнего клика» искажает картину почти до полной бессмысленности: она укажет на письмо от менеджера как на единственный «работающий» канал и полностью проигнорирует контент-маркетинг, который полгода формировал доверие к бренду.
Похожая логика описана в исследовании Google The Messy Middle — о том, что путь современного покупателя между моментом возникновения потребности и финальной покупкой представляет собой не прямую линию, а хаотичный цикл сравнения вариантов, отвлечений и возвратов, иногда занимающий недели даже для относительно простых покупок. Чем сложнее и дороже продукт, тем длиннее и запутаннее этот средний участок пути — и тем важнее видеть в аналитике не только точку входа и точку выхода, но и все, что происходило между ними.
Практический вывод из всего этого простой: перед принятием решения о бюджете стоит смотреть не на одну модель атрибуции, а сравнивать несколько сразу — по первому переходу, чтобы понять, кто эффективно привлекает новых людей, по последнему значимому, чтобы увидеть, кто закрывает сделки, и по автоматической, чтобы получить более сбалансированную картину с учетом кросс-девайс-поведения. Отключать канал стоит только тогда, когда он выглядит слабым сразу в нескольких моделях, иначе есть риск обрубить именно тот источник, который незаметно запускал всю цепочку продаж.
