На этапе, когда сквозная аналитика уже собрана и упорядочена, данные нуждаются в оценке, а бюджет — в оптимизации. В чем смысл составлять отчеты по результатам кампании, если после ничего не менять и не перераспределять рекламный бюджет на основе полученных данных? Чтобы оптимизировать работу кампании, нужно проанализировать уникальный путь, который проходит пользователь до совершения конверсии.

Ключевая задача атрибуции — как раз показать, как действительно работает кампания.

Для этого она сначала отвечает на вопрос, как распределяется ценность среди всех взаимодействий с пользователем, затем позволяет оценить вклад каждого канала трафика в результат и определить, какие источники (кампании) увеличивают рентабельность, а какие — их уменьшают. Тем самым, с помощью атрибуции бизнес может избежать лишних расходов, кратко улучшить CPA и добиться масштабных результатов в рамках оптимизации маркетингового бюджета.

Далее встает вопрос: какую модель атрибуции выбрать для своего бизнеса? Для этого стоит рассказать, какие модели бывают и какие достоинства можно выделить у каждой из подгрупп. Сейчас все модели атрибуции на рынке систематизируют следующим образом: есть модели на основе правил, алгоритмические модели и модели на базе машинного обучения. Сейчас рассмотрим первые два варианта.

Модели на основе правил распределяют ценность взаимодействий с помощью фиксированных закономерностей, причем в этом случае неважен ни тип конверсии, ни характер поведения пользователей

• • Одноканальные модели (Last Click, First Click) отдают ключевой вес только одному каналу, многоканальные (Linear, Time Decay) же распределяют его между всеми каналами в цепочке взаимодействий
  • Модели с привязкой к позиции (Position Based) помогают понять, какое место в последовательности занимал канал перед конверсией. При этом 40% ценности присваивается первому и последнему кликам, а оставшиеся 20% равномерно распределяются между остальными взаимодействиями.
  • Модели по первому клику (First Interaction) атрибутируют всю ценность на первый источник, модели по последнему (Last Interaction) — последнему, по последнему непрямому клику (Last Non-Direct Click) — последнему по прямому заходу пользователя, а линейные модели присваивают одинаковый вес всем взаимодействиям
  • Модели с учетом давности взаимодействия (Time Decay) отдают более высокую ценность кликам, которые были ближе всего в последовательности к конверсии, причем как в порядковом, так и во временном отношении

Алгоритмические модели позволяют учитывать взаимное влияние всех каналов кампании друг на друга из разных рекламных сервисов и при этом учитывать тип конверсии и характер поведения пользователей

• • К алгоритмическим моделям атрибуции относятся Цепи Маркова (Markov Chains), Data-Driven и другие

Почему мы остановили свой выбор на Data-Driven атрибуции Шепли?

Основная проблема стандартных моделей заключается в том, что ключевую ценность они отдают тем каналам, которые отвечают заранее утвержденным правилам, т.е. не учитывают взаимосвязь одних каналов с другими. При этом эти взаимодействия, отвечающие требованиям стандартных моделей, могут никак не влиять на результат кампании и, тем более, — приводить к конверсии.

Более выгодная позиция — оценивать касание пользователя не на основе правил, а отталкиваясь от того, какой вклад оно принесло в итоговый результат кампании. А чтобы знать, какие связки каналов работают наиболее эффективно, необходимо учитывать все разнообразие путей, ведущих к конверсии.

Справедливо оценивать и эффективно перераспределять вес кампании позволит Data-driven атрибуция, выстроенная на базе вектора Шепли. На сегодня, это одна из лучших моделей для случаев, когда у клиентов есть разные источники продвижения (performance, медийные и прочие).

Алгоритм атрибуции на основе данных учитывает цепочку, в которой присутствует показы, клики, сессии пользователей, по итогу, назначая свой вес, отчего каждое взаимодействие оценивается индивидуально.

Для нас ключевыми преимуществами модели Шепли стали:

• достоверность (учитывается реальный вклад каналов в результат)
• устойчивость к фроду (не восприимчивость модели к спаму показами)
• более высокая эффективность по скорости расчета и затратам ресурсов на него
• стабильность результата (каждый расчет модели дает одинаковый результат)
• распространенность (модель используется крупнейшими компаниями, включая Google)