Что такое мультисенсорная атрибуция? Модели и инструменты, которые вам нужны

Что такое мультисенсорная атрибуция?

Мультисенсорная атрибуция (MTA) — это метод присвоения ценности конверсии одной или нескольким точкам взаимодействия на пути клиента . Инструменты мультисенсорной атрибуции используют модели для систематизации точек соприкосновения, каналов или кампаний, которые способствовали совершению клиентом желаемого действия. Это помогает избежать отнесения ROI к самой последней точке взаимодействия перед конверсией.

Представьте себе этот пример того, как MTA работает на практике:

• День 1. Пользователь X нажимает на медийное объявление продукта. Они просматривают сайт, но ничего не заказывают.
• День 2: Они находят статью в блоге компании в своей ленте социальных сетей и решают подписаться на рассылку.
• День 5: Они получают электронное письмо с кодом скидки для первого покупателя. Они посещают сайт, чтобы просмотреть продукты.
• День 7: Перед окончательной покупкой они выполняют поиск в Google, чтобы подтвердить отзывы на сайте. Они уверены в своем решении о покупке сейчас, хотя и откладывают его по неизвестным причинам.
• День 10: Они получают электронное письмо от автоматизированного потока со скидкой за завершение покупки, а также приглашение на мероприятие. Наконец они завершают покупку.

Мультисенсорная атрибуция может иметь здесь огромное значение, потому что пользователь проходит через несколько точек соприкосновения, каждая из которых способствует окончательной покупке.

Для некоторых моделей медийная реклама заслуживает большего внимания, поскольку именно так пользователь узнал о продукте. Для других социальные сети могут быть основным фактором, поскольку именно так пользователь завоевал доверие к компании-производителю продукта. В то время как в остальном обзоры или электронные письма о скидках влияли на желаемую конверсию, потому что они, наконец, отражали намерение покупателя.

Для работы с такими сценариями существует ряд доступных моделей, которые выводят наиболее важные многоканальные точки соприкосновения или взаимодействия для вас на пути клиента.

Типы моделей атрибуции

Мы обсудим различные модели с помощью приведенного выше примера, где пользователю X потребовались многоканальные точки соприкосновения, чтобы совершить покупку.

Вот краткое описание типов моделей атрибуции, прежде чем мы углубимся в детали:

Чтобы прояснить концепцию, мы начнем с моделей, которые приписывают всю ценность конверсии только одной точке взаимодействия.

Модели атрибуции в одно касание

Атрибуция в одно касание по-прежнему является наиболее распространенным способом атрибуции ценности конверсии. Это происходит от рекламы прямого отклика и чрезмерно упрощено. Атрибуция в одно касание хорошо работает, если пользователь нажимает на объявление и мгновенно завершает оформление заказа или если пользователь нажимает на электронное письмо и сразу же покупает подписку. Это может быть подходящим для дешевых покупок и покупок с низким уровнем вовлеченности.

Модель атрибуции «последнее касание»

Атрибуция по последнему касанию присваивает ценность последней точке взаимодействия, на которую нажал клиент перед конверсией.

• Наиболее часто используемая модель атрибуции в целом и обычно используемая по умолчанию для маркетинговой аналитики.
• Не подходит для большинства предприятий, потому что вы почти всегда будете продавать с несколькими каналами, платформами и кампаниями.

Пользователь X может пройти через шесть точек соприкосновения, как в нашем примере выше, прежде чем он поверит в ценность компании и сочтет продукт надежным. Тем не менее, за последнее касание электронное письмо с кодом скидки, которое они получили в конце, получает 100% кредита за конверсию.

Модель атрибуции первого касания

Атрибуция первого контакта присваивает ценность первой точке взаимодействия, с которой взаимодействовал клиент.

• Не так популярен, как последнее касание, потому что первое касание может быть пусковым фактором, но часто отступает в процессе принятия решений.
• Может работать, когда в центре внимания кампания по повышению узнаваемости бренда.

Пользователь X обнаружил компанию с помощью медийной рекламы. Таким образом, согласно первому касанию, медийное объявление получает 100% кредита за окончательную покупку. Остальные точки соприкосновения — это просто промежуточные факторы, называемые «помощью», и в этой модели они получают 0% кредита.

Вероятно, вы сразу же сможете подумать о проблемах с этой моделью. Может быть трудно определить, какая точка соприкосновения действительно была первым моментом открытия. Когда вы являетесь брендом для дома, открытие могло произойти через телевизионную рекламу много лет назад. Есть и другие проблемы, и важно знать, что односторонняя атрибуция всегда дает неверные данные. Пока вы знаете о недостатках, вы можете быть в порядке.

Мультисенсорные модели атрибуции на основе правил

Модели мультисенсорной атрибуции, основанные на правилах, используют фиксированный набор предопределенных рекомендаций для присвоения ценности точкам взаимодействия. Благодаря этим предопределенным рекомендациям маркетологи избегают необходимости определять стандарты для каждой маркетинговой кампании. Принято переключаться с одной модели на другую в зависимости от того, что лучше всего относится к возможным точкам соприкосновения.

Модели, основанные на правилах, легче внедрить, чем модели, управляемые данными, потому что они не всегда нуждаются в науке о данных для анализа сложных циклов взаимодействия с клиентом. Часто они представляют собой идеальный баланс достаточно простой реализации, сохраняя при этом достаточную точность и детализацию.

Равнокредитный или линейный

Равный кредит или линейная атрибуция присваивает одинаковую сумму кредита разным точкам взаимодействия на протяжении всего пути клиента.

• Самая простая в реализации модель мультисенсорной атрибуции.
• Предлагает макроуровне представление всего процесса преобразования.
• Подходит для стартапов и компаний, которые плохо знакомы с цифровым маркетингом и не имеют большого количества исторических данных для работы.
• Перевешивает менее важные точки соприкосновения.

Линейная модель распределяет равные баллы на все шесть точек соприкосновения пользователя X: медийная реклама, социальные сети, электронная почта со скидкой, основной сайт, обзоры Google и автоматизированная электронная почта со скидкой с приглашением на мероприятие.

U-образный

U-образная атрибуция присваивает одинаковое количество баллов — 40% — первой и последней точкам взаимодействия. Оставшиеся 20% распределяются поровну между остальными точками взаимодействия.

• Выделяет точки взаимодействия в верхней и нижней части воронки.
• Обнаруживает источники для создания новых потенциальных клиентов, а также делает акцент на взаимодействии с клиентами при заключении сделок.
• Подходит для кампаний по продвижению дешевых товаров.
• Избегайте, если у вас более длительный путь клиента с рядом ключевых факторов принятия решений.

В примере пользователя X U-образная модель присваивает 40 % ценности как медийной рекламе (точке взаимодействия), так и последнему электронному письму (точке взаимодействия, стимулирующей совершение покупки). Остальные четыре точки касания получают равную долю в 20%, что составляет по 5% каждая, и не считаются важными.

W-образный

W-образная атрибуция присваивает 30% ценности точкам взаимодействия в верхней, средней и нижней частях воронки. Остальные точки соприкосновения получают равное распределение 10% кредита.

• Подходит для сложных кампаний и более длительных циклов взаимодействия с клиентом, когда ключевым моментом является построение отношений до конверсии.
• Первая, средняя и последняя точки взаимодействия отлично подходят для получения информации об узнаваемости бренда, лидогенерации и точках конверсии соответственно.
• Ограничивает видимость взаимодействия с клиентом для остальных точек взаимодействия.

В нашем примере W-образная модель присваивает 30 % ценности медийной рекламе, которую пользователь X видел вначале, письму со скидкой, которое он получил на полпути, и последнему письму с напоминанием о покупке сейчас. Остальные три точки соприкосновения получают по 3,33% каждая.

Распад времени

Распад времени присваивает кредит всем точкам взаимодействия, причем последняя получает максимальную долю. Кредит уменьшается для точек соприкосновения, с которыми клиент взаимодействовал дальше во времени.

• Первая точка соприкосновения получает наименьшее признание, поэтому открытие и узнаваемость бренда не ценятся высоко.
• Точки соприкосновения растут в геометрической прогрессии как способ ценить взаимодействия, которые способствуют вовлечению, и еще больше ценят конверсионные взаимодействия.
• Подходит для кампаний и потоков, которые активны только в течение ограниченного времени.
• Отображает незначительный или незначительный вклад маркетинговых усилий в верхней части воронки для кампаний или продуктов с более длительным путешествием.
• Основанный на экспоненциальном распаде, он использует формулу периода полураспада.

Путь пользователя X к конверсии — хорошая возможность продемонстрировать формулу периода полураспада. При шести точках взаимодействия в течение десяти дней последняя точка взаимодействия получает почти в три раза больше внимания, чем первая. Время — более важный фактор, чем количество точек взаимодействия и их порядок.

Пользовательская позиция

Настраиваемая позиция, также известная как определяемая пользователем модель атрибуции, присваивает индивидуальное значение точкам взаимодействия в зависимости от их положения в маркетинговой воронке.

• Оптимизирует точки взаимодействия, отвечающие за лидогенерацию, узнаваемость бренда и конечную конверсию, на основе конкретных характеристик вашей кампании.
• Может быть похож на настроенную версию W-образной модели или любую другую распространенную модель, которую вы настраиваете под себя.
• Может быть сложным и трудным для интерпретации.

Допустим, вы начинаете с W-образной модели, но хотите сосредоточиться только на трех наиболее важных точках взаимодействия и применить подход временного распада. Вы устанавливаете для первой точки взаимодействия значение 15 %, для средней точки взаимодействия — 35 %, а для последней точки взаимодействия — значение 50 %, что соответствует 100 % кредита.

Для пользователя X это означает, что медийное объявление получает 15 %, электронное письмо со скидкой — 35 %, а итоговое автоматическое электронное письмо — 50 %. Остальные точки касания получают 0% и считаются передачами для начисленных точек касания.

В другом примере вы настраиваете модель линейной атрибуции. Здесь вы назначаете разные баллы всем точкам взаимодействия в соответствии с вашим пониманием их влияния. Таким образом, распределение кредитов будет выглядеть следующим образом: 5 % – медийная реклама, 15 % – социальные сети, 20 % – электронная почта со скидкой, 10 % – веб-сайт компании, 20 % – обзоры Google и 30 % – финальное электронное письмо.

Пользовательская модель позиции реализует ваши собственные спецификации вместо стандартной модели. Но в отличие от алгоритмических моделей, это по-прежнему модель, основанная на правилах, где вы заранее устанавливаете фиксированные правила.

Алгоритмические или управляемые данными мультисенсорные модели атрибуции

Алгоритмические модели используют машинное обучение и прогнозный анализ, чтобы определить наиболее важные точки взаимодействия, ведущие к конверсии клиентов.

Они не следуют каким-либо предопределенным наборам правил, а это означает, что результаты основаны исключительно на данных о предстоящем пути клиента. Это влечет за собой более высокие инвестиции с точки зрения времени, денег и сбора данных. Поэтому, если ваша компания ограничена в возможностях обработки данных и все еще ищет способы сбора, организации и анализа данных, вам лучше использовать модели, основанные на правилах.

Алгоритмические модели также негативно влияют на рентабельность инвестиций в маркетинг из-за их высоких первоначальных инвестиций. Вам понадобится достаточно высокий бюджет, чтобы покрыть расходы, не откладывая вас назад.

Однако эти модели распространены внутри отдельных платформ. И если вы сможете реализовать модель атрибуции, основанную на данных, для всего пути к конверсии, она даст вам самые точные и непредвзятые результаты. Вы сможете легче масштабировать и оптимизировать ROI и ROAS, особенно в долгосрочной перспективе.

Цепи Маркова

Модель цепей Маркова — самая популярная алгоритмическая модель атрибуции. Он присваивает кредит, оценивая отношения между различными точками соприкосновения. Проще говоря, модель смотрит на то, что произойдет с конверсией, если вы удалите одну точку взаимодействия.

• Использует матрицу перехода, также называемую вероятностной матрицей или стохастической матрицей.
• Визуализирует точки соприкосновения с использованием направленной сети. Это означает, что все точки соприкосновения (узлы) являются потенциальными состояниями, в которых может находиться клиент. Переходу из одного состояния в другое соответствует вероятность. Каждое состояние взаимосвязано друг с другом, чтобы с помощью машинного обучения вычислить количество возможных путей конверсии.
• Анализирует конверсии с помощью корреляций, поэтому не может обнаруживать спам-клики и перехват конверсий, такие как ставки для брендов. Корреляции указывают на отношения, но не на причинно-следственные связи.

Пример: предположим, что путь пользователя X был использован другими и дал 640 конверсий. Затем, в соответствии с моделью цепей Маркова, каждой точке взаимодействия может быть присвоено общее количество конверсий, как показано в этой таблице:

Как видите, каждая точка касания справедливо засчитывается. Это указывает на то, что каждое из этих взаимодействий может быть достаточно влиятельным, чтобы привести к окончательной конверсии. Это не всегда так, и некоторые точки взаимодействия не действуют в автономном режиме, но это дает представление о выходе модели. Для более глубокого погружения прочитайте это руководство по моделям Маркова, Шепли и байесовского МТА.

Преимущества мультисенсорной атрибуции

Ожидается, что рынок мультисенсорной атрибуции будет иметь среднегодовой темп роста примерно 15% в течение прогнозируемого периода (2021–2026 гг.). Причины кроются в следующих преимуществах:

• Оптимизация расходов на маркетинг и распределения бюджета . Приписывание точек соприкосновения позволяет вам инвестировать в зависимости от эффективности каждого канала, поэтому вы тратите свои маркетинговые доллары только на те кампании и каналы, которые имеют значение.
• Увеличение ROI и ROAS при том же бюджете. Оценка каждого канала на основе его вклада в конечную конверсию поможет вам найти наиболее эффективный канал. Вместо того, чтобы инвестировать в разные ресурсы, вы можете разумно инвестировать в несколько, которые предлагают максимальную рентабельность инвестиций. Это повышает общую рентабельность инвестиций, не влияя на общий маркетинговый бюджет.
• Гранулированный подход. Мультисенсорная атрибуция следует глубокому восходящему подходу. Это означает, что все многоканальные точки соприкосновения, участвующие в пути клиента, вознаграждаются в зависимости от нескольких факторов, таких как их позиция в процессе конверсии, время, когда клиент в последний раз посещал их, точки соприкосновения, которые идут до и после них, устройство или среда, используемая для доступа к ним, и так далее.
• Персонализированные потоки и воронки. Маркетинг MTA определяет индивидуальные потребности и предпочтения ваших клиентов. В результате вы можете сделать таргетинг и обмен сообщениями гораздо более релевантными тому, на каком этапе пути находится клиент.
• Улучшенная разработка продукта . Данные об индивидуальных предпочтениях ваших клиентов позволяют вам собирать данные, необходимые для разработки продуктов с индивидуальным подходом.
• Решения на основе данных. Легко думать, что кампания, над которой вы работаете, оказывает большое влияние, или что та точка взаимодействия, которая была самой эффективной в прошлом году, остается самой эффективной и сегодня. MTA помогает свести к минимуму предвзятость и выяснить, что на самом деле работает, на основе реальных данных.

Мультисенсорные инструменты атрибуции

Amplitude Analytics предлагает различные возможности маркетинговой аналитики, включая готовые отчеты по атрибуции. Используя Amplitude, вы можете легко распределить кредиты между вашими маркетинговыми программами, используя несколько популярных моделей атрибуции (первое касание, последнее касание, U-образную, линейную и т. д.) или даже создать собственную взвешенную модель.

Другие мультисенсорные инструменты атрибуции включают в себя:

• Регулировать
• AppsFlyer
• Ответвляться
• Воздушный мост
• Единственное число

Узнайте больше об этих и других мультитач-инструментах атрибуции на обзорном сайте, таком как G2.

Инструменты, дополняющие вашу платформу атрибуции

Вот несколько инструментов маркетинговой аналитики, которые вы должны добавить в свой стек MarTech вместе с платформой атрибуции:

• Amplitude для цифровой аналитики, отчетности и подключения инструментов к данным клиентов (CDP)
• CallRail для автономного отслеживания данных и импорта исторических данных
• Snowflake для хранения данных, необходимая вещь для создания пользовательских моделей

Общие проблемы при использовании мультисенсорной атрибуции

• Внедрение атрибуции, чтобы «доказать», что ваш любимый канал оказывает наибольшее влияние, вместо того, чтобы проверять и выяснять, какие каналы действительно наиболее эффективны.
• Отсутствует связь между каналами, такими как офлайн-онлайн или маркетинг-продукт.
• Трудности в объединении и нормализации данных посредством множественных интеграций, когда ваша платформа данных клиентов не соответствует скорости.
• Проблемы с данными и конфиденциальностью, которые приводят к ненадежному отслеживанию аналитики пути клиента в контексте глобальных изменений в стороннем отслеживании.

Альтернативы мультисенсорной атрибуции

Следующие два метода моделирования начали применяться до того, как атрибуция стала более надежной. Сегодня они оба продолжают оставаться жизнеспособными альтернативами, о которых стоит упомянуть. Их можно использовать как отдельно, так и вместе с MTA, чтобы охватить «что», «почему», «где», «когда» и «как» пути клиента.

Моделирование комплекса маркетинга

Моделирование маркетингового комплекса реализует многомерные регрессии для анализа влияния различных маркетинговых тактик. Его статистический анализ помогает прогнозировать будущее влияние рекламы и то, как можно оптимизировать тактику для увеличения доходов от продаж. В то время как MTA помогает вам лучше анализировать то, что уже произошло, моделирование комплекса маркетинга ориентировано на будущее.

Картирование пути клиента

Карта пути клиента визуализирует, как клиенты взаимодействуют с вашим брендом. Вы можете использовать эту визуальную взаимосвязь, чтобы оптимизировать точки взаимодействия, повышающие конверсию, и внедрить новые маркетинговые потоки, чтобы конвертировать потенциальных клиентов в клиентов.

Начало работы с мультисенсорной атрибуцией

Мультисенсорная атрибуция помогает повысить рентабельность инвестиций, выявляя, какие точки взаимодействия способствовали конверсии. С помощью MTA вы можете оптимизировать, расширять и персонализировать те части ваших маркетинговых кампаний, которые действительно имеют значение, и при этом сокращать ненужные расходы на маркетинг.

Узнайте больше о возможностях маркетинговой аналитики Amplitude, включая мультисенсорную атрибуцию, или начните работу с бесплатным планом уже сегодня.

использованная литература

• Экспоненциальный рост и спад (для модели атрибуции с временным спадом) Lumen Learning
• Корреляция против причинно-следственной связи: поймите разницу для амплитуды вашего продукта
• Маркетинговая атрибуция: объяснение моделей мультисенсорной рентабельности инвестиций, обзор инструментов, ответы на дилеммы McGaw
• Рынок мультисенсорной атрибуции — рост, тенденции, влияние COVID-19 и прогнозы (2022–2027 гг.) Исследования и рынки
• Инструменты маркетинговой аналитики: что это такое и почему они важны Амплитуда