В данной статье рассматривается понятие «модели атрибуции» в веб-аналитике и их разновидности. Понимание важности существования цепочки взаимодействия покупателя с рекламными материалами интернет-магазина и важность верной оценки роли каждого источника в цепочке коммуникации сложно переоценить. Собственно, это и послужило поводом к написанию данной статьи. Статья разделена на несколько логических блоков: В первом блоке рассматривается понятие «Модели атрибуции» и многоканальных последовательностей; Во втором блоке рассматриваются модели атрибуции в Яндекс Метрике; И, наконец, в третьем блоке рассматриваются модели атрибуции в Google Analytics (где они представлены наиболее полно).
Понятие модели атрибуции
Не секрет, что оформленному заказу в интернет-магазине приводит достаточно длинная цепочка взаимодействия с рекламными материалами магазина. В строгом смысле, под многоканальной последовательностью понимается последовательность взаимодействий, в которой больше одного источника. Следовательно, цепочка начинается от двух элементов и не имеет верхней границы (На практике же, самые массовые цепочки — это 2, 3 и 4 элемента).
И, учитывая то, что большинство конверсий в интернет-магазине совершаются через многоканальные последовательности, следует рассматривать цепочки «с разных концов», то есть какой канал был инициатором цепочки, какой канал привел непосредственно к конверсии и т.д. Всё это, собственно, и есть модели атрибуции.
Цитируя справку Google Ads:
Модель атрибуции – это правило или набор правил, определяющих принцип распределения ценности конверсии среди точек взаимодействия в пути конверсии.
То есть, в разных моделях ценность конверсии перераспределяется на разные источники в последовательности: Например, на первый, либо на последний etc.
Собственно, разобравшись с определениями, можно перейти к рассмотрению моделей атрибуции в основных системах Веб-аналитики: Метрике и Аналитиксе.
Модели атрибуции в Яндекс Метрике
На данный момент, в Яндекс Метрике представлено всего три модели атрибуции: По первому источнику, по последнему источнику и по последнему значимому источнику. Вкратце рассмотрим каждую из них.
- Модель «По первому переходу»
Как следует из названия, ценность конверсии в данной модели распределяется на первый источник. Данная модель предпочтительна для товаров с длительным временем принятия решения о покупке (Особо актуально это для категории бытовой техники, где «время раздумий» может достигать 30 дней). В данном случае оценка источников по этой модели атрибуции даст реальную картину того, какие источники первично привлекают покупателей, совершивших конверсию. - Модель «По последнему переходу»
Здесь ситуация обратная первому пункту: Ценность распределяется на последний источник. Следовательно, пользуясь данной моделью, можно узнать, какие источники были последней «точкой контакта» в цепочке взаимодействия пользователя с рекламными материалами магазина. - Модель «Последний значимый источник»
Последняя модель достаточно интересна: Она условно делит источники на значимые и незначимые (см. картинку ниже) и распределяет ценность конверсии на последний значимый источник, в соответствии с этой классификацией. То есть, если реальным последним источником был прямой заход, а перед ним был переход с Маркета, то в прямой заход в данную модель не попадет и конверсия будет засчитана в пользу Маркета.
Теперь перейдем к более богатому списку моделей атрибуции, которые представлены в Google Analytics:
Модели атрибуции в Google Analytics
На данный момент, стандартных моделей в Google Analytics насчитывается семь штук. Некоторые из них, конечно, схожи с аналогичными моделями в Метрике. А некоторые, более интересные. Кратко рассмотрим каждую из них.
1. Модель «Последнее взаимодействие»
В данной модели ценность конверсии полностью перераспределяется на последнюю точку взаимодействия (источник).
2. Модель «По последнему непрямому клику»
Данная модель схожа с «Последним значимым источником» от Яндекса. В ней игнорируются прямые посещения и ценность перераспределяется на последний непрямой источник (Оплаченная выдача, email и так далее).
3. Модель «Последний клик в Google Рекламе»
Как следует из названия, в данной модели вся ценность конверсии перераспределяется на последний клик по объявлению в Google Ads (если он, конечно, был). Данная модель, соответственно, достаточно полезна для глубокого анализа эффективности кампаний в Google Рекламе.
4. Модель «Первое взаимодействие»
Данная модель аналогична модели «По первому источнику» в Яндекс Метрике, вся ценность в ней перераспределяется на первый источник в цепочке конверсий.
5. «Линейная модель»
В рамках линейной модели ценность конверсии распределяется поровну между источниками. То есть, если в цепочке было 2 источника, то каждому будет присвоена ценность в 50%; если 4 источника, то 25% etc.
6. Модель «С учетом давности взаимодействия»
В данной модели ценность перераспределяется на источники, которые ближе по времени к моменту совершения конверсии. Данные источники получат большую долю ценности.
7. Модель «На основе позиции»
Модель «На основе позиции» схожа с линейной, но, в данном случае, первый и последний источник получают по 40% ценности, а остальные 20% равномерно распределяются между остальными элементам цепочки.
Резюме
Несмотря на многообразие моделей атрибуции, реальными «настольными» моделями автора данной статьи (в рамках аналитики интернет-магазинов), являются:
- Модель «По первому клику»
- Модель «По последнему значимому клику»
- И «Линейная модель»
Выбор этих моделей обусловлен тем, что модель «по первому клику» — важна для получения реальной картины конверсионных источников; модель «по последнему значимому источнику» важна для получения картины платных источников, которые выступают последним контактом в цепочке (И, на основе этих данных, можно создать дополнительное предложение пользователю в рамках данного источника, чтобы мотивировать его к завершению конверсии); Линейная же модель выступает как инструмент анализа каждого платного источника в цепочке конверсии. Если тот или иной платный источник не появляется даже в рамках линейной модели, то, вероятно, с этим источником стоит попрощаться.