Модели распределения в интернет-маркетинге

Материал Online attribution models: getting close
Автор данной статьи – Джим Ново (Jim Novo), один из пионеров умного маркетинга, опирающегося на анализ имеющейся и получаемой информации о маркетинговых кампаниях и потребителях. Представленный ниже текст может показаться достаточно сложным, так что задавайте вопросы в комментариях, будем обращаться к исходному материалу и искать разъяснения.
Распределение усилий в онлайн-маркетинге – тема, закономерно вызывающая массу дискуссий. Однако дискуссии эти отрывисты и разрознены, в то время как отрасли требуется полноценное обсуждение вопросов распределения маркетинговых мероприятий по доступным каналам. Такая дискуссия позволит аналитикам и маркетологам увидеть и понять подводные камни, которые есть в различных подходах к распределению, и подготовиться к будущим переменам и свершениям.
По сути, распределение в интернет-маркетинге – задача, решением которой становится ответ на один вопрос: какое сочетание маркетинговых контактов с потребителем, призванных подтолкнуть его на пути от получения информации до достижения цели, является оптимальным и наиболее эффективным?
Рассматривая измерительные модели распределения, следует уделить внимание двум разным концепциям, подразумевающим взаимное исключение двух характеристик маркетинговых мероприятий:
Высокая точность, но низкая воспроизводимостьВысокая воспроизводимость, но низкая точность
Большинство управленцев, с которыми довелось работать Джиму Ново, предпочитают иметь постоянный и повторяемый результат, склоняясь в пользу высокой воспроизводимости: на заданный объем маркетинговых вложений (X) стабильно приходится ожидаемый возврат (Y).
Можно подумать, что принимающие решения люди досконально знают весь процесс, однако при вложениях, равных X, результат на входе может быть T, Q или 6, и предсказать его не представляется возможным. Если вам, как аналитику и маркетологу, требуется достичь стабильности в работе, лучше стремиться к высокой воспроизводимости. Большинство топ-менеджеров все равно не будут вдаваться в подробности пути, которым вы прошли для достижения этой стабильности. Они вкладываются в результат (возврат), и последовательность для они важнее, чем детали моделей взаимодействия, которые не вызывают особого доверия.
Модель комбинации каналов (медиа)
Модель комбинации каналов (микс-модель) – математический (и правильный по сути) способ определения ценности маркетинговых мероприятий и получения ответа на вопрос «сколько денег мне надо вложить в каждый канал, чтобы оптимизировать маркетинг?». Построение таких моделей – дело затратное, однако они являются наилучшим решением вопроса о распределении маркетинговых усилий. В микс-моделях контактам с потребителем в тех или иных каналах не присваивается порядковый номер. Попытки выстроить последовательность во взаимодействии с потребителем не предпринимаются. Микс-модель принимает как данность тот факт, что контакты происходят в различных медиа и в различных ситуациях, и влияние их на потребителей зависит от самих потребителей. Один и тот же канал может переводить потребителя на разные ступени модели AIDA (Осведомленность, Интерес, Желание, Действие), хотя определенную «специализацию» различные медиа все-таки имеют. Важным в модели комбинации медиа является взаимодействие всех маркетинговых контактов и взаимное усиление эффекта. Такой подход отлично отражает реальный ход общения с потребителем.
На выходе, микс-модель позволяет получить «весь» каждого канала в комбинации, которая является наиболее эффективной. Результат вычисляется с помощью ряда контролируемых тестов, в ходе которых различные каналы добавляются в модель или убираются из нее. Точность предсказания результата достаточно высока, однако точное определение вклада каждого канала в этот результат – задача, которая даже не ставится перед микс-моделью. Здесь речь идет о получении возврата Y при вложениях X, а не о действии каждого канала в отдельности или их взаимодействии.
Альтернативный подход
Многие компании не готовы использовать модель комбинации каналов, им нужна более дешевая и быстрая альтернатива. Как еще можно определить оптимальный набор медиа для той или иной кампании? Вот пример альтернативного подхода: запуская кампанию, добавляйте в нее по одному каналу, эффективность которого вы можете отслеживать. Перед тем, как добавить в комбинацию очередной канал, позвольте кампании поработать в том составе, который есть на данный момент. Измеряйте эффективность отдельных каналов, вычисляйте полезную работу всей комбинации при каждом добавлении, сравнивайте комбинации. При таком подходе, вы не получите математическую модель, однако должным образом проведенные замеры позволят понять, как различные медиа взаимодействуют друг с другом в целевых рамках той или иной кампании.
Последовательное распределение
Последний клик, которым потребитель завершает действие, имеет особое значение, и знать, какой компонент кампании привел его к этому клику, конечно, надо. Однако последний клик не способен пролить свет на весь путь потребителя, поэтому многие маркетологи стремятся отследить эффективность всех компонентов. В решении этой задачи они часто приходят к «последовательному распределению», расставляя по местам (первое, второе, третье) случившиеся маркетинговые контакты, которые предшествовали полезному действию.
Видя такие последовательности, многие стараются выявить определенную полезность в каждом составляющем контакте. Это, конечно, интересно и заслуживает внимания. Последовательное распределение – отличная почва для размышлений о том, что же происходит на каждом шаге/контакте с точки зрения полезности. Однако список контактов не является результатом измерений, и на его основе сложно принять обоснованное решения о дальнейших действиях как минимум по паре причин.
В последовательности контактов не учитываются обстоятельства и устройства, с помощью которых контакт состоялся. А если добавить в цепь офлайн-каналы, последовательность теряет точность и достоверность.
Определить реальный вклад каждого контакта невозможно, но сделать всякие выводы и применить схемы «взвешивания» полезности – вполне, чем многие в итоге и занимаются. При этом, речь идет только об умозаключениях, но не о основанных на вычислениях выводах. Это совсем нехорошо, так как в результате некорректные выводы принимаются за данность, что ведет к принятию вредных для бизнеса решений и недоверию к аналитике как таковой.
Последовательное распределение не может быть точным, несмотря на то, что визуальное отображение таких моделей предполагает обратное. И о воспроизводимости здесь тоже речи не идет, так как каждому контакту люди приписывают какую-то долю полезности, основываясь на собственных умозаключениях, интуиции и политических соображениях, но не на математических вычислениях.
Альтернативный подход
Вместо того, чтобы пытаться выяснить вклад каждого контакта в результат, сфокусируйтесь на способности каждого канала подтолкнуть потребителя на следующий шаг последовательности. Почему? Потому что предсказать и контролировать сам последовательность нельзя, но можно влиять на взаимодействие двух типов каналов. Если в последовательности удается определить некоторые закономерности, обнаружить ключи к тому, как разные медиа работают друг с другом в контексте той или иной кампании, можно предпринять меры и выработать практики к развитию положительных эффектов.
Например, рассматривая последовательность контактов, вы обнаруживаете что такой фрагмент:
Баннер > Страница в соц. сети.
Почему многие пользователи идут этим путем, нам неизвестно, но если фрагмент повторяется достаточно часто, можно предположить, что такой переход важен для кампании. Вместо того, чтобы пытаться определить, какой из контактов более полезен в общей последовательности – без контролируемых тестов/микс-моделей этого все равно не определить – задумайтесь над тем, почему происходит такое взаимодействие, ищите подробности и детали с целью усиления эффекта. Если баннер, который инициирует активность потребителей в социальных сетях, содержит только косвенные ссылки на соц. сеть, возможно, пора задуматься о полноценной кампании уже в самой этой сети.
Измерять полезность каждого канала лучше с точки зрения его вклада в движение потребителя на следующую ступень в последовательности, но не к конечной цели. Практикуя такой подход, вы сможете определить полезность канала как компонента кампании с более высокой точностью.
Слишком сложно? Попробуйте другую – следующую – модель…
От первого клика до конечной цели
Ценность, получаемая первым кликом и его контекстом с течением времени, можно достаточно точно предсказать. Многие люди не знают об этом. Обратите внимание на «с течением времени»: если вы планируете оценивать эффективность маркетинговых мероприятий по этой модели, возникнет необходимость отойти от концепции быстрой конверсии и рассматривать ценность первого клика потребителя через, например, три месяца. Другими словами, вернувшийся потребитель, повторяющий полезное действие, имеет понятную ценность для бизнеса. Повторение действий – желаемый результат в большинстве моделей.
Первое впечатление имеет значение. Ожидания, которые складываются у потребителя при первом контакте, остаются с ним на протяжении всего процесса общения с производителем/брендом/ритейлером. Чем точнее реальность будет соответствовать этим ожиданиям, тем вероятнее потребитель будет готов продолжить общение в будущем.
Результат, получаемый при применении этой модели распределения, очень стабилен, он позволяет обозначить четкую связь между вложениями в кампанию и ее полезностью для бизнеса. К недостаткам модели можно отнести игнорирование всего, что происходит «в середине», между первым контактов и результатом. Другими словами, этот подход позволяет добиться высокой воспроизводимости, что нравится управленцам, но узнать всю историю общения с потребителем с его помощью не удастся.
Недостатком модели также можно назвать ее растянутость во времени. Не имея необходимых инструментов, отследить связь между первым кликом и действием, отстоящим от него на месяц-два-три, практически невозможно. В то же время, маркетинговые инструменты развиваются и становятся все более доступны широким массам. Например, платформа Listrak (e-mail маркетинг) позволяет тегировать страницы чекаута и таким образом «отлавливать» клиентов, сопоставлять их с кликами по рассылках.
Альтернативный подход
Если у вас нет возможности отслеживать ценность первого клика с течением времени, модель можно использовать и в определении его полезности для быстрой конверсии или достижения первой цели. Результат будет лучше, чем при работе с последним кликом, однако прогноз воспроизводимости результата пострадает (в сравнении с оценкой полезности в отдаленном будущем), так как предполагаемый эффект может сильнее отличаться от реальности.
Если такой подход не представляется вам практически реализуемым, читайте дальше…
Последний клик, проверенное средство
Профессиональные аналитики и маркетологи знают, что последний клик не способен рассказать всю историю общения с потребителем. Но у такого подхода к измерению эффективности кампаний и их компонентов есть свои преимущества. Анализ последнего клика позволяет точно определить причину по следствию. Не удивительно, что этот подход пользуется такой популярностью: быстро, дешево, точно и воспроизводимо. Последний клик точно увязан с действием, с течением времени результат повторяется. Конечно, до последнего клика имели место еще контакты, но они не рассматриваются в этой модели, так что беспокоиться не о чем.
Альтернативный подход
На самом деле, улучшить модель с последним кликом сложно, так она хороша сама по себе. Но можно применить к ней некоторые идеи, изложенные выше. Вы не измеряете вклад предыдущих контактов в последний клик, но можете тестировать различные пути, ведущие потребителя к этому последнему клику. Например, вам известна последовательность контактов перед последним кликом. Зная, где и как происходит контакт, который ведет к нему, вы можете модифицировать его основу с целью повышения эффективности.
Заключение
Поставщики аналитических решений проделали большую работу, и теперь предлагаемые системы позволяют узнать массу нового о потребителях. Да, это не такая простая задача, но ее решение может принести заметные плоды в виде оптимизации затрат на продвижение. Вы сможете использовать маркетинговый бюджет более эффективно. В то же время, сейчас такие аналитические системы поставляют сырые данные, работа с ними, их интерпретация – дело специалиста, и здесь всегда возможны ошибки. К тому же, объем этих данных не всегда позволяет сделать точные выводы о ценности тех или иных контактов. Рано или поздно, аналитические системы научатся самостоятельно выдавать конечный результат – ценность контакта в достижении цели. А пока им это не под силу, давайте не будет строить предположений. Лучше работать с реальными данными по реальным моделям.