2.2 Методология оптимизации бюджета методом атрибуции

В данной выпускной квалификационной работе важно не только было показать, как определить наиболее оптимальную модель атрибуции, но и как применить атрибуцию для оптимизации бюджета.

Мы разработали алгоритм оптимизации бюджета, в основе которого лежит утверждение, что в один этап можно оценить только эффективность рекламных каналов, у которых равные бюджеты. Но если рекламные бюджеты отличаются, то некорректно после применения модели атрибуции, не рассмотрев возможность уравнивания бюджетов, утверждать, что тот или иной канал не работает. Чем больше бюджет рекламного канала - тем больше вероятность, что этот канал будет участвовать в цепочке.

Ниже представлена методология оптимизации бюджета с использованием атрибуции.

1. Определение оптимальной атрибуции. С помощью алгоритма, который определили в части 2.1, определяем подходящую модель атрибуции, которая учитывает цели рекламного кампании, размер бюджетов и т.п.

2. Применение атрибуции. После определения модели атрибуции, мы применяем модель.

3. Оценка эффективности 1 (без перераспределения бюджета). В результате применения атрибуции мы анализируем, у какого канала больше вклад C_i.

4. Оценка эффективности 2 (с уравниванием бюджета). Мы должны определить, если бы у канала был бы больший бюджет, то была бы эффективность выше? В таблице приведен пример таблицы оценки эффективности канала с учетом уравнивания бюджета.

Если при бюджете B_i вклад канала C_i, то при условии, что все каналы будут иметь одинаковый бюджет, вклад канала С_i? можем вычислить по формуле 11. B - бюджет на все каналы.

Таблица 3

5. Распределение бюджета пропорционально вкладу С_i?. Вычисление нового бюджета B_i? будет по формуле 12. C? - количество конверсий, если бы бюджет был одинаковый.

Таким образом, распределение бюджета происходит по принципу, что чем меньше стоимость конверсии (большее количество конверсий), тем больше бюджета следует потратить.

Важно упомянуть, что вклад может оцениваться как:

- количество конверсий;

- сумма дохода;

- сумма прибыли;

- вероятность перехода;

- иной весовой коэффициент.

Если мы оценить вклад в виде прибыли, который принес канал, оптимизацию можно провести на основе ROI (Return On Investments), коэффициент возврата инвестиций.

Если мы знаем количество заявок, то по каждому каналу мы можем получить стоимость одной конверсии и провести оптимизацию по этому показателю.

Вывод: в данном разделе мы представили методологию оптимизации посредством атрибуции. Метод уникален тем, что подразумевает оценку каналов при том условии, если бы бюджет канала был одинаковый.

Вывод к главе 2: во второй главе мы использовали теоретические знания, чтобы разработать модель выбора оптимальной модели атрибуции. Также мы предложили метод оптимизации бюджета, который основан на вкладе рекламного канала, который определяется как количество конверсий.

3. Применение модели атрибуции к интернет-магазину

3.1 Описание интернет-магазина

В данной главе мы используем методологию, разработанную во второй главе для оптимизации бюджета интернет-магазина. Название интернет-магазина и адрес не упоминаются по просьбе владельца.

Интернет-магазин занимается продажей зоотоваров.

Основные категории товаров:

- товары для кошек;

- товары для собак;

- лекарственные препараты для животных;

- товары для рыб, рептилий;

- товары для птиц;

- товары для грызунов и хорьков.

Магазин существует с 2012 года. Основная целевая аудитория интернет-магазина - владельцы домашних животных.

Мы будем оптимизировать бюджет за период 1 апреля - 30 апреля 2016 года. За этот период зафиксировано 21 878 сеансов.

На рисунке 20 представлен отчет из Google Analytics, отчет «Электронная торговля». За апрель было совершено 198 транзакций, 107 из которых - ассоциированные конверсии.

Рисунок 20

На рисунке 21 данные из отчета «Время до конверсии». Мы видим, что большая часть конверсий совершается в первый день.

Рисунок 21

Один из значимых факторов, который определяет, стоит ли отходить от модели «Последний переход» - длина последовательности. На рисунке 22 представлен скриншот из соответствующего отчета в Google Analytics. 33 конверсии - результат взаимодействия от четырех каналов и больше, что означает, что модель «Последний переход» значительно искажает картину эффективности источников.

Рисунок 22

В отчете «Основные последовательности конверсий» показывает возможные цепочки, всего различных вариантов - 67.

Из отчета «Ассоциированные конверсии» мы узнали, что переходы возможны с 16 каналов. Но нам наиболее интересно, какие рекламные каналы приносят конверсии. В таблице 4 представлено описание источников. Красным цветом выделены платные каналы (8 источников). И снова мы убеждаемся в том, что вопрос атрибуции важен в данном интернет-магазине.

Таблица 4

Для нас также будет важен бюджет рекламных каналов. В таблице 5 указаны рекламные бюджеты на апрель 2016.

Таблица 5

Что касается внешних условий - офлайн рекламу данный интернет-магазин не публикует, также за апрель не было проведено каких-либо маркетинговых акций.

3.2 Определение оптимальной модели атрибуции

Используя алгоритм из раздела 2.1, для данного магазина мы определили оптимальную модель атрибуции - U-образная модель. Матрица принятия решений представлена таблицей 6.

Таблица 6

Таким образом, самая оптимальная модель атрибуции - на основе позиции.

Но перед нами стоит цель: мы хотим назначить разные приоритеты каналам, которые служили первым звеном в цепочке переходов и последним.

Это возможно с помощью задания собственной модели атрибуции в Google Analytics (рисунок 23). Мы зададим 50% конверсий тем каналам, которые повлияли на покупку и 30% - с помощью которых началось взаимодействие. Кроме того, мы задали условие, по которому последний канал, если это прямой переход, игнорируется.

В таблице 7 представлен результат применения атрибуции. Обратим внимание, что нумерация осталась с применения модели «Последний непрямой» переход. Сбитая нумерация говорит о том, насколько сильно искажалась модель. Например, контекстная реклама в «Яндексе» была значительно недооценена - недосчитано почти что 6 конверсий, гугл обратная ситуация - 5 конверсий было засчитано лишних.

Рисунок 23

Внизу таблицы также мы видим, что каналы, которым приписывалось 0 конверсий из-за того, что они не были последними звеньями, отличаются от нуля.

Таблица 7

Вывод: в данном разделе мы выявили наиболее оптимальную модель атрибуции, используя метод принятие решений путем анализа диаграммы. Мы получили новые оценки эффективности каналов, которые отличаются от модели «Последний непрямой переход». При модели, которая установленной по умолчанию, значительно недооценивались некоторые каналы, также некоторые каналы, наоборот, были переоценены.

3.3 Оптимизация бюджета методом атрибуции

Из таблицы 5 мы взяли те источники, которые являются платными.

Пройдем шаги, предписанные алгоритмом в части 2.2:

1. Определение оптимальную атрибуцию.

2. Применили модель.

3. Оценили эффективности 1 (без перераспределения бюджета). Мы рассматриваем только платные каналы. Если проводить анализ на данном этапе, то больше всего конверсий принесла контекстная реклама в Яндексе. Хуже всего сработала реклама на стороннем сайте в разделе «Вискас» (таблица 8).

4. Оценили эффективность 2 (с уравниванием бюджета). Мы посчитали, сколько конверсий было бы у канала, если бы было был бюджет равных у всех. Исключение составили баннеры на сайтах, так как в любом случае стоимость размещения фиксирована.

Таблица 8

В таблице 8 видно, что рекомендуемый бюджет на баннеры в большинстве случаев не окупаются (рекомендуемая бюджет меньше, чем существующий). В этом случае мы предлагаем отказаться от таких каналов и перераспределить в пользу более эффективных (таблица 9).

Рекомендуемое распределение бюджетов значительно отличается от того, что было изначально. Например, бюджет на Google Adwords уменьшился в 2,2 раза, а бюджет на контекстную рекламу в «Яндексе» рекомендуется увеличить почти на 20%.

Как было описано в разделе 2.3, распределение основывается на принципу «Каналу с меньшей стоимостью конверсии - больше бюджета», так как цель оптимизации рекламной кампании любым методом - максимизация количества конверсий и минимизация стоимости лида.

Оптимизацию бюджета необходимо делать минимум два раза в неделю, чтобы оценивать изменения в результатах. В основе данного метода лежит гипотеза, что стоимость конверсии в первом периоде и прогнозируемом будет одинакова. Но она может отличаться по причине ограниченности каналов. Или же из-за активности конкурентов. Например, в контекстной рекламе, мы можем не использовать весь бюджет из-за недостаточного количества кликов по объявлению. Поэтому имеется необходимость в мониторинге изменений и корректировке бюджета.

Таблица 9

В результате нового медиаплана ожидается большее количество конверсий при том же бюджете, так как каналам, которые приносят заявки по меньшей цене, мы определяем больший бюджет.

Вывод: при помощи атрибуции мы оценили вклад каждого канала, но важно еще с учетом оценки распределить бюджет на следующий период. В результате работы по алгоритму из раздела 2.2, мы определили бюджет на следующий период с учетом вклада каждого канала.

Вывод к главе 3: в данной главе на примере интернет-магазина мы показали, как используя алгоритм из второй главы, определить оптимальную модель атрибуции и на её основе оценить бюджет на следующий период. В результате мы получили распределение бюджета, который значительно отличается от начального.

Заключение

Изначально цель данной работы заключалась в определении наиболее объективной модели атрибуции. Мы рассмотрели самые различные модели и инструменты определения атрибуции и во время обзора существующих моделей атрибуции мы пришли к выводу, что однозначно выбрать из них самую объективную невозможно, так как у каждой модели имеются свои достоинства и недостатки. Для каждого случая будет своя наиболее правильная модель атрибуции.

Выбор модели или инструмента применения атрибуции зависит от нескольких факторов. Например, от целей рекламной кампании - если нам только интересно, откуда пользователи узнают о сайте, то достаточно примитивной модели. Во второй главе на основе этих параметров мы построили модель определения оптимальной модели. Мы определили три этапа принятия решения: первый этап определяет, стоит ли вообще отходить от классической модели «Последний переход» к более сложным моделям. На втором этапе мы оцениваем, окупится ли нам использование мощнейших инструментов применения атрибуции от компаний Google и OWOX, а также нужны ли нам дополнительные функции, которые они предоставляют. Если компании будет окупаться один из этих инструментов, то следует их использовать, так как это самые совершенные решения на рынке.

Во второй главе мы также предложили методологию оптимизацию бюджета на основе атрибуции, так как эксперты говорят о важности атрибуции, но точная инструкция, как использовать оценки эффективности каналов при дальнейшем планировании бюджета, в литературе не встречалась.

В третьей главе на примере интернет-магазина мы применили разработанные во второй главе алгоритмы. Сначала мы определили оптимальную модель атрибуции (при сравнении с классической моделью «Последний переход» оценки эффективности каналов значительно отличались), затем используя данные об эффективности каналов мы предложили распределение бюджета, которое учитывает результативность каналов. В результате такой оптимизации бюджета при тех же вложениях мы должны получить большее количество конверсий.

Таким образом, все поставленные нами задачи были выполнены. Данное исследование должно убедить маркетологов уделять большее внимание атрибуции, уйти от модели «Последний переход» и при оптимизации бюджета учитывать ассоциированность конверсий.

Список использованной литературы

1. Российскому рекламному рынку предсказали в 2016 году символический рост [Электронный ресурс] / РБК. URL: http://www.rbc.ru/technology_and_media/14/09/2015/55f5d7e19a7947f2ddfb55. (Дата обращения: 4.03.16).

2. Marketing attribution whitepaper [Электронный ресурс] / Services Google. URL: http://services.google.com/fh/files/misc/marketing_attribution_whitepaper.pdf. (Дата обращения: 4.03.16).

3. Динамические модели атрибуции [Электронный ресурс] / iMetrics 2015 -- 12-13 ноября в Digital October. URL: http://imetrics.ru/files/vladislav-flaks-owox-imetrics.pdf. (Дата обращения: 19.04.16).

4. Multi-Channel Attribution Modeling: The Good, Bad and Ugly Models [Электронный ресурс] / Occam's Razor by Avinash Kaushik - Digital Marketing and Analytics Blog. URL: http://www.kaushik.net/avinash/multi-channel-attribution-modeling-good-bad-ugly-models/. (Дата обращения: 19.04.16).

5. Голополосов Д.А. 80 способов повысить конверсию сайта. СПб.: Издательство Питер, 2014. 160 с.

6. Конверсия [Электронный ресурс] / Справка - Google Analytics. URL: https://support.google.com/analytics/answer/6086209. (Дата обращения: 19.04.16).

7. Бабаев А., Евдокимов Н., Иванов А. Контекстная реклама. СПб.: Издательство Питер, 2011. 304 с.

8. Global Facebook Advertising Benchmark Report [Электронный ресурс] / HubSpot. Inbound Marketing Sales Software. URL: http://cdn2.hubspot.net/hubfs/234606/Nanigans_-_Q4_2015_Global_Facebook_Advertising_Benchmark_Report.pdf. (Дата обращения: 19.04.16).

9. Ромат Е. Реклама: учебник для вузов. СПб.: Издательство Питер, 2008. 512 с.

10. Мусина Т. Практические инструменты интернет-маркетинга. М.: Издательство Юрайт, 2011, - 365 с.

11. Digital Ecosystem of Russian Market [Электронный ресурс] / Digital Ecosystem of Russian Market. URL: http://www.diges.ru. (Дата обращения: 19.04.16).

12. Digital Advertisers Barometer 2015 [Электронный ресурс] / Реклама Маркетинг PR - SOSTAV.RU. URL: http://www.sostav.ru/publication/digital-advertisers-17101.html. (Дата обращения: 19.04.16).

13. Вирин Ф. Интернет-маркетинг. Полный сборник практических инструментов. М.: Издательство Эксмо, 2010 - 224 с.

14. Жизнь после Cookies: прогнозы на 2016 год [Электронный ресурс] / BYYD Блог. URL: http://www.byyd.me/ru/blog/2015/12/life-after-cookies-prognoz-na-2016. (Дата обращения: 19.04.16).

15. Webit Congress 2014: Реклама в эпоху «цифрового цунами» [Электронный ресурс] / SearchEngines.ru. URL: http://www.searchengines.ru/articles/webit_congress_2014.html. (Дата обращения: 19.04.16).

16. Модель атрибуции: Как определить самый эффективный канал рекламы [Электронный ресурс] / Witget. URL: https://witget.com/blog/model-atribucii-kak-ponyat-samyj-effektivnyj-kanal-reklamy. (Дата обращения: 4.03.16)

17. The digital advertising guide [Электронный ресурс] / SEO, SEM, digital marketing - Boston agency focused on customer acquisition and measurable ROI. URL: http://www.ovrdrv.com/wp-content/uploads/2015/10/Digital-Advertising-Guide-2nd-Edition.pdf. (Дата обращения: 4.03.16).

18. Econsultancy Marketing Attribution Trends [Электронный ресурс] / Econsultancy | Achieve Digital Excellence. URL: https://assets.econsultancy.com/documents/0001/0553/Econsultancy-Marketing-Attribution-Trends-Briefing-Digital-Cream-2015.pdf. (Дата обращения: 4.03.16).

19. Крылова А. Комплексная веб-аналитика: новая жизнь вашего сайта. М.: Издательство Aegitas 2015. 34 с.

20. Multi-channel attribution definitions models [Электронный ресурс] /Occam's Razor by Avinash Kaushik. URL: http://www.kaushik.net/avinash/multi-channel-attribution-definitions-models. (Дата обращения: 5.03.16).

21. Attribution Modeling for Data Driveb [Электронный ресурс] /Adroll. URL: https://www.adroll.com/sites/default/files/resources/pdf/report/AdRoll%20-%20Attribution%20Modeling%20for%20Data-Driven_0.pdf. (Дата обращения: 5.03.16).

22. Стандартные модели атрибуции [Электронный ресурс] / Справка Google Analytics. URL: https://support.google.com/analytics/answer/1665189. (Дата обращения: 5.03.16).

23. TV-attribution [Электронный ресурс] / Adometry by Google. URL: http://www.adometry.com/tv-attribution. (Дата обращения: 5.03.16).

24. Attribution 360 capabilities [Электронный ресурс] / Google Analytics 360. URL: https://www.google.com/analytics/360-suite/attribution/capabilities/. (Дата обращения: 5.03.16).

25. «Тотальные продажи»,2015 год. Ритейлеры и вызовы времени [Электронный ресурс] / PwC в России. URL: http://www.pwc.ru/ru/retail-consumer/publications/assets/total-retail-info-ru.pdf. (Дата обращения: 5.03.16).

26. Атрибуция на основе воронки [Электронный ресурс] / OWOX -- Здесь данные обретают смысл. URL: https://www.owox.ru/solutions/articles/dynamic-attribution. (Дата обращения: 5.03.16).

27. Внедрение атрибуции на основе воронки [Электронный ресурс] / OWOX -- Здесь данные обретают смысл. URL: https://www.owox.ru/solutions/articles/dynamic-attribution-model-implementation/. (Дата обращения: 5.03.16).

28. Using survival models for marketing attribution [Электронный ресурс] / Revolutions. URL: http://blog.revolutionanalytics.com/2013/07/using-survival-models-for-marketing-attribution.html. (Дата обращения: 5.03.16).

29. Using survival models for marketing attribution [Электронный ресурс] / Callahan Creek. URL: http://www.callahancreek.com/marketing-attributon-analysis-part-2-embrace-the-complexity. (Дата обращения: 5.03.16).

30. Бережная Е.В. Методы принятия управленческих решений. М.: Издательство Инфра-М., 2014 384 с.

31. Халин В.Г. Теория принятия решений в 2 томах. Том 1. Учебник и практикум для бакалавриата и магистратуры, М.: Юрайт, 2016 - 250 с.

32. Phillips J. Ecommerce Analytics: Analyze and Improve the Impact of Your Digital Strategy. NY.: Pearson Education, 2016 - 368 p.

33. Success Stories [Электронный ресурс] / Google Analytics 360 Suite. URL: https://www.google.com/analytics/360-suite/success-stories/. (Дата обращения: 5.03.16).

34. Google unveils Google Analytics 360 Suite with a new DMP, landing page testing tool and more [Электронный ресурс] / Search Engine Land. URL: http://searchengineland.com/google-analytics-360-suite-launch-audience-dmp-244713. (Дата обращения: 19.04.16).

35. R.I.P Last Click Attribution [Электронный ресурс] / PPC Agency - Portent. URL: https://www.portent.com/blog/analytics/rip-last-click-attribution.htm. (Дата обращения: 19.04.16).

36. Scot R. Architecting Experience: A Marketing Science and Digital Analytics Handbook. S.: World Scientific, 2015 - 280 p.

37. 7 eCommerce Attribution Models. What Did We Learn From the Real Life Sales Data? [Электронный ресурс] / Omnichannel eCommerce Agency - Eradium. URL: http://www.eradium.com/7-ecommerce-attribution-models. (Дата обращения: 19.04.16).

38. 7 eCommerce Attribution Models. What Did We Learn From the Real Life Sales Data? [Электронный ресурс] / Omnichannel eCommerce Agency - Eradium. URL: http://www.eradium.com/7-ecommerce-attribution-models. (Дата обращения: 19.04.16).

Размещено на Allbest.ru