Все статьи
Почему рекламные кампании на верхнем этапе воронки всегда недооценены, и что с этим делать?
Статьи
Почему рекламные кампании на верхнем этапе воронки всегда недооценены, и что с этим делать?

Почему рекламные кампании на верхнем этапе воронки всегда недооценены, и что с этим делать?

Отвечают ли отчеты, которыми вы пользуетесь, основной задаче маркетинговой аналитики, а именно точной оценке эффективности источников трафика? Можете ли вы принимать верные решения при управлении маркетинговым бюджетом на основании данных?

Разберем в этой статье.

Верх и низ маркетинговой воронки

Каждый рекламный источник имеет свою уникальную цель. Все начинается с привлечения новой аудитории (верх воронки), и заканчивается, к примеру,  ретаргетингом (низ воронки).

На первый взгляд, работа только нижнем этапе воронки кажется перспективной стратегией, так как после этих касаний происходят конверсии, но в большинстве случаев это напрасная трата бюджета. Рекламные кампании верхней части маркетинговой воронки необходимы любому бизнесу. 

Проведем аналогию: продавец приглашает потенциального покупателя на встречу в первом же электронном письме. Вероятность отказа в таком случае (и даже негативной реакции) будет крайне высока. Также плохо подогретая аудитория вряд ли сразу купит. Часто человек вообще ничего не слышал о вашем бренде или продукте. Поэтому так важно сперва рассказать о нем и лишь после этого предложить совершить покупку.

Большинство маркетологов знают об этом и для разогрева используют рекламные кампании на верхнем этапе воронки. Однако далеко не все умеют правильно отслеживать их эффективность, а значит – не могут их оптимизировать и повысить результативность всего маркетинга в целом.

Разберемся, почему так происходит.

Проблема выбора модели атрибуции

Одноканальные модели

Согласно исследованию журнала INC, 98% посетителей сайта не совершают целевые действия во время первого визита.

При этом, большинство компаний используют модель атрибуции Last-Non-Direct-Click, присваивая таким образом всю ценность конверсии только одному источнику (и в большинстве случаев это каналы нижней части воронки). Тем временем, каналы и кампании используемые в верхней части воронки, в 98% случаев получат нулевую ценность, то есть вообще не учитываются при анализе.

Многоканальные модели

Даже если бизнес использует любую многоканальную модель атрибуцию (от Линейной до Data-driven, Цепей Маркова и Вектора Шепли), в большинстве случаев кампании верхней части воронки все равно не получат точной оценки влияния на совершение конверсии.

Дело в том, что все эти модели атрибуции работают на основе cookie, которые не очень надежны в случаях cross-device и cross-browser переходов пользователей и всегда смещены в сторону кампаний в нижней части воронки, где происходит конверсия. Любая смена cookie обрывает цепочку и вы видите пользователя как нового.

Пример смены cookies:

  • Пользователь кликнул на рекламу в Instagram, открывается In-App Browser Facebook (cookie уникальные). Далее закрывает браузер, так как он является непривычным и неудобным в использовании; 
  • Сразу же начинает новый сеанс на этом же устройстве, но в привычном браузере (cookie уникальные). Формируется решение о покупке. 
  • Приходит домой, заходит с ноутбука и совершает конверсию.

Насколько часто происходят подобные сценарии пользовательского поведения? Если дополнительно вспомнить о современной политике конфиденциальности (ITP, GDPR, ограничение на отслеживание iOS и др.), становится очевидно, что данные, на основании которых вы принимаете решение, не отображают действительности.

Все это означает, что любые модели атрибуции, основанные на cookie, не предоставят вам правильного представления о реальной эффективности рекламных источников. Даже используя продвинутые Multi-touch модели атрибуции, картина будет такой же: каналы и кампании нижней части воронки будут выглядеть эффективнее, чем кампании верхней части воронки.

Почему это проблема?

Если данные показывают, что рекламная кампания нерентабельна, имеет смысл остановить ее и перераспределить этот маркетинговый бюджет в другие более эффективные кампании. Таким образом, ориентируясь на показатели эффективности, вам следует вывести почти весь рекламный бюджет из кампаний верхней части воронки и направить его на ретаргетинг и другие кампании нижней части воронки.

Однако очевидно, что рекламные кампании нижней части воронки не будут эффективны, ведь сперва вам нужно разогреть аудиторию. С другой стороны, если вы продолжите вести кампании, направленные на узнаваемость, не учитывая при этом показатели эффективности, вы не будете видеть, какие кампании работают лучше, а какие – хуже, и не сможете их оптимизировать.

Как машинное обучение решает задачу оценки эффективности источников трафика с учетом cross-device/cross-browser взаимодействий

Модель атрибуции Last-Non-Direct-Click учитывает только прямые конверсии, когда пользователь заходит на сайт и совершает покупку. 

С моделью атрибуции на основе машинного обучения пользователь может не совершить покупку сразу, но алгоритм определит вероятность совершения конверсии на момент начала и окончания сеанса,  исходя из анализа действий, которые пользователь уже совершил на сайте (эта вероятность может быть в диапазоне 0-100%, в зависимости от расчетов ML модели).

Таким образом, если пользователь переходит с кампании, направленной на повышение узнаваемости, а затем совершает конверсию в рамках ретаргетинговой кампании, модель LNDC присваивает всю ценность последней кампании. 

В отличии от модели Last-non-Direct-Click, модель атрибуции SegmentStream, основанная на технологии машинного обучения, оценит реальный вклад каждого сеанса в продвижение человека к покупке, независимо от очередности источника трафика в цепочке перед конверсией. 

Таким образом, ценность от совершенной конверсии будет справедливо распределена между всеми источниками в цепочке.

Реальная значимость верхней части воронки

Если мы сравним мультиканальную модель атрибуции SegmentStream с моделью атрибуции Last-Non-Direct-Click, мы увидим огромную разницу в том, сколько конверсий разные модели присваивают каждому каналу. 

Например, на картинке выше можно увидеть, что модель LNDC приписывает только 11 конверсий каналу facebook/cpc с огромным ДРР - 53%. Если мы посмотрим только на эти данные, вероятнее всего мы сделаем такой вывод: рекламные кампании в Facebook не работают. Компания тратит много денег, а на выходе получает 128 тысяч сеансов и всего несколько конверсий.

Однако, используя модель атрибуции на основе машинного обучения, мы увидим, что кампании в Facebook на самом деле приносят почти 237 конверсий, а себестоимость продаж составляет лишь 2%. В соответствии с этими данными,  можно смело вкладывать в рекламу на Facebook ещё больше денег.

Заключение:

Модели атрибуции, базирующиеся на cookie, были актуальны до момента, когда большая часть пользователей начала использовать несколько устройств. Современный мир с ITP, GDPR, ограничениями на отслеживание на iOS требует усовершенствований способов аналитики, так как, при использовании любой модели атрибуции базирующейся на cookie, полученные в отчетах данные не отражают действительности. Таким образом, основная цель маркетинговой аналитики, в виде оценки эффективности источников трафика, остается не решенной.

Модель атрибуции SegmentStream поможет решить описанные задачи, так как базируется не на cookie, а на оценке вероятностных изменений в каждом сеансе. Вы сможете увидеть, какую прибыль приносит бизнесу каждый рекламный канал, кампания, объявление и даже ключевое слово — как на верхнем, так и на нижнем этапе воронки. Вся эта информация будет доступна в отчетах, основанных на ваших собственных данных о поведении пользователей, которые были проанализированы с помощью машинного обучения.

Оставьте заявку и мы с удовольствием расскажем, как наша технология может быть полезна вашему бизнесу.

Вас также может заинтересовать

Все статьи

Начните работу с SegmentStream

Оставьте заявку на персональную демонстрацию!