КЕЙС НА ПРИКЛАДІ
EdTech проєкту
Як атрибуція допомагає справедливо оцінити ефективність каналів трафіку і оптимізувати бюджети
Який канал трафіку справді ефективніший?
-
Чи розумієте ви, скільки прибутку приносить кожен долар, інвестований в окремий канал трафіку?
-
Чи готові ви змінити маркетингову стратегію на основі даних про взаємодію користувачів з каналами трафіку?
-
Як саме впливає кожен окремий канал трафіку на прийняття рішення про покупку?
Роман Черниш
Co-Founder "Power-UP"
ЗАДАЧА CUSTOM ATTRIBUTION MODEL
Підвищити якість управлінських рішень щодо розподілу маркетингового бюджету, спираючись на реальний внесок кожного каналу трафіку у досягнення конверсій на сайті.
РІШЕННЯ
1
Налаштування воронки конверсії
Необхідно налаштувати і відстежувати всі ключові події на сайті: від першого візиту на сайт, кожної взаємодії з його елементами до виконання конверсії. Якщо ключова конверсія відбувається за межами сайту, наприклад, через CRM або офлайн-продажі, варто збагачувати веб-аналітичні дані інформацією з власної бази.
2
Побудова власної моделі атрибуції
На основі зібраних даних створюється статистична модель, яка стане основою для оцінки ефективності каналів трафіку. За допомогою математичних методів розраховується ймовірність переходу на кожен наступний етап воронки, а також визначається цінність кожного кроку. Це дозволяє встановити вагу кожного етапу у досягненні кінцевої мети.
3
Застосування моделі до даних
Використовуючи можливості Google Big Query, модель атрибуції накладається на реальні дані. Це дозволяє математично оцінити вклад кожного каналу трафіку в досягнення конверсій. Результатом є точний розподіл цінності між каналами відповідно до їхнього фактичного впливу. Таким чином, ви отримуєте об'єктивну картину ефективності каналів.
4
Інтерпретація даних
Для зручності аналізу результати візуалізуються, щоб дані були легко зрозумілими та доступними. Використання інструментів на кшталт PivotTable допомагає отримати чітке уявлення про розподіл вкладених зусиль. У підсумку кожен канал отримує бали (“points”), що відображають його абсолютний внесок у досягнення конверсії.
РЕЗУЛЬТАТ
Впровадження кастомної моделі атрибуції дозволило нам переглянути підхід до оцінки ефективності каналів трафіку і зробити дані більш точними та об'єктивними. Завдяки цьому ми змогли ідентифікувати канали, які були недооцінені, а також виявити ті, які переоцінювались у попередніх моделях. Це дало змогу перерозподілити бюджети та зосередити зусилля на каналах, що дійсно приносять максимальну цінність.
Один із ключових результатів — перегляд ефективності Google Paid. Аналіз показав, що цей канал приносить на 23% більше конверсій, ніж це відображали попередні моделі атрибуції. Завдяки цьому ми збільшили інвестиції у цей канал, що привело до зростання загального ROI.
З іншого боку, канал Facebook Referral виявився переоціненим. Раніше він отримував більшу частку бюджету через неточності в стандартних моделях. Наш аналіз показав, що його реальна ефективність була на 34% нижчою, ніж очікувалося. Це дало змогу скоротити витрати на цей канал і перенаправити їх на більш ефективні джерела.
Такі результати не лише покращили ефективність витрат, але й допомогли оптимізувати маркетингову стратегію, підвищивши якість прийнятих рішень.
+23%
Реальне збільшення цінності каналу Google Paid
-34%
Реальне зменшення цінності каналу Facebook Referral