Оглавление
Об авторе

Как распределить ценность продажи

Выбор модели атрибуции

Сергей Муштук · 5 мин ·

В этой главе

Представьте, что завтра вам нужно решить, продлевать ли рекламу кофемашин. Хватит ли для этого истории одного покупателя? Я бы посмотрел и на тех, кто ушёл без покупки. Но сначала — один пример совсем не про торговлю.

Есть способ почувствовать, где ломается рассуждение. Представьте свидание. Сначала знакомство, потом кафе, цветы, прогулка в парке. В другой вечер — ужин, танцы и приглашение на кофе. Какое событие оказалось решающим? По первому касанию всё дело в знакомстве. По последнему всё достанется приглашению на кофе. При линейной модели каждый шаг получит равную долю, в том числе цветы и танцы. А если считать с учётом давности, то букет, подаренный неделю назад, уступит сегодняшнему танцу. Попробуйте по этой арифметике понять, понравились ли цветы.

С автомобилем или квартирой получается похожая история. Между знакомством и оплатой могут пройти месяцы. Последний визит легко найти и объяснить коллегам. Но когда покупатель вводил название жилого комплекса в поиск, он его уже знал. Где он впервые услышал это название? Ответ может оказаться за пределами истории визитов, которую вы видите.

Что покажут сто путей вместо одного

Вернёмся в магазин кофемашин. Возьмём 100 учебных путей за один период. За каждым покупателем мы наблюдали одинаковое время. К концу этого срока он либо оплатил одну покупку, либо ушёл без покупки. В этом примере все переходы известны.

Всего в кассе 30 оплат. По последнему переходу у письма 20, у поиска 10, а у рекламы ни одной. Теперь посмотрим на переходы между каналами. Из 50 человек, пришедших по рекламе, 30 вернулись по ссылке из письма. После письма купил каждый второй. Если мы знаем только текущий канал и используем одну и ту же вероятность следующего шага для всех, кто в нём оказался, получаем цепь Маркова первого порядка. Модель отнесёт к пути «реклама → письмо → оплата» 30 × ½ = 15 ожидаемых оплат. Сколько из двадцати оплат после письма действительно пришло из каждой группы, по этим итоговым числам сказать нельзя.

Уберите канал из схемы

Выберите канал и прикиньте, сколько из 30 оплат останется в расчёте. Примем одно условие: любой путь, который должен был войти в убранный канал, там обрывается без покупки. Все остальные вероятности сохраняются. Период и исходные 100 путей во всех трёх вариантах одинаковы.

Убрать рекламу

Останется 15 ожидаемых оплат из 100 путей. Из поиска 10 человек купят сразу, ещё 10 дойдут до письма и принесут в среднем 5 оплат. Разница с исходными 30 — 15 оплат. Вот откуда у рекламы появилась роль, хотя в отчёте по последнему переходу у неё был ноль.

Убрать письмо

Останется 10 ожидаемых оплат из 100 путей. Остались только покупки сразу после перехода из поиска. Модель потеряла 20 оплат, к которым вели письма. В жизни покупатель мог бы сам зайти проверить наличие белой кофемашины. Такой обходной путь мы в расчёт не заложили.

Убрать обычный поиск

Останется 15 ожидаемых оплат из 100 путей. Из рекламы 30 человек дойдут до письма, половина купит. Потеря по расчёту та же, что при исключении рекламы. Роли у каналов разные: только через поиск в этой схеме можно было купить за один визит.

Так работает оценка вклада через исключение канала. И здесь легко ошибиться ещё раз. Сложите потери из трёх вариантов — получите 50 при исходных 30 оплатах. Один путь мог пройти и через рекламу, и через письмо. При удалении каждого из этих каналов мы обрывали его заново.

Как тогда распределить 30 оплат? У рекламы 15 из 50 единиц суммарной потери, или 30%. Значит, в отчёте она получит 9 из 30 оплат. Письму достанется 12, поиску — 9. А для вопроса «Сколько денег мы потеряем, если отключим рекламу?» остаётся проверить самое сильное допущение — что сделают люди, у которых больше нет этого пути. Исследование о цепях Маркова в атрибуции.

Что считает алгоритм

Атрибуция на основе данных (DDA) тоже требует посмотреть шире одной продажи. Например, GA4 рассматривает пути с ключевым событием и без него. Система оценивает вероятность события с учётом последовательности касаний, времени между ними и других признаков. Изменение расчётной вероятности помогает распределить ценность между касаниями. Поэтому сначала посмотрите, что выбрано ключевым событием. Если это отправка формы, модель распределит ценность заявки. Чтобы ответить на вопрос про оплаченные кофемашины, нужны сведения об оплатах. Как Google описывает DDA в GA4.

Есть и другой способ разделить общий результат — значение Шепли. Представьте, что мы уже оценили результат для рекламы отдельно, для писем отдельно и для их сочетания. Сколько добавляет письмо, когда оно работает одно? Сколько — когда реклама уже есть? При двух каналах берём среднее этих двух прибавок. При большем числе каналов рассматривают все возможные порядки их добавления. Трудность для магазина начинается раньше арифметики: откуда взять надёжную оценку для каждого сочетания?

В книге для длинной сделки приводился пример OWOX BI Attribution. Здесь стоит присмотреться к промежуточным шагам воронки. Допустим, автосалон видит заявку на тест-драйв, визит в салон и оплату машины. Чтобы оценить каналы, с которых люди доходят до тест-драйва и дальше до оплаты, придётся связать визиты с этими записями в CRM. Если салон фиксирует только заявки, более сложный расчёт тоже закончится на заявке. Разбор модели по этапам воронки у OWOX.

Какую модель взять для своего отчёта?

Начните с вопроса, из-за которого возник спор. Маркетолог хочет знать, где магазин находят впервые, а автор рассылки — возвращаются ли читатели за покупкой. Для этих вопросов пригодятся разные правила атрибуции. Договоритесь с коллегами о периоде, сроке наблюдения и о том, что считать продажей. Назначьте человека, который сверит общий итог с кассой. Если специалист по рекламе и автор рассылки каждый запишут себе полную стоимость одной машины, складывать их отчёты будет дорогое удовольствие.

Когда в данных достаточно разных путей, включая завершившиеся без покупки, сравните простое правило с алгоритмической оценкой. Посмотрите на каналы, у которых вывод изменился сильнее всего. Если такие пути единичны или оплаты из салонов ещё не дошли в CRM, начните со сверки нескольких заказов вручную. Она покажет, в каком месте пропадает история.

А если решение уже звучит как «отключаем рассылку»? Среди тех, кто согласился получать письма, случайно выделите группу, которой на этот раз письмо не отправите. Заранее задайте один срок наблюдения и сравните долю оплат в обеих группах по всем каналам. Тогда в результат попадёт и тот покупатель, который без письма сам вернулся за белой кофемашиной. В следующей главе посмотрим, какие инструменты помогут собрать сведения о визитах, обращениях и оплатах.

Подобрать решение для сквозной аналитикиКонсультация по аналитике