Оценка влияния интернет-каналов рекламы на продажи в российской компании
Аннотация
Компании делят бюджет на интернет-рекламу между интернет-каналами в зависимости от влияния каналов на продажи. Если канал оказывает большее влияние на продажи, то он получает больший бюджет. Специалисты оценивают влияние каналов на продажи с помощью отчета по моделям атрибуции. Такие отчеты можно строить в системах веб-аналитики Яндекс, Гугл и др. Модель атрибуции присваивает каждому интернет-каналу несколько степеней влияния на продажи в зависимости от выбранной модели атрибуции: «Первый клик», «Последнее взаимодействие» и другие модели. На основе данных о поведении клиента компания выбирает одну модель атрибуции, по которой оценивает влияние каждого канала. Не все компании знают пользовательский опыт своего клиента, поэтому выбирают модели атрибуции неправильно. В результате неправильного выбора компания занижает бюджет на эффективные каналы, и завышает бюджет на неэффективные. В статье авторы предлагают использовать модель «Воронка продаж» для оценки влияния интернет-каналов на продажи, визуализации этапов покупки и распределения рекламного бюджета. С моделью «Воронка продаж» компании больше не нужно выбирать одну модель атрибуции из нескольких. Степень влияния на продажи однозначно определена для каждого канала в модели. Модель «Воронка продаж» ранее предлагалась другими авторами, но апробация модели проводилась не на российских данных или без описания методики анализа. Полученные выводы по модели «Воронке продаж» основаны на результатах эмпирического исследования в форме анализа 150 000 посетителей сайта российского интернет-магазина. Модель «Воронка продаж» также поможет компаниям в сфере электронной коммерции визуализировать этапы, на которых она теряет клиентов при совершении покупки на сайте. В результате применения модели компания увидит интернет-каналы, которые действительно влияют на продажи и каналы, которые можно отключить без потери продаж. Для исследуемой компании авторы рекомендовали перераспределить часть бюджета на наиболее эффективный канал (Email-рассылка) на каждом этапе воронки продаж. Платная реклама и реферальные каналы показали меньшую ценность и часть бюджета с данных каналов можно перераспределить на другие. Статья поможет специалистам распределить бюджет на интернет-рекламу между каналами и визуализировать путь клиента.
Скачивания
Литература
Блог Яндекс.Метрики. (2018, 8 июня). Модели атрибуции в Метрике и в Директе: как всё устроено. Яндекс.Метрика. https://yandex.ru/blog/metrika/modeli-atributsii-v-metrike-i-v-direkte-kak-vse-ustroeno
Делзелл, К. (2014, 24 октября). Необходимо ли вам изучать язык R? IBM. https://www.ibm.com/developerworks/ru/library/bd-learnr/index.html
Истомина, М. (2019, 11 марта). Реклама в интернете впервые обогнала ТВ. РБК. https://www.rbc.ru/technology_and_media/11/03/2019/5c8619ce9a79473741c1055f
ТАСС. (2019, 11 марта). Исследование: рынок интернет-рекламы в России по итогам 2018 года обогнал телевидение. https://tass.ru/ekonomika/6205309
Яндекс.Справка (2019). Модели атрибуции. https://yandex.ru/support/metrika/reports/attribution-model.html
Abhishek, V., Fader, P., & Hosanagar, K. (2012). The Long Road to Online Conversion: A Model of Multi-Channel Attribution. SSRN. https://doi.org/10.2139/ssrn.2158421
Benes, R. (2018, December 10). Who Is Using Multitouch Attribution? eMarketer.com. https://www.emarketer.com/content/who-is-using-multitouch-attribution
Berman, R. (2014). Beyond the Last Touch: Attribution in Online Advertising. SSRN. https://doi.org/10.2139/ssrn.2384211
Bryl’, S. (2015, June 23). Sales Funnel visualization with R. AnalyzeCore. https://analyzecore.com/2015/06/23/sales-funnel-visualization-with-r/
Dalessandro, B., Perlich, C., Stitelman, O., & Provost, F. (2012). Causally motivated attribution for online advertising. Proceedings of the Sixth International Workshop on Data Mining for Online Advertising and Internet Economy — ADKDD ’12 (pp. 1–9). https://doi.org/10.1145/2351356.2351363
Flaks, V. (2015, December 8). Comparison of multi-channel attribution models. OWOX. https://www.owox.com/blog/articles/multi-channel-attribution-models-comparison/
Google Analytics. (2018, октябрь). Модели атрибуции: Узнать, какие каналы сыграли ключевую роль в покупке. https://www.thinkwithgoogle.com/intl/ru-ru/insights-trends/tools/attribution-models/
Google Analytics. (2019a). Многоканальные последовательности — Cправка — Google Analytics. https://support.google.com/analytics/answer/1191180?hl=ru
Google Analytics. (2019b). Атрибуция на основе данных многоканальных последовательностей — Cправка — Google Analytics. https://support.google.com/analytics/answer/3264076?hl=ru
Google Analytics. (2019c). Определение веб-сеанса в Google Аналитике — Cправка — Google Analytics. https://support.google.com/analytics/answer/2731565?hl=ru
Google Analytics. (2019d). Показатель отказов — Cправка — Google Analytics. https://support.google.com/analytics/answer/1009409?hl=ru
Google Analytics. (2019e). Стандартные модели атрибуции для многоканальных последовательностей — Cправка — Google Analytics. https://support.google.com/analytics/answer/1665189?hl=ru
Kim, K., Hayes, J. L., Avant, J. A., & Reid, L. N. (2014). Trends in Advertising Research: A Longitudinal Analysis of Leading Advertising, Marketing, and Communication Journals, 1980 to 2010. Journal of Advertising, 43(3), 296–316. https://doi.org/10.1080/00913367.2013.857620
Moran, G., Muzellec, L., & Nolan, E. (2014). Consumer Moments of Truth In the Digital Context. Journal of Advertising Research, 54(2), 200–204. https://doi.org/10.2501/JAR-54-2-200-204
Muzellec, L., & O’Raghallaigh, E. (2018). Mobile Technology and Its Impact On the Consumer Decision-Making Journey. Journal of Advertising Research, 58(1), 12–15. https://doi.org/10.2501/JAR-2017-058
Vakratsas, D., & Ambler, T. (1999). How Advertising Works: What Do We Really Know? Journal of Marketing, 63(1), 26–43. https://doi.org/10.2307/1251999
Yadagiri M. M., Saini S. K., Sinha R. (2015). A Non-parametric Approach to the Multi-channel Attribution Problem. In J. Wang et al. (Eds.), Web Information Systems Engineering — WISE 2015. Springer, Cham. https://doi.org/10.1007/978-3-319-26190-4_23
Zhao, K., Mahboobi, S. H., & Bagheri, S. R. (2019). Revenue-based attribution modeling for online advertising. International Journal of Market Research, 61(2). https://doi.org/10.1177/1470785318774447