Атрибуція (маркетинг)

У маркетингу атрибуція, також відома як мультидотикова атрибуція (MTA), — це ідентифікація набору дій користувача («подій» або «точок дотику»), які сприяють бажаному результату, а потім присвоєння значення кожній із цих подій.  Маркетингова атрибуція дає певний рівень розуміння того, яка комбінація подій у певному порядку впливає на людей до бажаної поведінки, яку зазвичай називають конверсією. 

Історія

Корені маркетингової атрибуції можна простежити до психологічної теорії атрибуції. За більшістю ознак, нинішнє застосування теорії атрибуції в маркетингу було стимулюване переходом рекламних витрат від традиційної офлайн-реклами до цифрових медіа та розширенням даних, доступних через цифрові канали, такі як платний і органічний пошук, дисплейний та email-маркетинг.

Концепція

Мета маркетингової атрибуції — кількісно оцінити вплив кожного рекламного показу на рішення споживача прийняти рішення про покупку або конверсію. Видимість того, що впливає на аудиторію, коли і в якій мірі, дозволяє маркетологам оптимізувати медіавитрати на конверсії та порівнювати цінність різних маркетингових каналів, включно з платним і органічним пошуком, електронною поштою, партнерським маркетингом, медійною рекламою, соціальними мережами та іншими. Розуміння всього шляху конверсії по всьому маркетинговому міксу зменшує складність точності аналізу даних із ізольованих каналів. Зазвичай маркетологи використовують дані атрибуції для планування майбутніх рекламних кампаній та інформування результатів попередніх кампаній шляхом аналізу, які медіа-розміщення (реклама) були найбільш економічно вигідними та впливовими, визначаючись за такими показниками, як рентабельність рекламних витрат (ROAS) або вартість за лід (CPL). 

Атрибуція проти причинного

Хоча моделі атрибуції приписують належне маркетинговим точкам контакту, вони не встановлюють причинно-наслідковий зв’язок. Атрибуція базується на спостережних даних і кореляційних закономірностях для розподілу цінності по всьому клієнтському шляху, але не може визначити, чи конкретна точка контакту дійсно спричинила конверсію, чи просто корелювала з нею.  Ця відмінність є критичною для розуміння справжньої ефективності маркетингових інвестицій.

Інкрементальне тестування вирішує це обмеження шляхом вимірювання контрфактичної підйомної сили за допомогою контрольованих експериментів. Порівнюючи результати між групою лікування, яка піддалася впливу маркетингу, та контрольної, яка не піддалася, інкрементальні тести вирізняють причинний ефект маркетингових втручання. ^[6][7] Методи, такі як рандомізовані контрольовані дослідження, геоексперименти та утримання тестування, надають неупереджені оцінки маркетингового впливу, встановлюючи належні контрфактичні аргументи. 

Різниця між атрибуцією та причинним вимірюванням має важливі наслідки для оптимізації маркетингу. Хоча атрибуція може бути корисною для розуміння шляху клієнта, вона може неправильно розподілити кредит і призвести до неоптимальних бюджетних рішень, якщо розглядати як міру причинного впливу. 

Моделі атрибуції

Внаслідок змін, спричинених стрімким зростанням онлайн-реклами за останнє десятиліття, маркетингові організації мають доступ до значно більшої кількості даних для відстеження ефективності та ROI. Ця зміна вплинула на те, як маркетологи оцінюють ефективність реклами, а також на розробку нових метрик, таких як вартість за клік (CPC), вартість за тисячу показів (CPM), вартість за дію/придбання (CPA) та конверсія через кліки. Крім того, з часом еволюціонували різні моделі атрибуції, оскільки поширення цифрових пристроїв і значне зростання доступних даних сприяли розвитку технологій атрибуції.

• Моделі Single Source Attribution (також Single Touch Attribution) призначають усі кредити одній події, наприклад, останньому кліку, першому кліку або останньому каналу, що показує рекламу (перегляд посту). Проста або атрибуція останнім кліком широко вважається менш точною, ніж альтернативні форми атрибуції, оскільки вона не враховує всі чинники, що сприяли бажаному результату. 
• Фракционна атрибуція включає рівні ваги, спад часу, кредит клієнта та моделі з багатодотиком/кривою.  Моделі з рівною вагою дають однакову кількість кредиту подіям, кредит клієнта використовує попередній досвід і іноді просто здогадки для розподілу кредиту, а мультитач призначає різні кредити у всіх точках контакту на шляху покупця за фіксованими сумами. 
• Алгоритмічна або ймовірнісна атрибуція використовує статистичне моделювання та методи машинного навчання для визначення ймовірності конверсії на всіх маркетингових точках контакту, що потім може бути використано для зважування значення кожної точки контакту перед конверсією. Також відомі як Data Driven Attribution, Google DoubleClick та Analytics 360 використовують складні алгоритми для аналізу всіх різних шляхів у акаунті (як неконвертуючих, так і конверсійних), щоб визначити, які точки контакту найбільше допомагають конверсіям. Алгоритмічна атрибуція аналізує як конвертуючі, так і неконвертуючі шляхи по всіх каналах для визначення ймовірності конверсії. ^[4][9] З ймовірністю, призначеною для кожної точки дотику, ваги точки дотику можна агрегувати за розміром цієї точки контакту (канал, розташування, креатив тощо), щоб визначити загальну вагу для цієї вимірності.
• Моделі атрибуції, керованої клієнтом, розробляються шляхом збору нульових даних, а потім за допомогою проєктивної аналітики для отримання повної картини атрибуції. Цей метод атрибуції був розроблений з переконанням, що відповіді клієнтів мають бути найсильнішою зваженою точкою даних у розрахунку атрибуції. Це спроба спростити атрибуцію і повернутися до основ.

Обмеження та відмінності від експериментальних

Дослідження послідовно показують, що мультисенсорна атрибуція (MTA) та моделі атрибуції на основі правил часто відрізняються від вимірювань підйомної сили, отриманих у контрольованих експериментах. Моделі атрибуції, які базуються на спостережних кореляціях, а не на експериментальних маніпуляціях, часто переоцінюють причинний вплив маркетингових точок контакту, які асоціюються лише з користувачами з високою конверсією.

Дослідження, що порівнювали результати MTA з результатами рандомізованих експериментів, виявили суттєві розбіжності, при цьому моделі атрибуції систематично неправильно розподіляли кредит між каналами. Це відбувається тому, що атрибуція не може врахувати упередження вибору, коли певні точки контакту виглядають ефективними просто тому, що їх показують користувачам, які вже ймовірно конвертують. Фреймворк оцінки інкрементальності платформи (PIE) та подібні дослідження демонструють, що оптимізація на основі атрибуції може призвести до неефективного розподілу бюджету порівняно з рішеннями, орієнтованими на експериментальні вимірювання підйому. 

Ці результати підкреслюють важливість перевірки моделей атрибуції з експериментальними результатами та використання інкрементального тестування як основного методу оцінки справжньої ефективності маркетингу. 

Побудова алгоритмічної моделі

Бінарні методи класифікації зі статистики та машинного навчання можуть використовуватися для створення відповідних моделей. Однак важливим елементом моделей є інтерпретація моделей; тому логістична регресія часто є доречною через простоту інтерпретації коефіцієнтів моделі.

Поведінкова

Припустимо, що спостережувані рекламні дані є ${\displaystyle \{(X_i,A_i,Y_i){\}}_{i=1}^n}$ де:

• ${\displaystyle X<font\; \_mstmutation="1"\; \_msttexthash="792792"\; \_msthash="599">\in </font>\mathbb{R}}$ Коваріати
• ${\displaystyle A<font\; \_mstmutation="1"\; \_msttexthash="792792"\; \_msthash="601">\in </font>\{0,1\}}$ Реклама споживчого бачення чи ні
• ${\displaystyle Y<font\; \_mstmutation="1"\; \_msttexthash="792792"\; \_msthash="603">\in </font>\{0,1\}}$ Конверсія: бінарна реакція на рекламу

Модель вибору

${\displaystyle u(x,a)=\mathbb{E}(Y|X=x,A=a)}$ ${\displaystyle \mathrm{<font\; \_mstmutation="1"\; \_msttexthash="792064"\; \_msthash="606">\forall </font>}X<font\; \_mstmutation="1"\; \_msttexthash="792792"\; \_msthash="607">\in </font>\mathbb{R}}$ коваріати та ${\displaystyle \mathrm{<font\; \_mstmutation="1"\; \_msttexthash="792064"\; \_msthash="609">\forall </font>}A}$ Реклама

${\displaystyle u=\underset{k}{<font\; \_mstmutation="1"\; \_msttexthash="793611"\; \_msthash="611">\sum </font>}A{\mathrm{<font\; \_mstmutation="1"\; \_msttexthash="86086"\; \_msthash="612">\beta </font>}}^k\mathrm{<font\; \_mstmutation="1"\; \_msttexthash="88088"\; \_msthash="613">\psi </font>}(x)+\mathrm{<font\; \_mstmutation="1"\; \_msttexthash="86359"\; \_msthash="614">\epsilon </font>}}$

Коваріати, ${\displaystyle X}$, зазвичай містять різні характеристики реклами (креативність, розмір, кампанію, маркетингову тактику тощо) та описові дані про споживача, який побачив оголошення (географічне розташування, тип пристрою, тип ОС тощо). 

Теорія

${\displaystyle y_i^{<font\; \_mstmutation="1"\; \_msttexthash="794157"\; \_msthash="618">\ast </font>}=\underset{y_i}{Макс}(\mathbb{E}[u_i])}$

${\displaystyle PR(y=1|x)=PR(u_1>u_0)}$

 ${\displaystyle =1/[1+e^{\underset{k}{<font\; \_mstmutation="1"\; \_msttexthash="793611"\; \_msthash="619">\sum </font>}A{\mathrm{<font\; \_mstmutation="1"\; \_msttexthash="86086"\; \_msthash="620">\beta </font>}}^k\mathrm{<font\; \_mstmutation="1"\; \_msttexthash="88088"\; \_msthash="621">\psi </font>}(x)}]}$

Контрфактична

Важливою особливістю підходу моделювання є оцінка потенційного результату споживачів, якщо вони не були піддані рекламі. Оскільки маркетинг не є контрольованим експериментом, корисно виводити потенційні результати, щоб зрозуміти справжній вплив маркетингу.

Середній результат, якщо всі споживачі побачили однакову рекламу, подається так:

${\displaystyle {\mathrm{<font\; \_mstmutation="1"\; \_msttexthash="86996"\; \_msthash="626">\mu </font>}}_a=\mathbb{E}{Y}^{<font\; \_mstmutation="1"\; \_msttexthash="794157"\; \_msthash="627">\ast </font>}(a)}$

 ${\displaystyle =\mathbb{E}\{\mathbb{E}(Y|X,A=a)\}}$

Маркетолог часто цікавиться розумінням «бази», тобто ймовірності того, що споживач зробить конверсію без впливу маркетингу. Це дозволяє маркетологу зрозуміти справжню ефективність маркетингового плану або інкрементальності. ^[15] Загальна кількість конверсій мінус «базові» конверсії дасть точне уявлення про кількість конверсій, зумовлених маркетингом. «Базову» оцінку можна апроксимувати за допомогою похідної логістичної функції та потенційних результатів.

${\displaystyle \text{База}=\frac{\text{Прогнозовані конверсії без спостережуваного маркетингу}}{\text{Прогнозовані конверсії за спостережуваним маркетингом}}=\frac{\mathbb{E}\{\mathbb{E}(Y|X,A=0)\}}{\mathbb{E}\{\mathbb{E}(Y|X,A=1)\}}}$

Після отримання бази інкрементальний ефект маркетингу можна розуміти як підйом над «базою» для кожної реклами, якщо інші не були враховані у потенційному результаті. Цей підйом над основою часто використовується як вага для цієї характеристики всередині моделі атрибуції.

${\displaystyle \text{Вага атрибуції}=\frac{\mathbb{E}\{\mathbb{E}(Y|X,A=1)\}<font\; \_mstmutation="1"\; \_msttexthash="793702"\; \_msthash="630">-</font>\mathbb{E}\{\mathbb{E}(Y|X,A=0)\}}{\mathbb{E}\{\mathbb{E}(Y|X,A=1)\}}}$

Завдяки створеним вагам маркетолог може визначити справжню частку конверсій, що зумовлені різними маркетинговими каналами чи тактиками.

Маркетинговий мікс і моделі атрибуції

Залежно від маркетингового міксу компанії, вони можуть використовувати різні типи атрибуції для відстеження маркетингових каналів:

• Інтерактивна атрибуція стосується лише вимірювання цифрових каналів, тоді як крос-канальна атрибуція — це вимірювання як онлайн, так і офлайн-каналів. ^[9]
• Атрибуція на основі акаунтів стосується вимірювання та приписування кредиту компаніям загалом, а не окремим особам, і часто використовується в B2B-маркетингу.