Эффективность интернет-рекламы: как не платить за ненужные каналы

Интернет – абсолютно измеримая среда, в которой легко посчитать эффективность любого действия или инвестиции. Вкладывая деньги в интернет-рекламу по моделям CPC (cost-per-click) или CPA (cost-per-action), менеджер всегда представляет себе, какую отдачу он ожидает получить – и оценивает, насколько эффективен каждый рекламный канал. Но если каналов много, то большинство пользователей видят объявления и баннеры одного рекламодателя по нескольку раз, иногда даже делают несколько переходов на лэндинг, и только один раз производят целевое действие – покупку или регистрацию.

Такая ситуация нарушает привычный «лобовой» подход к измерению эффективности. Оказывается, недостаточно просто измерить трафик на каждом конкретном сайте, количество показов и конверсию. Все рекламные сообщения выстраиваются в единую систему, в которой важно, как общее количество контактов с потенциальным покупателем, так и каждый отдельный контакт. С одной стороны, это плохая новость: нельзя просто так взять и отключить каналы, показывающие худшую конверсию. С другой стороны, если правильно оценить вклад каждого канала в общий результат, можно здорово экономить на рекламе.

Эту проблему успешно решают системы бизнес-аналитики. Таких инструментов пока немного: некоторые используют для этих целей Google Universal Analytics, некоторые – и мы в том числе – разрабатывают собственные системы. Объясню, как они работают и кому действительно нужны.

Кому это нужно?

Искать себе систему бизнес-аналитики нужно, если:

• Вы показываете пользователям рекламу в разных форматах – видео, баннеры, спецпроекты, реклама в поисковиках и другое.
• В одной кампании задействованы каналы с разными моделями оплаты (за показ, за клик, за действие, за заказ). В таком случае, сравнивать их вклад в общий результат становится сложно, а иногда и вообще невозможно.
• Вы регулярно проводите кампании с бюджетом от 500 тыс. рублей и выше.

Как узнать покупателя?

Чтобы начать анализировать рекламные каналы, надо узнать, какие объявления видел каждый конкретный покупатель. Ключевой вопрос, который нужно решить – идентификация пользователя. И это правда нелегко: один и тот же человек заходит в интернет через разные устройства. При этом, единого идентификатора не существует. Иногда в его качестве выступают cookies и UTM-метки, иногда браузер или аккаунт электронной почты. Эти данные в большинстве случаев можно связать между собой.

Но часть взаимодействия происходит в офлайне: это звонки, встречи, переписка, платежи. Например, если клиент юридическое лицо, то его платеж происходит через банк, и никак не привязан к сетевым идентификаторам. Здесь стоит искать индивидуальное решение. Например, однажды мы внедряли систему в компании, значимая доля продаж в которой приходилась на рынок B2B. Для этого клиента мы реализовали такую систему: в электронную почту каждого плательщика приходила уникальная ссылка на закрывающие документы. Покупатель переходил по этой ссылке, и идентификатор в браузере привязывался к конкретному платежу.

Кросс-канальная атрибуция: как она работает?

Итак, мы собрали данные о том, кто куда ходил и какую рекламу видел, в хранилище данных. Дальше начинается самое интересное: система бизнес-аналитики собирает все эти «цепочки» и выстраивает математическую модель. Это называется «моделью атрибуции» и зависит от специфики бизнеса: некоторые считают, что известность создает именно первое объявление, другие – что важнее последний контакт, так как именно он подтолкнул пользователя к решению о покупке. В некоторых случаях, можно присвоить повышенное значение и первому, и последнему контакту.

После этого все данные обрабатываются системой по определенному алгоритму. У Google это закрытый патентованный алгоритм. Мы используем в своей системе цепи Маркова – они позволяют не только оценить эффективность каждого канала взаимодействий, но и вычислить вероятность того, что цепочка взаимодействия приведет к покупке. Именно на этом этапе можно определить, какие же каналы приносят минимальный вклад в конверсию – и на какой рекламе можно запросто экономить.

Затем вся аналитика хранится в системе и создает накапливающуюся базу. Разумеется, чем больше данных в распоряжении организации, тем выше вероятность исполнения прогноза и тем более точно можно будет сказать, по каким рекламным каналам компания не будет скучать.

А это, наверное, дорого?

Начинать знакомство с аналитическими системами лучше с бесплатных инструментов – например, с упомянутой выше Google Universal Analytics. Таким образом, можно получить основные навыки и понять базовые принципы оценки эффективности. Однако, у этой системы есть существенные ограничения, например, данные о кампании хранятся всего 1 квартал, в ней заложен ограниченный набор типовых моделей атрибуции и функциональность подобных систем ограничена.

Крупным проектам таких возможностей бывает недостаточно, поэтому они внедряют в ИТ-инфраструктуру кастомные решения – более гибкие, настраиваемые под конкретные потребности заказчика, с возможностями визуализации данных и продвинутыми аналитическими инструментами. В принципе, развернуть такое решение можно в любой компании, которая обладает возможностью хранить бизнес-данные, в частности, детальную статистику по рекламным кампаниям и информацию по продажам/клиентам, в базе данных. Однако, такие BI-системы стоит внедрять только в случаях, когда затраты на рекламу превышают 1 млн рублей в месяц – тогда система бизнес-аналитики за несколько месяцев окупит инвестиции во внедрение и обучение персонала.