Ассоциированные конверсии

Функции ассоциированных конверсий

Многоканальные последовательности подталкивают потребителя к покупке. Они выполняют следующие функции:

1. Оповещение о товаре. Клиент о нем прежде никогда не слышал, случайно натолкнулся на объявление.
2. Формирование спроса. Потребитель не задумывался о покупке мультиинструмента, увидел видеоролик, ему понравилось, теперь хочет себе такой же.
3. Продвижение интернет-магазина. Пользователь еще не определился, где купить.

Соприкасаясь с рекламой, потенциальный покупатель, который еще не созрел к покупке, на это потребуется время, но уже заинтересован, встречается с продуктом или услугой на ранних стадиях принятия решения. По мере подогрева, клиент, ставновится все ближе к оформлению заказа.

Как отслеживать ассоциированные конверсии

 

Яндекс Метрика предлагает обширный комплект инструментов для отслеживания АК. Анализ ассоциированных конверсий — это ключ к пониманию того, как на самом деле работают маркетинговые каналы. Если прямые конверсии (по последнему касанию) показывают, с кем закрыта сделка, то ассоциированные показывают, какой канал привел и прогрел клиента. Обязательное условие — настройка целей.

1. Откройте отчёт «Источники, сводка»

   Откройте отчёт «Источники, сводка».

2. Выберите цель

   В настройках отчёта выберите нужную цель, для которой нужно оценить вклад каналов.

3. Выберите модель атрибуции

   Выберите подходящую модель атрибуции. Именно она определяет, как система «разбирает» цепочку визитов и кому что засчитывает. Для анализа ассоциированных конверсий подойдут:

   • «Первый переход». Эта атрибуция присваивает конверсию каналу, через который пользователь впервые попал на сайт. Все последующие визиты этого же пользователя система отнесёт к тому же первому источнику. Что наиболее полезно для оценки, какие каналы привлекают новых пользователей.
   • «Последний значимый переход». Эта атрибуция учитывает участие нескольких каналов: значимыми считаются переходы по рекламе, из поиска, соцсетей, мессенджеров, email. А прямые заходы, внутренние переходы и переходы с сохранённых страниц модель игнорирует — что как раз помогает выделить промежуточные, ассоциированные касания.
   • «Автоматическая атрибуция». Если она доступна в вашем аккаунте, это лучший вариант: алгоритмы машинного обучения сами распределяют ценность между каналами, учитывая разные факторы (время до конверсии, кросс-девайс, поведение пользователя и т.п.).

После этого в таблице вы увидите вклад каждого канала в достижение цели.

U-shape атрибуция

Если больше интересуют каналы которые осуществляют «прогрев» аудитории, то для их оценки может быть очень полезной U-образная модель атрибуции (её ещё называют позиционной).

В этой модели выделяют первый и последний каналы, которые привели пользователя и принесли конверсию, и отдельно выделяют все промежуточные — имено они «разогревают» клиента. Поскольку первому и последнему каналам обычно отдают больший вес (вклад в конверсию по 40%), а промежуточным только 20%, модель получила имя по форме буквы «U».

Основное преимущество модели в том что видны каналы разогрева. В моделях первого или последнего клика ассоциированные каналы получают ноль. U-shape даёт им осязаемый вес — видно, какие источники реально участвуют в цепочке, пусть и не закрывают сделку. Получается более сбалансированная оценка. Это особенно полезно, когда цикл сделки длинный и пользователь контактирует с брендом более 3 раз.

В стандартном интерфейсе Яндекс Метрики U-образной (позиционной) модели нет, выбрать её в настройках отчёта нельзя. Однако построить такую модель на основе данных Метрики возможно, нужны сырые данные.

Как анализировать ассоциированные конверсии

Сравнивайте модели. Посмотрите на одни и те же данные сначала по «Последнему значимому переходу», потом по «Автоматической». Различия сразу покажут, какие каналы более влиятельны на разных этапах.

Используйте сегменты. Чтобы сфокусироваться на конкретном канале, создайте сегмент: «Был визит с [нужного источника]» и посмотрите на его вклад.

Последнее взаимодействие подходит преимущественно для недорогих товаров, которые заказывают после первого взаимодействия (увидел-купил):

• доставка продуктов, готовых блюд;
• службы перевозки, курьерские;
• корма и аксессуары для домашних питомцев;
• товары широкого потребления (для отдыха на пляже, для сада и огорода, канцелярия и другие подобные категории).

Ситуация с технически сложными продуктами (электроника, фармацевтические препараты, дорогостоящие услуги, гаджеты, ПК и так далее) обстоит иначе.

Покупатели сравнивают цены, характеристики, условия (гарантийный срок, сервисное обслуживание, варианты оплаты/доставки). Они по нескольку раз приходят на сайт, изучают детали — подходят к выбору ответственно, кропотливо. Конкретная модель атрибуции подбирается с учетом всех звеньев цепочки, оценки эффективности и функциональности каждого элемента.

Примеры использования ассоциированных конверсий

Потребитель сравнивает модели ноутбуков. Перешел по бесплатной ссылке в ПС, просмотрел возможные варианты, приценился, запомнил название интернет-магазина и ушел на другие сайты, чтобы сравнить цены, функционал аппаратуры. Через какое-то время этот же пользователь снова приходит на площадку. Он вводит название ресурса, переходит по рекламному объявлению, практически созрел для покупки, но не хватает денег, поэтому заказ не оформлял. В какой-то момент он видит знакомое название в рекламе в ВК — выбранная модель доступна со скидкой. Тут же переходит на сайт интернет-магазина, покупает товар.

В описанном варианте ключевую роль сыграл рекламный канал соцсети. Вероятно, если бы пользователь не увидел объявление, он еще долго раздумывал и собирал деньги. Объявление в сочетании со скидкой стало стимулом к закрытию сделки.

Рассмотрим другой пример. Модница ищет джинсы. Ввела запрос «купить модные джинсы», перешла на сайт по контекстной рекламе. Ознакомилась с ассортиментом, вспомнила, что зарплата только через неделю, вышла. Спустя какое-то время девушка вновь попала на сайт, перейдя по рекламному баннеру. Прочитала отзывы, уже собралась нажать «Купить», но в последний момент ее что-то отвлекло, покупка не состоялась. Уже вечером, общаясь с подругой, увидела выбранную модель в рекламе в Телеграм, зашла на сайт и оформила заказ.

В обоих примерах каждое из звеньев цепочки выполнило определенную роль. Аналитика дает возможность определить ценность атрибуций и правильно распределить средства между рекламными каналами.