
Как бы нам ни хотелось, чтобы конверсия на сайте происходила после первого же перехода по рекламной ссылке, путь к нужному действию тернист. В среднем, человек делает 7 касаний, прежде чем совершить покупку, причем каждый канал рекламы будет в большей или меньшей степени подталкивать его к конверсии.
Как узнать, какая точка соприкосновения стала решающей? Как перестать вкладывать деньги в бесполезную рекламу или рассылку? Для этого в маркетинге существует атрибуция.
Сегодня мы поговорим о различных моделях атрибуции и конкретно о модели атрибуции AMIHUB. Вы узнаете, какую модель использует платформа, в чем ее отличия от стандартных моделей и почему аналитика AMIHUB наиболее достоверна. Но сначала быстро пройдемся по самым распространенным моделям атрибуции в маркетинге.

Первый и последний клик, мультитач и ML-атрибуция
На самом деле, моделей атрибуции гораздо больше, чем перечислено в заголовке. Каждая из них имеет свои достоинства и недостатки и дает вполне достоверные результаты в определенных условиях.
Атрибуция по первому и последнему клику соответственно присваивает все заслуги за совершение покупки или конверсии первому или последнему источнику рекламы, с которым соприкоснулся пользователь.
Насколько эти модели просты для понимания и внедрения, настолько же недостоверными они могут быть. Мы уже знаем, что конверсия редко совершается после первого же перехода по рекламной ссылке. Понадобится несколько напоминаний в различных соцсетях или выдаче поисковиков, чтобы подвести человека к принятию решения, а значит, присвоение всех заслуг лишь одному источнику рекламы будет несправедливым.
Тем не менее, модель атрибуции первого касания неплохо работает при оценке рекламных кампаний, направленных на повышение узнаваемости бренда или формирование спроса покупателей. Атрибуцию последнего касания часто используют магазины с товарами невысокого ценового сегмента, где пользователи совершают быстрые или спонтанные покупки.

Мультитач атрибуция представляет собой более сложную модель, которая старается учитывать ценность всех точек соприкосновения пользователя с рекламой на пути к покупке или конверсии. Существует 3 основные типа мультитач атрибуции:
линейная — равномерно распределяет ценность по всем источникам. Показывает вообще все каналы, имевшие ценность для конверсии. Более справедливо распределяет ценность по сравнению с моделями первого и последнего клика.
по времени — присваивает максимальную ценность взаимодействию ближайшему по времени к конверсии. Подходит для рекламных кампаний товаров и услуг с длинным циклом продажи, например, домов или дорогих автомобилей.
· U-образная — отдает по 40% ценности первому и последнему касанию, а 20% распределяет между остальными точками рекламы. Хороша для оценки кампаний, где заранее не планируется быстрая конверсия. Наибольшую ценность получают каналы, которые привели к знакомству с продуктом и покупке.
Таким образом, мультитач атрибуция дает более справедливую оценку вклада каждого источника рекламы, что позволяет более полноценно распределять рекламный бюджет.
Но существует и более продвинутая модель – атрибуция машинного обучения или ML-атрибуция. На ней мы остановимся более подробно, так как на данной модели работает AMIHUB.
ML атрибуция AMIHUB
ML-атрибуция – алгоритм машинного обучения на основе данных о пользователе, его действиях и событиях, предшествовавших конверсии. Задача ML-атрибуции — справедливо распределять ценность между всеми источниками рекламы.
Сложный алгоритм постоянно обучается, сопоставляя факторы и выстраивая закономерности на основе полезных событий. Причем полезными событиями считаются не только активные действия пользователя: учитываются точка и время входа, устройство входа, типы посещенных страниц и т.д.
Система анализирует вклад каждого из событий, начисляет соответствующее количество баллов, а затем распределяет их между сессиями. Вклад сессии затем преобразуется в процентное соотношение и денежный эквивалент, наглядно демонстрирующий, какой источник принес больше прибыли.
Если все это кажется слишком сложным, проведем понятную аналогию. У вас есть футбольная команда, на содержание которой вы тратите определенную сумму в год. Вы хотите узнать, какие футболисты помогают выигрывать и кому стоит выдать премию.
В игре со счетом 1:0 модель атрибуции по первому или последнему клику скажет, что молодец тот, кто забил решающий мяч в начале или в конце игры. Но ведь на этот гол работала целая команда.
Алгоритм ML-атрибуции проанализирует всю игру, выберет полезные передачи, оценит действия защиты и нападающих, а затем распределит между ними баллы за их вклад в забитый гол. Так вы узнаете, кто заслуживает прибавки, а кого пора посадить на скамейку запасных. Причем, чем больше матчей проанализирует алгоритм, тем точнее будет оценка вклада каждого игрока.
