📁 Атрибуция и измерение

Короткий ответ MTA зависит от наблюдаемости пользовательских касаний и не видит многие офлайн-эффекты; MMM требует длинных рядов и может путать каналы, которые менялись одновременно. Как это работает подробнее MTA строится на индивидуальных пользовательских путях и поэтому зависит от качества трекинга на уровне пользователя, не может напрямую учитывать офлайн-каналы или эффекты, не привязанные к клику, например брендовую узнаваемость, влияющую на прямые заходы; MMM работает на агрегированных временных рядах расходов и результатов по каналам, устойчив к потере индивидуального трекинга и может включать офлайн-каналы, но требует длительных исторических рядов данных и чувствителен к корреляции между одновременно работающими каналами. Корреляция между каналами, например одновременный рост расходов на ТВ и digital в период сезонной распродажи, — одна из главных технических сложностей MMM, так как модели сложно статистически разделить вклад каналов, которые растут и падают вместе. Что использовать на практике Примен

Читать полностьюincrementality

Короткий ответ Data-driven обучается на наблюдаемых конверсионных и неконверсионных путях; неполный трекинг и ограниченная выборка снижают надёжность её выводов. Как это работает подробнее Data-driven модель обучается на исторических конверсионных и неконверсионных путях аккаунта, сравнивая вклад каждого канала или точки касания в вероятность конверсии; при малом объёме данных платформа может упрощать правило или давать нестабильные веса от периода к периоду. Некоторые платформы ограничивают минимальный период накопления данных перед переходом на data-driven, и до достижения порога модель может автоматически работать по упрощённому правилу, о чём не всегда явно сообщается в интерфейсе. Что использовать на практике Проверьте требования платформы к данным, стабильность весов и изменение бюджетных решений при параллельном расчёте с прежней моделью. Подводные камни Не переходите на сложную модель только из-за её названия: модель атрибуции не доказывает инкрементальность канала.

Читать полностьюconversion-data

Короткий ответ MTA детализирована, но уязвима к неполному трекингу; MMM агрегирует каналы, требует длинной истории; эксперимент даёт причинную оценку, но стоит времени и части краткосрочного результата. Как это работает подробнее MTA и атрибуция кабинета дают частые, детализированные, но потенциально смещённые сигналы, не измеряющие инкрементальность и уязвимые к потере данных трекинга; MMM агрегирует данные на уровне каналов и времени, устойчивее к потере индивидуального трекинга, но требует длинных рядов данных и медленнее реагирует; эксперименты вроде holdout или geo-lift дают наиболее надёжную оценку причинного эффекта, но дороги, медленны и не покрывают все каналы одновременно. На практике у многих компаний решающим ограничением оказывается не методологическая сложность, а отсутствие длинных и чистых исторических рядов данных по расходам и продажам, без которых ни MMM, ни надёжная калибровка атрибуции невозможны. Что использовать на практике Определите решения, которым нужна высокая точность, сочетайте м

Читать полностьюgeo-experiment

Короткий ответ Смена модели может изменить CAC и доли каналов, а значит, повлиять на бюджеты, бонусы и внешнюю отчётность. Как это работает подробнее Смена модели измерения затрагивает не только маркетинг: продуктовые команды могут использовать атрибуцию для оценки ценности фич, например «фича X увеличивает LTV привлечённых через неё клиентов», а финансовые команды закладывают CAC и ROAS в прогнозы и бюджетирование; изменение методологии без согласования может рассинхронизировать отчётность разных команд и подорвать доверие к цифрам в целом. Если компания отчитывается о маркетинговых результатах перед внешними инвесторами или советом директоров, смена методологии измерения может потребовать отдельного пояснения и во внешней отчётности, а не только во внутренних документах команды. Что использовать на практике Проведите параллельный расчёт по старой и новой методике, зафиксируйте решение в едином источнике и согласуйте переходный период с финансами и продуктом. Подводные камни Локальное изменение методологии б

Читать полностьюattribution-model

Короткий ответ Модели по-разному распределяют заслугу между верхом и низом воронки; охватные каналы могут выиграть в отчёте, а брендовый поиск — потерять. Как это работает подробнее Разные модели атрибуции по-разному распределяют заслугу между верхней и нижней частью воронки; переход, например, на модель, более щедрую к верхним этапам, обычно увеличивает видимую эффективность охватных и имиджевых каналов и уменьшает видимую эффективность закрывающих каналов типа брендового поиска, хотя реальная инкрементальная ценность каналов не изменилась. Модель атрибуции влияет не только на бюджет, но и на внутренние рейтинги эффективности подрядчиков и агентств, если компания работает с несколькими агентствами по разным каналам и сравнивает их результаты между собой. Что использовать на практике Зафиксируйте методологию в регламенте, покажите исторический прогон заинтересованным сторонам и предусмотрите переходный период, если KPI связаны с вознаграждением. Подводные камни Тихая смена отчётной логики подрывает доверие и

Читать полностьюattribution-model

Короткий ответ Непротестированные каналы оценивают косвенно — по атрибуции, аналогам или экспертной гипотезе; насыщенность аудитории влияет на правдоподобие такого переноса. Как это работает подробнее Для протестированных каналов и регионов решение основано на измеренном lift; для непротестированных приходится использовать косвенные ориентиры — аналогии с похожими по характеру каналами или регионами, долю в атрибуции с понижающим коэффициентом, экспертную оценку зрелости канала, так как новый канал с большей вероятностью имеет более высокую инкрементальность, чем насыщенный ретаргетинг. На практике многие компании используют промежуточный инструмент — «коридоры уверенности» для каждого канала, например доверяем атрибуции в диапазоне ±20%, а при большем отклонении от ожиданий включаем дополнительную проверку, а не бинарное решение «доверяем/не доверяем». Что использовать на практике Составьте план тестов по доле бюджета и риску неопределённости, задайте диапазоны уверенности и дату пересмотра непроверенных доп

Читать полностьюbudget-allocation

Короткий ответ Все три модели применяют заранее заданное распределение к пути пользователя. Ни одна сама по себе не измеряет, произошла бы конверсия без канала. Как это работает подробнее Все три модели — это фиксированные эвристики, в отличие от data-driven, которая считает веса статистически, поэтому они не «угадывают» реальный вклад канала, а применяют заранее заданное правило распределения. Кроме перечисленных моделей, некоторые платформы предлагают собственные гибридные модели с настраиваемыми весами по этапам, что фактически является ручной калибровкой эвристики под ожидания конкретного бизнеса. Что использовать на практике Используйте linear как нейтральную отправную точку, position-based для ценности начала и завершения пути, time-decay — если поздние касания ожидаемо важнее; фиксируйте модель и период. Подводные камни Смена модели меняет видимые доли каналов без изменения продаж. Не принимайте распределение заслуг за инкрементальность.

Читать полностьюlinear-attribution