Роман с Data Science. Как монетизировать большие данные

С интернет-рекламой все стало проще. Все ссылки помечаются специальными тегами, например utm-метками. Обратите на них внимание, когда кликаете на рекламе. После перехода на сайт на компьютер пользователя записываются так называемые куки-файлы (cookies), по которым сайт узнает этого посетителя, когда он туда вернется. С помощью этого механизма можно отследить покупки пользователя, сделанные через несколько дней или недель после перехода с рекламы. Не правда ли, что это выглядит намного точней, чем при традиционной офлайн-рекламе? Именно так я наивно и считал в далеком 2005 году, когда только начал заниматься оценкой эффективности рекламы в онлайне. Тогда не было такого количества рекламы и перекрестных переходов, поэтому ее влияние отслеживалось хорошо.

В наши дни рекламы стало не просто много, а очень много, и пользователь перед покупкой порой делает несколько переходов с разных источников рекламы. Вначале он может искать что-то в поисковике, перейти на сайт интернет-магазина c поисковой рекламы, сделать в магазине пару кликов, уйти с сайта. Через несколько дней он может вернуться на сайт с так называемой ретаргетинговой рекламой (например, этим занимается уже известная нам Criteo), зарегистрироваться в магазине, бросить товар в корзину и уйти с сайта. Скорее всего, через несколько часов или даже минут он (или она) получит письмо – «вы забыли оформить заказ, ваш товар уже в корзине». Пользователь возвращается на сайт магазина из письма и совершает заказ. Внимание, вопрос: благодаря какой рекламе пользователь сделал покупку? Кажется очевидным, что если бы не его первый переход из поисковой системы, магазин точно не получил бы заказ. Но как быть с остальными двумя – ретаргетинговой рекламой и письмом с просьбой завершить заказ? Действительно ли они повлияли на результат в этой цепочке переходов?

В стандартных инструментах веб-аналитики обычно выигрывает последний клик (last click attribution). В нашем примере это письмо о забытом заказе, но его бы не было без первых двух переходов. Это называется проблемой реатрибуции – когда разные источники рекламы «бьются» между собой за заказ. Как посчитать эффективность рекламы, если было несколько разных переходов с источников рекламы перед целевым действием, например заказом? Чтобы ответить на этот вопрос наверняка, нужно провести А/Б-тест – половине людей показывать ретаргетинг, другой – нет. Половине людей отправить письмо, другой – нет. А если эффективность ретаргетинга и email зависят друг от друга? В теории можно было бы сделать сложный многофакторный тест – но на практике это невыполнимо. А/Б-тесты такого типа в интернет-рекламе – очень сложные и достаточно дорогие, так как приходится отключать часть интернет-рекламы, а это падение выручки. Многие великие умы бьются над созданием альтернативных способов расчета эффективности рекламы. Возможно, рано или поздно они выработают систему, в основе которой будет лежать некий вероятностный подход: например, давать больший вес начальным переходам. Чтобы построить такую модель, нужно сделать много А/Б-тестов, которые обойдутся очень дорого, но при этом все равно получить некую частную, а не общую модель, которую невозможно распространить на всю индустрию.

В рекламной веб-аналитике вы еще встретитесь с двумя терминами – сквозная аналитика и когортный анализ. Под сквозной аналитикой обычно понимают работу с клиентом на индивидуальном уровне: от показа рекламы до отгрузки заказа отслеживания последующих действий заказчика. Это делается с помощью уникальных идентификаторов клиента (ID), с помощью которых его «ведут» в разных системах, от рекламных до логистических. Благодаря этому можно считать затраты на рекламу и обработку заказов с точностью вплоть до индивидуального клиента, пусть и с некоторым приближением.

Когорта в маркетинге – это группа людей, которые совершили определенное действие в заданный промежуток времени. Под когортным анализом подразумевается отслеживание таких однородных групп клиентов. Самое главное его назначение – расчет LTV (Life Time Value), количества денег, которые приносит клиент за определенный промежуток времени. Предположим, вы определили, что этот период будет составлять три месяца, и решили считать LTV первого числа каждого месяца (рис. 12.1). Каждый расчетный месяц аналитик будет «смотреть» на клиентов, которые совершили свой первый заказ или регистрацию три месяца назад, и считать их покупки за эти три месяца, потом делить это число на число клиентов. Для такого расчета нельзя использовать клиентов, которые совершили первое действие четыре или два месяца назад.

Рис. 12.1. Расчет LTV

Внутренняя веб-аналитика