Главная » Хабрахабр » Концепция взаимодействия рекламных каналов и ее применение на практике

Концепция взаимодействия рекламных каналов и ее применение на практике

Осмысленность отчетов о рекламных кампаниях(РК) значительно упрощает людям жиз… оптимизацию расходов. В процессе повышения уровня этой осмысленности, мы нашли один очень эффективный способ максимизировать рентабельность, принимая во внимание то, что мы назвали «взаимодействием каналов»(интеракцией каналов).


Оригинал: caricatura.ru

Как вы, наверное, знаете, маркетинговый канал — это группа источников трафика, объединенных в определенные категории. Для начала повторим основы цифрового маркетинга в двух предложениях. Когда пользователь посещает несколько каналов в рамках кампании, он создает цепочку. Наиболее широко используемые каналы: organic search, direct email и т.д. Ну или вообще не касаться, но это нас не волнует. Так как пользователи не на конвейере сделаны, поэтому каждый может касаться разных каналов и в разном порядке. Чтобы измерить влияние различных структур в цепочках на скорость конверсии, мы решили использовать метрику, которую мы назвали взаимодействием каналов.

Мы также узнали, как можно повысить CR, исключив наименее полезный маркетинговый канал. Наши эксперименты показали, что когда пользователи взаимодействуют только с одним маркетинговым каналом на всей своей цепочке, коэффициент конверсии(CR) падает раза в 3-5. Про это все мы сейчас и расскажем.

Суть взаимодействия каналов

Модели атрибуции, которые есть в Google Analytics(GA), зачастую дают довольно однообразные результаты, поскольку большинство цепочек РК содержат только один канал. Назовем такие цепочки, которые содержат только один канал простыми. И можно смело использовать один "Last Touch", который скажет, эффективен ли конкретный канал по сравнению с другими. Но хочется высказаться выразительнее, и сейчас мы расскажем как.

Коэффициент конверсии для этой цепочки будет отличаться от того, если бы пользователь только нажимал на каналы А или В. Предположим, что пользователь коснулся двух разных маркетинговых каналов, прежде чем совершить покупку, мы назовем их каналами А и В. Параметры данных: Наше исследование показало — чем с большим количеством каналов взаимодействует с пользователь, тем выше вероятность его конвертации, при одинаковой длине цепочки. (привет от капитана очевидность)
Чтобы не быть голословными, мы покажем пару графиков, которые мы взяли из реальных данных РК.

  • Длина цепочки: 4
  • Количество используемых каналов: 5

Рис. 1(a) Количество уникальных каналов в цепочке vs количество таких цепочек

Рис. 1(б) Коэффициент конверсии цепочек vs количество уникальных каналов в цепочке.

На первом графике показано количество уникальных маркетинговых каналов, найденных в цепочке. Второй график показывает, как коэффициент конверсии зависит от количества уникальных каналов в каждой цепочке. По мере того, как количество уникальных маркетинговых каналов в цепочке растет, увеличивается и коэффициент конверсии.

Таким образом, внимательное изучение количества каналов, которое пользователи успели пощупать перед конверсией, может существенно повлиять на коэффициент конверсии. Графики показывают, что хотя цепочки с 4 уникальными каналами встречаются довольно редко, они конвертируются в 3 раза чаще, чем простые цепочки.

Как считать уровень взаимодействия?

На рисунке 1(б) нам интересна форма графика. Он растет быстрее чем линейно. Это нам говорит, что каналы вместе имеют некоторую значительную интеракцию, позволяющую увеличить общую конверсию. А какие еще могут быть варианты формы графика зависимости конверсии от количества уникальных каналов в цепочках?

Рис.2. Гипотетические варианты зависимости конверсии от количества уникальных каналов в цепочке.

Достаточно нескольких.
Синяя линия — взаимодействие между каналами значимо. Зеленая линия — взаимодействие между каналами ограничено, не обязательно стремиться, чтобы люди ходили через все эти каналы. Все каналы можно рассматривать по отдельности.
Желтая линия — каналы друг другу вредят. Чем больше люди пройдут каналов, тем больше вероятность конверсии.
Красная линия — взаимодействия нет. Чем больше пользователь проходит каналов, тем меньше вероятность конверсии.

Один расскажет нам о форме графика, другой об некотором абсолютном значении взаимодействия. Можно посчитать два типа коэффициентов.

Из этих цепочек максимально получается цепочка с $C $ уникальными каналами с конверсиями. Пусть у нас есть $N$ цепочек одной длины $M$. Тогда о форме графика расскажет такой показатель:
Есть функция средней CR от количества уникальных каналов $f(c)$, где $c\le C$, $c \in \mathbb$.

$H_s = \frac{1}{C|f(C)|}\sum_{i=1}^{C}(f(c_i)-f(1))$

Если $0.5 < H_s < 1$ — взаимодействие ограничено, если $0 < H_s < 0.5$ — взаимодействие значимо. Если $H_s < 0$ — каналы друг другу вредят. Если $H_s > 1$ — зависимость не монотонная. По-сути это показатель сильно инспирированный AUC ROC.

Абсолютное значение взаимодействия можно рассчитать таким образом:

$H_a = \sum_{i=1}^{C}(f(c_i)-f(1)) $

По-сути, это простейшее приближение площади под (или над) графиком, приведенным к нулю. Любой, кто знает как интегрировать, может сам ее посчитать.

Если мы уберем из рассмотрения все цепочки, кроме содержащих два нужных нам канала, мы можем оценить как они друг на друга влияют простым вычитанием, потому что у нас остается всего два канала (C=2). Осталось только рассказать, как сравнивать конкретные каналы таким образом.

Соответственно:

$H_a =f(C)-f(1) $

Перебирая все пары каналов(на самом деле можно меньше половины), можно построить таблицу взаимозависимостей для нашего примера (в данном случае брались цепочки длины 3 и первые 4 канала):

Названия каналов

0

1

2

3

0

0

0.064

-0.036

0.082

1

0

-0.032

-0.0017

2

0

-0.028

3

0

По диагонали этой таблицы стоят 0, потому что это взаимодействие канала с самим собой и таблица симметрична относительно диагонали. Из нее видно, что нулевой канал хорошо влияет на первый и третий в плане конверсии, а вот с остальными интеракциями проблемы. Для практики такого обычно достаточно.

Как считать количество взаимодействия в РК?

Вот мы убедились, например, что у нас все хорошо с взаимодействием каналов и они друг на друга положительно влияют. Но мы все еще не знаем насколько сильный эффект это дает. Может взаимодействие между каналами есть, а интеракций мало происходит.

Но в этот раз 1(а). Попробуем поступить так же как в предыдущем случае, посмотрим на рисунок. Логично приближать ее обычной линейной регрессией. По наклону этой «прямой» можно судить о том, как падает количество цепочек с увеличением количества уникальных элементов. Т.е. В данным случае наклон регрессии будет -522. Для цепочек длины 4, количество цепочек в которых есть 2 уникальных канала, а не 1, на 522 меньше, чем цепочек полностью составленных из одного канала.

05 до 0. Если мы предположим, что у нас 1600 цепочек с одним каналом и положительный сдвиг конверсии при переходе от цепочек с одним уникальным каналом к цепочкам с двумя 0. Но есть вполне обоснованное предположение, что если этот наклон уменьшится, то конверсия повысится тоже, а не просто увеличится количество людей для той же конверсии. 1, то уменьшив наклон с -500 до — 200, например, мы получим на 30 конверсий больше при том же конверсионном показателе для цепочек с двумя уникальными каналами.

Выбор правильных каналов для вашей кампании

Ну и вот. Главный вопрос, который все постоянно задают: «Какие маркетинговые каналы мы должны использовать, чтобы сделать наиболее эффективную комбинацию?». Существует общепринятое эмпирическое правило: Чем больше каналов вы изначально используете, тем лучше. Затем, после тестирования, вы теоретически можете определить, какие из них удалить из кампании. Главной тут проблемой на практике всегда был критерий, который бы позволял удалить тот или иной канал из РК. Вдруг вы удалите какой-нибудь, а он все остальное хуже сделает, хотя вроде напрямую сам ничего не приносит? Мы провели эксперимент, который бы позволил разрешить эту трудность

Оптимизация РК

Самое простое: Просто исключив канал с наименьшим количеством взаимодействия мы вырастили средний по больнице CR с 1,58% до 2,1%. Эксперимент проводился при условии, что маркетинговые расходы были одинаковыми по всем каналам.

Канал с низким уровнем взаимодействия часто является популярной платформой, такой как Facebook. Но не спешите бежать и сразу так делать. Это связано с тем, что у этих больших платформ не всегда много конверсий, но всегда много показов. Его устранение может привести к потере клиентов. Это также было сделано при условии, что каждый канал стоит одинаково. Поэтому мы решили нормализовать данные, используя показы, а не переходы по кликам, чтобы определить общую эффективность.

Когда мы исключили два самых низкоэффективных по этим критериям канала из нашей кампании, средний коэффициент конверсии снизился с 1,58% до 1,54%. При сравнении каналов с различными затратами мы разделили коэффициенты конверсии на стоимость каналов, чтобы оценить их истинную эффективность. Однако расходы сократились на 28,9%, что привело к снижению цены за клик на 28%!

Общий эффект зависит от выбранных переменных для расчета ROI для данного продукта. Таким образом, снижение CR не обязательно означает, что вы впустую тратите рекламные доллары.

Что следует учитывать при использовании метрик взаимодействия каналов?

  1. Не создавайте видимость взаимодействия каналов, вставляя ненужные ссылки. Это может затруднить эффективную оценку реального взаимодействия.
  2. Если канал не взаимодействует с остальными и не очень эффективен сам по себе, избавьтесь от него.
  3. Проводите A/B тест, чтобы выяснить, почему пользователи выбирают конкретное взаимодействие.
  4. Вы можете узнать, что ваша кампания движется в правильном направлении, даже до фактических конверсий. Когда количество взаимодействия каналов увеличивается, вы уже знаете, что ваша кампания на правильном пути.
  5. Не используйте только один аналитический инструмент, даже если он явно лучший. Разнообразие методов всегда улучшает результаты.

Дополнительные свидетельства взаимодействия (раздел для нердов)

Опытный аналитик постарается доказать вам, что концепция взаимодействия каналов — это просто хитрая манипуляция данными. Например, можно предположить, что существует очень эффективный канал, который еще и любит встраиваться во все цепочки подряд. И поэтому, чем больше уникальных каналов в конкретной цепочке, тем больше вероятность, в ней есть этот МЕГА канал, который и повышает конверсию. От этого и возрастающая зависимость на рис 1(б).
Но нет.

Свидетельство 1

Чтобы опровергнуть вышесказанное, приведем два графика из одних и тех же наборов данных. На первом рисунке показано количество касаний, которые получает каждый канал, если для него выбрать все простые цепочки. Второй график показывает, как конвертируется каждый конкретный канал если для него выбрать все простые цепочки.

Рис. 3(a) Количество простых цепочек конкретного канала

Рис. 3(б) Коэффициент конверсии простых цепочек конкретного канала

Как видно из графиков, самый популярный канал не самый эффективный, а эффективность любой равномерной цепочки не превышает 17,5%. Раскроем последствия этого факта:

3(а), канал 1 является самым популярным. Как видно из рис. Поэтому, если у нас есть цепочка и мы не уверены, какие каналы в ней, мы можем быть уверены, что канал 1 скорее всего появится где-то в (не простой) цепочке.

Канал 1 для длины цепочки 4 имеет среднюю CR 0,075 на рис. Если бы у канала 1 была лучшая CR, мы могли бы приписать увеличение в CR для непростых цепочек этому каналу, но нет. 3, как это было на рис. 3(б), а не 0. Из этого становится ясно, что взаимодействии каналов все-таки существует. 1(б), в котором было 4 уникальных канала в цепочке.
Таким образом, коэффициент конверсии конкретного отдельного канала или его «популярность» не могут объяснить более высокие коэффициенты конверсии, обнаруженные в не простых цепочках.

Свидетельство 2

Мы использовали имеющиеся данные для создания простой математической модели, которая позволяет нам пересчитать вероятность конверсии без учета взаимодействия каналов. В моделировании «без взаимодействия» мы получили общий коэффициент конверсии 0.3%, а не 1.58%.

Мы также запустили это моделирование еще для двух других наборов данных.

Рис. 4(a) Набор данных 1. Эксперимент (синий) в сравнении с моделью (зеленый)

Рис. 4(б) Набор данных 2. Эксперимент (синий) в сравнении с моделью (зеленый)

Графики для обоих наборов данных ясно показывают, что отсутствие взаимодействия в канале значительно снижает CR. Это еще одно дополнительное свидетельство, что взаимодействие вещь достаточно важная.

Если кому-то будет это интересно, мы и саму модель распишем в отдельной статье, но она настолько простая, что вы и сами можете догадаться как ее сделать.

S. P. Подписывайтесь на наши страницы в VK, FB или Telegram-канал, чтобы узнавать обо всех наших публикациях и других новостях компании Maxilect. Мы публикуем наши статьи на нескольких площадках Рунета.


Оставить комментарий

Ваш email нигде не будет показан
Обязательные для заполнения поля помечены *

*

x

Ещё Hi-Tech Интересное!

Внедряйте статический анализ в процесс, а не ищите с его помощью баги

Написать эту статью меня сподвигло большое количество материалов о статическом анализе, всё чаще попадающихся на глаза. Во-первых, это блог PVS-studio, который активно продвигает себя на Хабре при помощи обзоров ошибок, найденных их инструментом в проектах с открытым кодом. Недавно PVS-studio ...

[Перевод] Как рендерится кадр Rise of the Tomb Raider

Rise of the Tomb Raider (2015 год) — это сиквел превосходного перезапуска Tomb Raider (2013 год). Лично я нахожу обе части интересными, потому что они отошли от стагнирующей оригинальной серии и рассказали историю Лары заново. В этой игре, как и ...