Как строить маркетинговые модели атрибуции на базе сырых данных Яндекс Метрики — гайд

Люди редко совершают покупку сразу: чаще они несколько раз заходят на сайт, видят рекламу, читают рассылки и т. д. Чтобы понять, какие из этих действий реально приводят к покупке, важно правильно оценивать их эффективность с помощью разных моделей атрибуции. Иначе можно ошибочно списать хороший источник как неэффективный.

Подробно о том, что такое модели атрибуции, разбирали в материале:

• Модели атрибуции в Яндекс Метрике: что это и какую выбрать

Благодаря Яндекс Метрике можно сразу, в веб-интерфейсе отчетов, оценивать эффективность источника по различным моделям атрибуции. Модель атрибуции влияет на то, как источнику трафика присваиваются визит и конверсия.

Как видно, в интерфейсе Яндекс Метрики нам недоступны такие популярные модели, как:

• линейная;

• модель с учетом давности взаимодействий;

• U-модель (основанная на позиции).

Также мы не можем анализировать по своей атрибуции, например, «Последний переход из определенного канала», а не только из Яндекс Директа. Однако оценивать вклад источников в успешные конверсии по таким моделям атрибуции можно на основе сырых данных, полученных с помощью Logs API Яндекс Метрики.

В этой статье расскажем, как за пять шагов сделать подобный анализ за пределами веб-интерфейса Яндекс Метрики с помощью Python и SQL:

• Шаг 1. Подготовить данные

• Шаг 2. Настроить окно атрибуции

• Шаг 3. Доработать таблицы для моделей атрибуции

• Шаг 4. Построить модели атрибуции

  • линейная модель

  • модель с учетом давности взаимодействий

  • модель «Последний переход из определенного канала» (на примере Flocktory)

  • U-модель

• Шаг 5. Объединить в единую таблицу

• Заключение

Шаг 1. Подготовить данные

С помощью Logs API можно выгрузить неагрегированные (сырые) данные, которые собирает Яндекс Метрика. После этого нужно подготовить предварительные таблицы и уже потом строить наши атрибуции. Нам нужно получить поля:

• идентификатор визита;

• идентификатор посетителя;

• дата и время визита;

• источник трафика;

• информацию о UTM-метках (чтобы узнать, какой точно платный источник);

• идентификатор покупки;

• доход от покупки.

Первым делом нам нужно получить OAuth-токен, который позволит подключаться к Logs API Яндекс Метрики. Для этого:

1. Создайте приложение по инструкции.

2. Получите OAuth-токен по инструкции.

3. Запросите данные с помощью Logs API в Google Collab с использованием OAuth-токена.

Шаг 2. Настроить окно атрибуции

В Яндекс Метрике по умолчанию применяется окно атрибуции — это период, в течение которого визиты одного пользователя считаются частью одной истории взаимодействия с сайтом. Например, если человек не заходил на сайт больше 90 дней, его предыдущие визиты перестают учитываться, и при следующем заходе начинается новая история.

Это значит, что источник нового визита после перерыва в 90 дней будет считаться первым переходом. Изменить продолжительность этого окна в интерфейсе Метрики, к сожалению, нельзя.

Если вы будете работать с сырыми данными, то сможете гибко настраивать окно атрибуции под особенности вашего бизнеса. У разных компаний и продуктов оно может сильно отличаться.

Чтобы построить правильную таблицу, учитывайте весь период взаимодействия. Если вы хотите проанализировать последние 30 дней и при этом задали окно атрибуции в 180 дней, то собирайте данные за 210 дней. Так вы не упустите важные визиты, которые могли повлиять на покупку.

Шаг 3. Доработать таблицы для моделей атрибуции

Не тратьте время и ресурсы на обработку всех визитов, а оставьте в таблице визиты только тех пользователей, которые в итоге совершили покупку. Некоторым моделям атрибуции нужны:

• данные о количестве визитов, которые были перед целевым действием;

• сведения, каким по счету был визит, в котором состоялась покупка.

Поэтому мы добавим соответствующие столбцы в итоговую таблицу.

Шаг 4. Построить модели атрибуции

В этой статье не будем подробно рассматривать все возможные модели атрибуции. Вместо этого покажем, как построить самые простые и популярные из них — те, которых нет в стандартных отчетах Яндекс Метрики:

• линейная модель;

• модель с учетом давности взаимодействий;

• модель «Последний переход из определенного канала»;

• U-модель.

Линейная модель

Линейная атрибуция — это один из самых справедливых подходов. Ее отличие в том, что она учитывает все каналы, через которые человек проходил на пути к покупке, в то время как модели «Первый переход» или «Последний переход» присваивают всю ценность одному касанию.

Линейная модель — это многоканальная модель атрибуции: весь вклад в конверсию равномерно делится между всеми источниками, с которыми пользователь взаимодействовал в пределах окна атрибуции.

Чтобы рассчитать такую модель, нужно определить, через какие каналы человек заходил на сайт (включая визит, во время которого он совершил целевое действие), а затем поровну распределить значимость между этими источниками. Расчет модели доступен по ссылке.

Модель с учетом давности взаимодействий

Эта модель строится на простой логике: чем ближе визит к покупке, тем он важнее. Первое касание считается наименее значимым, а последнее — наоборот, самым ценным.

При подсчете применяется следующее условие:

• если у пользователя был всего один визит, то 100% ценности отдается источнику, с которого начался этот визит;

• если визитов больше одного, то используется формула временного распада: 2^{(номер сессии / количество сессий)}, где полученные результаты приводятся к 100%.

Расчет модели доступен по ссылке.

Модель «Последний переход из определенного канала» (на примере Flocktory)

«Последний переход из определенного канала» — это модель, где мы специально выбираем один источник, который интересен, и присваиваем ему всю ценность конверсии, если он был в цепочке визитов. То есть если человек где-то по пути перешел, скажем, из Flocktory, и в итоге купил, то эта конверсия засчитывается именно Flocktory. Остальные каналы остаются в тени.

Похоже на модель «Последний переход из Директа» в Яндекс Метрике, но с той разницей, что мы сами решаем, какой источник для нас важен.

Чтобы рассчитать эту модель, необходимо:

1. Определить, является ли источник визита, в котором произошла покупка, целевым (в нашем примере — Flocktory). Если да, то берем его.

2. Проверить, есть ли целевой источник в предыдущих визитах пользователя, совершившего покупку. Если да, то берем его.

В остальных случаях нужно оставить источник визита без изменений.

Расчет модели доступен по ссылке.

U-модель

U-модель — это подход, при котором мы ценим и первое, и последнее касание с пользователем:

• 40% вклада уходит на первый визит;

• 40% вклада уходит на последний;

• оставшиеся 20% равномерно разлетаются между всеми промежуточными визитами, если они были.

Модель хорошо подходит для тех случаев, когда важны оба края воронки: как человек о вас узнал и как в итоге решился купить.

Эта модель ближе к реальности, чем, например, «Последний клик». Она показывает, что путь к покупке — это не один момент, а цепочка касаний, где важны и начало, и конец.

Принцип подсчета модели:

• если пользователь зашел на сайт только один раз — всё просто: весь вклад (100%) получает этот визит;

• если было два визита — делим поровну, по 50% на каждый;

• если визитов больше двух — первый и последний получают по 40%, а оставшиеся 20% делятся между всеми визитами между ними.

Расчет модели доступен по ссылке.

Шаг 5. Объединить в единую таблицу

Как правило, анализируют те источники, на рекламные бюджеты которых можно повлиять. Речь идет про рекламные источники (+ органика, если вы вкладываете деньги в SEO-оптимизацию сайта). В нашем примере мы можем управлять бюджетами источников:

• advcake;

• cityads;

• email;

• flocktory;

• yandex;

• social.

Поэтому в итоговой сравнительной таблице оставим только их.

Источник: скриншот из блокнота Google Collab

Источник: скриншот из блокнота Google Collab

Различия между моделями атрибуции могут быть существенными, поэтому используйте несколько моделей одновременно и анализируйте результаты их комбинации.

Мы оценивали только количество покупок, но было бы логичнее проанализировать и доход, если речь идет об интернет-магазине.

Заключение

Теперь вы не ограничены только стандартными моделями атрибуции, которые предлагает интерфейс Яндекс Метрики. Можно идти дальше: строить собственные модели и глубже анализировать, что реально работает в вашей рекламе.

Мы рассмотрели самые популярные модели: они хорошо подходят для базового анализа. Но это далеко не всё. Если у вас есть специфические задачи, вы можете собрать свою модель: под бизнес, продукт или даже под конкретную маркетинговую активность.

Ценность взаимодействий можно распределять не только по источникам трафика, но и по другим параметрам:

• характеристике визита;

• глубине просмотра;

• времени на сайте;

• действиям внутри сайта.

Почему бы не посчитать вклад блога, ПромоСтраницы с акцией или баннеров на сайте? Ведь это тоже точки контакта, и они могут реально повлиять на решение о покупке.

Такой гибкий подход особенно полезен, когда вы готовите медиаплан или думаете, как лучше распределить бюджет. Понимание, какие точки работают, поможет избежать слива денег в каналы, которые ничего не приносят.

Но есть один технический момент: сырые данные из Яндекс Метрики, полученные через Logs API, достаточно объемные. Особенно если выгружаются за длительный период. Поэтому:

1. Если вы хотите регулярно видеть аналитику по своей кастомной атрибуции, настройте ежедневную выгрузку данных и складывайте их в базу.

2. На основе базы считайте нужные модели и стройте визуализации, например, в DataLens или любом BI-инструменте.

Да, это требует подготовки, но зато открывает гораздо больше возможностей для принятия взвешенных маркетинговых решений.