Blog

RSS
2017/04/20 13:06

Modelowanie atrybucji w praktyce (cz. 7) Wspomaganie czy kanibalizacja

Narzędzia modelowania atrybucji mogą być pomocne przy rozwiązywaniu szeregu praktycznych problemów analityki w e-commerce. Analizując ścieżki wielokanałowe często spotkamy się z wzajemnym przeplataniem kanałów, gdzie w konwersjach uczestniczą – w różnych konfiguracjach – interakcje z różnymi źródłami ruchu. Kliknięcia z określonych źródeł mogą być zarówno ostatnimi na ścieżce konwersji, jak również pojawiać się wcześniej na tej ścieżce (mówimy o kliknięciach wspomagających).

Terminy konwersje wspomagane i kliknięcia wspomagające nie są najlepszym tłumaczeniem określeń assisted conversions i assist clicks. Słowo „wspomagane” sugeruje, że dane kliknięcie w jakiś sposób wsparło zajście konwersji, czyli że zwiększyło jej prawdopodobieństwo. Faktycznie jednak tego nie wiemy. Nie jest wykluczone, że wpływ danego kliknięcia jest znikomy, można również teoretycznie wyobrazić sobie sytuacje, w których dana interakcja ma ujemny wpływ na konwersje. Dlatego znacznie lepszym określeniem byłoby kliknięcia asystujące lub kliknięcia towarzyszące.

Pojawienie się na ścieżce określonej interakcji nie zawsze musi zwiększać prawdopodobieństwo konwersji. Jeżeli dwa źródła się przenikają, suma ich oddziaływań może być większa, mniejsza lub równa ich oddziaływaniu z osobna. Mówimy, że źródła mogą się wzmacniać (2+2=5) lub kanibalizować (2+2=3), bądź też równoprawnie uczestniczyć w oddziaływaniu na konwersje (2+2=4):

kanibalizacja adwords 0

Jedynym sposobem rzeczywistej weryfikacji, z którą sytuacją mamy do czynienia, są testy A/B, które jednak ze względów technicznych możemy obecnie przeprowadzić jedynie w przypadku remarketingu w sieci reklamowej Google.

Spróbujmy przyjrzeć się konkretnemu przykładowi. Reklamodawca e-commerce pozyskuje istotną część ruchu z reklamy w wyszukiwarce Google (AdWords) płatnej za kliknięcie (CPC), a także z programu partnerskiego (afiliacyjnego) w którym rozlicza się za sprzedaż (CPA).

Reklamodawca wie, że cześć ruchu z AdWords to ruch związany z marką, którego porównywanie z innymi źródłami nie ma sensu. Dlatego dla potrzeb analizy wydziela zgrupowanie ścieżek wielokanałowych AdWords Search Non-Brand w którym zawarte są tylko słowa kluczowe nie związane z marką. W Google Analytics reklamodawca widzi dane o transakcjach z poszczególnych źródeł:

kanibalizacja adwords 00

Okazuje się jednak, że liczby te w żaden sposób nie przystają do danych, które raportuje mu agencja zarządzająca AdWords, ani do tych danych o sprzedaży, które raportuje administrator programu partnerskiego, na podstawie czego naliczana jest prowizja CPA dla partnerów. Każdy twierdzi, że konwersji wygenerowanych przez niego jest znacznie więcej!

Co jest przyczyną tych różnic? Nie, nie są nią straty danych wynikające z próbkowania czy też inne „błędy” Google Analytics. Podstawową przyczyną są różne modele atrybucji stosowane przez każdy z systemów raportowania:

  • Google Analytics przypisuje transakcje do ostatniej wizyty niebezpośredniej w okresie ostatnich 6 miesięcy (jeśli stosowane jest ustawienie domyślne).
  • Sieć partnerska (afiliacyjna) przypisuje konwersje do ostatniego kliknięcia w link partnera w okresie 90 dni przed konwersją (zgodnie z regulaminem programu partnerskiego).
  • W Google AdWords transakcje przypisywane są do ostatniego kliknięcia w link AdWords w okresie 90 dni przed konwersją (zastosowano ustawienie niestandardowe, domyślnie jest to 30 dni).

Dla systemów śledzenia konwersji sieci afiliacyjnej oraz dla AdWords nie ma znaczenia to, że wcześniej lub później dany użytkownik wchodził z innych źródeł. Jeśli chociaż jedna z interakcji była kliknięciem w link afiliacyjny / reklamę AdWords, każdy z systemów będzie „rościł prawa” do tej konwersji. Znaczy to, że w niektórych sytuacjach zarówno AdWords jak i program partnerski w swoich systemach będą raportowały daną transakcję jako „swoją”, podczas gdy w raporcie Google Analytics transakcja ta będzie mogła mieć jeszcze inne źródło (np. Facebook).

Porównanie modeli atrybucji

Dzięki własnym modelom atrybucji możemy odwzorować w Google Analytics modele stosowane przez zewnętrzne systemy śledzenia konwersji. Spróbujmy więc uzyskać raporty, które przypiszą konwersje tak, jak to wygląda z punktu widzenia AdWords oraz systemu afiliacyjnego.

Aby to osiągnąć, stworzymy modele atrybucji, które przypiszą konwersje (a) do ostatniego kliknięcia w reklamę AdWords nie związaną z wyszukiwaniem marki oraz (b) do ostatniego kliknięcia afiliacyjnego.

Dla lepszego porównania ze standardowym raportowaniem, stosujemy metodologię non-direct z wykorzystaniem modeli awaryjnych, czyli unikamy przypisania konwersji do ruchu bezpośredniego, jeśli tylko jest to możliwe.

kanibalizacja adwords 2

Dzięki tym modelom widzimy, ile konwersji miało na swojej ścieżce AdWords Search Non-Brand (3172) i afiliację (471).

Dane modelu Last Affliate Click powinny pokrywać się z tym, co raportuje system afiliacyjny. W stosunku do raportów konwersji w panelu AdWords, w modelu Last AdWords Non-Brand Search Click wystąpią różnice wynikające z wydzielenia konwersji dla słów typu brand (związanych z wyszukiwaniem marki). Jeżeli po kliknięciu w słowo non-brand nastąpi kliknięcie w słowo brand i konwersja, w modelu atrybucji Last AdWords Non-Brand Search Click zostanie ona przypisana do słowa non-brand, podczas gdy w AdWords będzie ona przypisana do słowa związanego z marką, które wystąpiło bezpośrednio przed konwersją. Aby upewnić się co do poprawności raportowania, można uzgodnić liczbę konwersji stosując np. systemowy model Ostatnie kliknięcie AdWords, ale i w tym przypadku pozostaną różnice wynikające z przesunięć czasowych: w AdWords konwersja przypisywana jest (wstecznie) do momentu ostatniego kliknięcia, a w raportach Google Analytics konwersja zostanie zaraportowana w dacie zajścia konwersji. 

Widzimy też drastyczny spadek konwersji przypisanych do kanału Affliate w modelu Last AdWords Non-Brand Search Click (non-direct). Model ten w razie braku interakcji z kanałem AdWords Search Non-Brand przypisuje konwersję do ostatniego kliknięcia niebezpośredniego. Aby zobaczyć, ile konwersji z afiliacji pokrywa się z konwersjami z AdWords Search Non-Brand, w modelu tym zmodyfikujemy zasady modelu awaryjnego: teraz w razie braku na ścieżce interakcji z AdWords Search Non-Brand, spróbujemy przypisać konwersję do Affiliate, jeśli taka interakcja na danej ścieżce wystąpiła:

Last AdWords fallback affiliate

Dzięki temu modelowi widzimy, że 80,89% konwersji, które miały na ścieżce kanał Affiliate, miały również na ścieżce kanał AdWords Search Non-Brand:

kanibalizacja adwords 18

Analogiczna analiza w stosunku do kanału AdWords Search Non-Brand pokazuje, że 18,66% konwersji które miały na ścieżce kanał AdWords Search Non-Brand, miały na niej również kanał Affiliate:

adwords affiliate 2

Widzimy więc, że konwertujący ruch z AdWords Search Non-Brand i Affiiate w znacznej części się pokrywa, ponad 4/5 konwersji afiliacyjnych pochodzi od użytkowników, którzy klikali nasze reklamy AdWords nie związane z wyszukiwaniem marki.

Zestawmy teraz modele odwzorowujące punkt widzenia AdWords Search Non-Brand i Affiiate z modelem ostatniego kliknięcia niebezpośredniego i nie związanego z wyszukiwaniem marki Last Non-Direct Non-Brand Search Click. Znacznie większy wzrost w kanale Affiliate (265,12%) w stosunku do AdWords Search Non-Brand (42,05%) wskazuje, że po kliknięciu w linki afiliacyjne znacznie częściej następują interakcje z innymi kanałami, niż w przypadku AdWords Search Non-Brand:

kanibalizacja adwords 5

Spróbujmy zobaczyć, na ile zmieni się podział konwersji, jeśli konwersję przypiszemy temu z kanałów AdWords Search Non-Brand lub Affiliate, który wystąpił jako pierwszy. W przypadku AdWords Search Non-Brand zmiana jest niewielka (3,26%) w stosunku do Affiliate (119,07%), co oznacza, że kanał Affiliate znacznie rzadziej poprzedza AdWords Search Non-Brand na ścieżce:

kanibalizacja adwords 6

Analogicznie, widzimy że Affilate rzadziej też zamyka ścieżkę:

kanibalizacja adwords 7

Częściowo wynik ten jest pochodną faktu, że kanał Affliate dostarcza znacznie mniej konwersji od AdWords Search Non-Brand.

Porównajmy teraz te kanały z wykorzystaniem systemowych modeli Liniowego, Rozkładu czasowego i Uwzględnienia pozycji. Model Liniowy traktuje wszystkie interakcje tak samo. Rozkład czasowy i Uwzględnienie pozycji próbują wziąć pod uwagę czynnik czasu i pozycji na ścieżce, co pozwala określić, który z kanałów jest jakościowo istotniejszy. Widać, że kanał Affiliate więcej traci, jeśli zastosujemy te modele:

kanibalizacja adwords 8.1

Spróbujmy jeszcze w inny sposób spróbować uwzględnić jakość dostarczanego przez kanały ruchu. Porównajmy jak zmienią się przypisania w modelu Liniowym, jeśli uwzględnimy czas spędzony na stronie lub liczbę odwiedzanych stron (głębokość wizyty). Affliliate również w tym wypadku traci więcej:

kanibalizacja adwords 9

Wreszcie, zobaczmy jak zmienią się przypisania modelu Rozkładu czasowego, jeśli uwzględnić czas na stronie i głębokość wizyty. Także w tym przypadku, Affiliate zachowuje się słabiej, niż AdWords Search Non-Brand:

kanibalizacja adwords 10

Większość modeli wskazuje więc, że kanał Affiliate wypada gorzej, jeśli uwzględnić jego pozycję na ścieżce i jakość wizyty. Na koniec zobaczmy jeszcze, jak duża część konwersji, w których brała udział sieć afiliacyjna, miała jeszcze (po kliknięciu w linki afiliacyjne) interakcje z innymi źródłami niebezpośrednimi nie związanymi z wyszukiwaniem marki:

kanibalizacja adwords 3

Widzimy, że z 471 konwersji, do których „przyznaje się” sieć afiliacyjna było poprzedzonych innymi niebezpośrednimi źródłami, nie związanymi z wyszukiwaniem marki. Innymi słowy, w modelu ostatniego kliknięcia, niespełna 7% konwersji z afiliacji miałoby prawo do prowizji CPA i to już po wykluczeniu wizyt bezpośrednich i wyszukiwań marki.

Segmenty konwersji

Segmenty konwersji w raportach ścieżek wielokanałowych i modelach atrybucji są odpowiednikiem segmentów w standardowych raportach Google Analytics. Pozwalają one na wybranie spośród ścieżek konwersji tylko tych, które nas interesują. Spróbujmy więc przeanalizować, jak wyglądają ścieżki w których kanały AdWords Search Non-Brand i Affiiate na siebie nachodzą, tzn. obydwa występują na ścieżce:

segmenty konwersji GA

Zobaczmy najpierw, jak wygląda raport ścieżek konwersji dla tego segmentu. Dla zwiększenia przejrzystości tworzymy zgrupowanie kanałów w którym zdefiniowane są jedynie AdWords Search Non-Brand i Affiiate, przez co pozostałe wizyty wystąpią jako „inne”. Jak widać, kanały te przeplatają się w bardzo różny sposób i raport ten nie powie nam zbyt wiele na temat zachodzących procesów:

kanibalizacja adwords 13

Spójrzmy na inny raport ścieżek wielokanałowych, Konwersje wspomagane. Zobaczymy w nim, że AdWords Serach Non-Brand znacznie częściej zamyka ścieżkę (czyli jest ostatnim kliknięciem) niż kanał Affiliate:

kanibalizacja adwords 14

To samo zjawisko zaobserwujemy, jeśli będziemy analizować wyłącznie segment, w którym występują zarówno AdWords Serach Non-Brand jak i Affiliate:

kanibalizacja adwords 15

Spróbujmy teraz porównać segment, w którym AdWords Search Non-Brand i Affiliate nachodzą na siebie, z segmentem, w którym wymagamy jedynie wystąpienia AdWords Search Non-Brand. Aby zapewnić porównywalność, będziemy wymagać, aby AdWords Search Non-Brand wystąpił na ścieżce przynajmniej 2 razy.

Widzimy, że ścieżki w których występuje Affliate są zazwyczaj dłuższe:
kanibalizacja adwords 16

Z raportu upływu czasu widzimy, że Affliate rzadziej występuje na ścieżkach szybko prowadzących do konwersji:

kanibalizacja adwords 17

Segmenty użytkowników – wykorzystanie sekwencji

W analizie atrybucji przydadzą się również narzędzia spoza sekcji ścieżek wielokanałowych i analizy atrybucji. Dzięki funkcjonalności sekwencji w segmentach użytkowników będziemy mogli prześledzić dodatkowe dane dotyczące zachowań związanych z poszczególnymi kanałami. Poniżej przykład definicji użytkowników, którzy weszli na stronę przez kanał AdWords Search Non-Brand, ale nie mieli interakcji z kanałem Affiliate:

segment sekwencje

Tworząc sekwencje pamiętajmy, że należy definiować je dla użytkowników (nie dla sesji). Porównajmy następujące sekwencje ścieżek:

  • Affiliate x1 – wystąpił kanał Affiliate;
  • Affiliate x2 – wystąpił kanał Affiliate przynajmniej dwukrotnie;
  • AdWords Seach NB x 1 – wystąpił kanał AdWords Search Non-Brand;
  • AdWords Seach NB x 2 – wystąpił kanał AdWords Search Non-Brand przynajmniej dwukrotnie;
  • Affiliate & No AdWords Search NB – wystąpił kanał AdWords Search Non-Brand, ale nie wystąpił kanał Affiliate;
  • AdWords Search NB & No Affiliate – wystąpił kanał Affliate, ale nie wystąpił kanał AdWords Search Non-Brand;
  • AdWords Search NB > No Affiliate – kanał AdWords Search Non-Brand poprzedzał Affiliate;
  • Affiliate > AdWords Search NB – kanał Affiliate poprzedzał AdWords Search Non-Brand.

Współczynnik konwersji części wspólnej kanałów AdWords Search Non-Brand i Affiliate zbliżony jest do współczynnika konwersji kanału Affiliate.

porownanie segmentow konwersji atrybucja affiliate

Jest rzeczą naturalną, że użytkownicy z sekwencjami zawierającymi więcej interakcji będą mieli lepsze współczynniki konwersji. Sam fakt powrotu na stronę świadczy o zwiększonej intencji zakupowej oraz zainteresowaniu daną ofertą. Dlatego w segmentach sekwencji, w których wymagana była tylko jedna interakcja, tj. Affiliate x 1 i AdWords Search NB x 1 mamy niższe współczynniki konwersji niż odpowiednio w Affiliate x 2 i AdWords Search NB x 2.

Za każdym razem, gdy na ścieżce pojawia się Affliate, współczynnik konwersji jest niższy. Czyżby to znaczyło, że kanał Affiliate ma negatywny wpływ na konwersje? Raczej nie. Negatywny wpływ wizyty na prawdopodobieństwo konwersji może mieć miejsce, gdy strona docelowa danego kanału wiąże się ze szczególnie negatywnym doświadczeniem użytkownika, przykładowo:

  • prezentuje negatywne opinie o produkcie;
  • zawiera znacznie gorsze oferty niż na pozostałych stronach docelowych lub nie oferuje części produktów, co może stworzyć wrażenie, że np. towar został już wyprzedany w tym sklepie;
  • odstrasza użytkownika od kolejnej wizyty i dokonania zakupu;
  • rozprasza użytkownika i skłania go do rozważania zakupu innego produktu (np. prezentując produkt alternatywny do szukanego, skutkiem czego użytkownik zdecydowany na zakup wraca do etapu porównywania ofert lub w inny sposób rozpraszając użytkownika).

Trzeba podkreślić, że te negatywne efekty byłyby widoczne jeśli taką niefortunną stronę docelową zastosowalibyśmy w wypadku wybranego kanału (-ów), a strony pozostałych kanałów nie zawierałyby tych błędów.

Gdyby każdy z kanałów oddziaływał na tę samą, jednolitą grupę użytkowników o zbliżonych zachowaniach, porównywanie współczynników konwersji dla różnych ścieżek mogłoby jednoznacznie wskazywać na ich wpływ na konwersję. Jednak w rzeczywistości wśród użytkowników możemy zidentyfikować różne schematy zachowań (persony). Interakcja z danym kanałem może być charakterystyczna dla określonego typu użytkownika (persony), który ze swojej natury może konwertować inaczej.

Przykładowo, wizyta na stronie pochodząca z linku umieszczonego na portalu z rozwiązaniami zadań szkolnych może wskazywać, że użytkownik ten należy do grupy wiekowej <18 lat, a grupa ta charakteryzuje się mniejszą siłą nabywczą i niższymi współczynnikami konwersji. Dlatego osoby, które na swojej ścieżce miały wizytę z tego portalu, mogą mieć gorsze współczynniki konwersji z pozostałych kanałów. To nie znaczy jednak, że ta wizyta spowodowała rezygnację z zakupu i pogorszyła efektywność innych kanałów. Ten typ użytkownika po prostu konwertuje gorzej.

Z sytuacją tego rodzaju mamy prawdopodobnie do czynienia w omawianym przykładzie: osoby, które klikają w linki afiliacyjne mogą należeć do innej grupy użytkowników, którą charakteryzują odmienne zachowania.

Konkluzje

Z uzyskanych danych możemy wyciągnąć następujące wnioski:

  • Kanały Affiliate i AdWords Search Non-Brand w znacznej mierze się pokrywają, a ponad 80% konwersji z kanału Affliate to konwersje, do których „przyznaje się” również AdWords;

nachodzenie kanalow adwords affiliate

  • Interakcja z Affiliate występuje zazwyczaj u użytkowników o dłuższych ścieżkach i dłuższym czasie od pierwszej interakcji do konwersji;
  • Wizyty pochodzące z Affiliate mają mniejszą głębokość i krótszy czas spędzony na stronie niż inne wizyty na ścieżce, a ich przeciętny czas do konwersji jest dłuższy;
  • Użytkownicy pochodzący z kanału Affiliate mają niższy współczynnik konwersji, również jeśli mają oni interakcje z kanałem AdWords Search Non-Brand.

Dało to podstawę do postawienia prawdopodobnych hipotez i wyciągnięcia dalszych wniosków:

  • Pokrywanie się kanałów może wskazywać, ze znaczna część ruchu dostarczana z kanału Affiliate pochodzi z prowadzonych przez afiliantów kampanii AdWords, kierowanych do tych samych użytkowników, do których kierowana jest nasza własna kampania (AdWords Search Non-Brand);
  • Obserwacja potwierdziła, że afilianci prowadzą kampanie AdWords kierując ruch na naszą stronę przez przekierowanie z linku afiliacyjnego; Afilianci stosują niskie stawki i wyświetlają reklamy na dalekich pozycjach, co pozwala im uzyskiwać niskie CPC, oczywiście kosztem stosunkowo niewielkiego wolumenu wizyt w porównaniu z naszą, agresywnie prowadzoną kampanią w kanale AdWords Search Non-Brand;
  • Z danych o atrybucji z systemu Google AdWords widzimy, że przeciętnie konwersja wymaga prawie 5 kliknięć w reklamę. Jeśli uwzględnić kliknięcia, które dostarczyli poprzez inne konta AdWords afilianci, będzie to już bliżej 5,5, a dodatkowo widzimy, że ścieżki kliknięć afiliacyjnych są przeciętnie dłuższe. Tymczasem afliantowi wystarczy, aby tylko jedno z tych kliknięć AdWords przeszło przez jego system, aby uzyskać prawo do swojej prowizji – pozostałe kliknięcia dostarczamy my na nasz koszt…

atrybucja z AdWords affiliate

  • Podejrzewamy, że użytkownicy, którzy klikają w reklamy na dalekich pozycjach to osoby „bardziej oszczędne”, które porównują bardzo wiele ofert, co może wyjaśniać niższy współczynnik konwersji – osoby te z większym prawdopodobieństwem wybiorą ofertę konkurencji, nawet jeśli będzie porównywalna z naszą;
  • Krótszy czas i głębokość wizyt z kanału Affliate i większy współczynnik odrzuceń może wskazywać, że użytkownicy ci częściej rezygnowali z bliższego zapoznawania się z ofertą. Brak zainteresowania może wynikać z tego, że oferta była już użytkownikowi znana z wcześniejszych wizyt z innych kanałów;
  • Niektórzy afilianci to strony oferujące kody rabatowe; głębsza analiza tych ścieżek wskazuje że większość pochodzących z nich konwersji dotyczy użytkowników, którzy wcześniej odwiedzili naszą stronę.

Prawdopodobny scenariusz jest taki, że użytkownicy sprowokowani występującym w koszyku zakupów okienkiem „Masz kod rabatowy?” zaczęli poszukiwać tych kuponów przez wyszukiwarkę i znajdowali strony afiliantów w wynikach organicznych czy nawet reklamach AdWords. Nie miało znaczenia, że aktualnie żadnych rabatów nie oferowaliśmy – użytkownik przeszedł przez link afiliacyjny po kliknięciu informacji „kod nie jest wymagany, wejdź tutaj by skorzystać ze zniżki”, co dało afiliantowi prawo do prowizji;

  • Jeśli stworzyć zgrupowanie ścieżek Search Non-Brand (paid+organic), w którym kanał AdWords Search Non-Brand jest połączony z wizytami z bezpłatnych wyników wyszukiwania (z których w ustawieniach usługi Google Analytics wykluczyliśmy słowa związane z marką), to zobaczymy że wzajemne nachodzenie na siebie konwersji pochodzących z naszych działań marketingowych w wyszukiwarce (SEM) i z afiliacji jest jeszcze większe;

kanibalizacja adwords 4

Z analizy wyłania się znacznie mniej atrakcyjny obraz opłacalności programu partnerskiego, niż wynika z raportów systemu afiliacyjnego. Czy dane są nieprawidłowe? Nie. Po prostu mają one zupełnie inne modele atrybucji. Z punktu widzenia AdWords sytuacja wygląda tak:

z punktu widzenia adwords

A tak widzi to system afiliacyjny:

konwersje wspolne

Dla każdego z tych systemów śledzenia konwersji pozostałe źródła „nie istnieją”. Systemy te owszem, raportują konwersje „last click”, ale pod warunkiem że jest to kliknięcie pochodzące z danego systemu. W ten sposób do sporej części konwersji roszczą sobie prawa obydwa źródła:

konwersje wspolne adwords affiliate

Widzimy więc, że spora część konwersji jest „wspólna”. To wciąż jednak bardzo duże uproszczenie. Porównajmy jeszcze raz przypisanie konwersji w różnych modelach atrybucji, tym razem tylko w segmencie tych „wspólnych” konwersji. Aby porównać wzajemne relacje tych dwóch kanałów, modyfikujemy model Liniowy i Rozkładu czasowego tak, aby udział w konwersji był przypisany jedynie kanałom AdWords Search Non-Brand lub Affiliate. Robimy to w ten sposób, że wszystkim pozostałym interakcjom przypisujemy wagę zerową:

model atrybucji tylko affiliate i adwords

Dodatkowo możemy porównać te modele ze standardowym modelem Rozkładu czasowego, w którym udział przypisywany jest również innym interakcjom z uwzględnieniem upływu czasu. Zobaczmy, jaka jest proporcja konwersji przypisanych do każdego z tych kanałów. Zmodyfikowany model liniowy pokazuje, że w przypadku wspólnych konwersji, interakcji AdWords Search Non-Brand jest dwa razy więcej niż Affiliate (66,77% vs. 33,23%):

wspolne konwersje rozklad atrybucji

Jeśli spojrzeć na modele rozkładu czasowego, waga przesuwa się w kierunku AdWords Search Non-Brand, co oznacza że Affiliate znajduje się dalej na ścieżce (co wykazywały już wcześniejsze analizy). W uproszczeniu, ścieżki tych „wspólnych” konwersji mogłyby przeciętnie wyglądać tak:

wspolne konwersje atrybucja graf

Szare strzałki reprezentują interakcje z pozostałymi kanałami.

Typowy problem

Taka sama sytuacja będzie miała miejsce przy porównaniu z każdym autonomicznym systemem śledzenia konwersji, czy będzie to AdWords, Facebook Ads czy system raportowania dostawcy reklam RTB. Wzajemne przenikanie kanałów powoduje, że jeśli dodać do siebie konwersje, w których uczestniczył każdy z nich, to suma ta może okazać się wyższa, niż łączna liczba wszystkich konwersji!

Podzielmy nasze konto AdWords na kilka kont z oddzielnym śledzeniem konwersji, z których będziemy równolegle prowadzić kampanie, a zobaczymy łącznie więcej konwersji, niż kiedy wszystkie kampanie były prowadzone z jednego konta. Faktycznie jest ich jednak tyle samo!

Konwersje z remarketingu AdWords są deduplikowane z innymi konwersjami z tego konta AdWords (np. z reklamami z wyszukiwarki), ale jeśli zdecydujemy się oddać remarketing w ręce firmy zewnętrznej, to tej deduplikacji już nie będzie. W raportach „poprawi się” nam konwersyjność reklam AdWords w wyszukiwarce (remarketing już nie będzie im „zabierał” konwersji). Z kolei remarketing prowadzony zewnętrznie będzie wykazywał z tego powodu dodatkową efektywność, ale dane te nie będą porównywalne z wcześniejszymi wynikami remarketingu w AdWords – na korzyść zewnętrznego systemu. W rzeczywistości jednak konwersji wcale nie musi przybyć.

Te rozbieżności często tłumaczone są niedokładnością zbierania danych przez Google Analytics. Słyszymy: „te dane się nigdy nie zgadzały”. Nic bardziej błędnego. Jeśli Google Analytics jest poprawnie zaimplementowany, ewentualne niedokładności śledzenia konwersji będą nieistotne z punktu widzenia decyzji optymalizacyjnych. Pomijanie aspektu przenikania się kanałów i modelowania atrybucji powoduje, że za te same konwersje będziemy płacić kilkukrotnie.

Zdarza się, że brak analizy atrybucji ze strony reklamodawców jest wykorzystywany przez „sprytnych” partnerów programu afiliacyjnego. Próbują oni znaleźć się na ścieżce konwersji użytkowników uczestniczących w wielu interakcjach, otrzymując pełną prowizję za doprowadzenie do sprzedaży, mimo że ich faktyczny wkład w konwersję jest niewielki, znikomy czy wręcz negatywny. Zob. też artykuł Pułapki performance marketingu.

Decyzje

Stworzenie programu afiliacyjnego miało na celu pozyskanie dodatkowych użytkowników i wyjście poza działania w wyszukiwarce. Punktem wyjścia do określenia stawki CPA płaconej partnerom był nasz koszt konwersji w AdWords, który wynosił ok. 25 zł. „Ostrożnie” ustaliliśmy CPA na 15 zł.

Po przeprowadzeniu naszych analiz widzimy, że w zależności od modelu atrybucji, udział afliliacji w konwersji jest o 70-90% niższy, niż w modelu Last Affiliate Click, w którym naliczane jest CPA dla afiliantów. Nie wiemy co prawda, który z tych modeli jest najbardziej właściwy, ale po przeanalizowaniu sposobu działania afiliantów oraz zachowań dostarczanych przez nich użytkowników skłaniamy się raczej ku modelom które podchodzą do wkładu afiliacji bardziej konserwatywnie. Jakby na to nie patrzeć – CPA w wysokości 15 zł to co najmniej kilkukrotnie za dużo:

porownanie modeli atrybucji z modelem last affiliate

Naturalnym rozwiązaniem byłoby obniżenie CPA w programie afiliacyjnym do poziomu około 5-7 zł , to jednak spowodowałoby spadek atrakcyjności tego programu. Ryzykowalibyśmy wtedy utratę tych partnerów, którzy dostarczają wartościowego ruchu, nie kanibalizującego pozostałych kanałów.

Dlatego w tym przypadku lepszym rozwiązaniem było wprowadzenie do regulaminu programu partnerskiego zakazu SEM PPC oraz rezygnacja ze współpracy ze stronami z kuponami rabatowymi. Z drugiej strony – wybranym, najbardziej wartościowym partnerom zostały zaoferowane preferencyjne stawki, by zachęcić ich do ekspansji. W efekcie skala programu partnerskiego się zmniejszyła, ale pozostali w nim ci afilianci, którzy dostarczali ruchu o większej atrybucji konwersji, nie pokrywającego się z dotychczasowymi źródłami:

affiliate modyfikacja mniejszy

W modelowaniu atrybucji nie musimy skupiać się na poszukiwaniu „idealnego” modelu. Znacznie lepszą metodą jest porównywanie wartości konwersji przypisanych do danego kanału w różnych modelach i określanie wartości danego kanału w najbardziej optymistycznym i pesymistycznym podejściu. Dla niektórych kanałów różnice te mogą się okazać nieznaczne, a dla niektórych będą na tyle istotne, że niezależnie od wyboru scenariusza pozwolą wesprzeć proces decyzyjny – bez konieczności udzielania jednoznacznej odpowiedzi.

Podobnie było w tym przypadku. W wyniku rozważań nie udało się nam precyzyjnie wyliczyć udziału analizowanych kanałów w konwersjach, ani stworzyć uniwersalnego modelu atrybucji, ale badanie ścieżek wielokanałowych i porównywanie modeli atrybucji pozwoliło lepiej zrozumieć funkcjonowanie systemu afiliacyjnego i dało silne podstawy do podjęcia konkretnych decyzji biznesowych.

Kolejny artykuł odnosi się do nieco mniej skomplikowanego, ale jakże uciążliwego problemu niepożądanych źródeł konwersji w Google Analytics:
Modelowanie atrybucji w praktyce (cz. 8) Jak naprawić raporty

Wcześniejsze artykuły z cyklu Modelowanie atrybucji w praktyce:

Cz. 1 – Wprowadzenie
Cz. 2 – Zgrupowania kanałów
Cz. 3 – Modele Last-Click i modele awaryjne
Cz. 3½ – Ostatnie kliknięcie niebezpośrednie
Cz. 4 – Modele uwzględniające wspomaganie
Cz. 5 – Okna konwersji
Cz. 6 – Najlepszy model atrybucji



Autor

Witold Wrodarczyk

Dyrektor Operacyjny Adequate Interactive Boutique Google Analytics & AdWords Qualified Professional

Adequate - Agencja interaktywna

Adres:
ul. Okopowa 47/23
01-059 Warszawa
Telefon:
(+48) 22 299 50 28

Nasza strona korzysta z plików cookie w celu realizacji usługi zgodnie z Polityką Prywatności.