Analiza atrybucji, czyli jak mierzyć, żeby zmierzyć

E-commerce to jeden z najszybciej rozwijających się sektorów w Polsce. W 2020 r. rodzimy e-handel urósł o ponad 30% w porównaniu z 2019 r., a 12 miesięcy wcześniej o 25%. Według ekspertów do zwiększonej dynamiki wzrostu przyczyniła się pandemia. Prognozują oni ponadto, że trend ten utrzyma się również po jej zakończeniu. Na rynku pojawiła się bowiem nowa i liczna grupa internautów, którzy chociaż zakupów internetowych po raz pierwszy spróbowali niejako z przymusu, to w znacznej większości deklarują, że zostaną one z nimi na stałe.

Każdego roku powstaje w Polsce kilkadziesiąt tysięcy nowych podmiotów, sprzedających towary w Internecie. O ile większość funkcjonuje na Allegro czy OLX to należy przyjąć, że część jest klasycznymi e-commerce’ami. Ponadto w wyniku zamknięcia punktów stacjonarnych wiele marek wprowadziło bardzo duże obniżki cenowe w sklepach online – walcząc o klienta, i chcąc jednocześnie upłynnić zastockowany towar, zmuszone były po prostu obniżać ceny jeszcze bardziej i jeszcze częściej.

Wszystkie te elementy powodują, że jednym z krytycznych aspektów prowadzenia biznesu e-commerce jest analiza efektywności prowadzonych działań – zarówno tych onsite (optymalizacja UX), jak i offsite (kampanie reklamowe).

Zaawansowane sposoby analizy kampanii reklamowych online

W analizie efektywności kampanii reklamowych od zawsze istniały pewne parametry, traktowane wręcz z nabożnością. To na ich podstawie agencje były rozliczane, to one stanowiły wyznaczniki sukcesu w case studies i to nimi chwaliliśmy się na branżowych konferencjach.

Jednym z nich jest, chyba najlepiej znany i najsilniej kojarzony z działaniami reklamowymi online, wskaźnik CTR – click through rate. Informuje on o liczbie kliknięć w dany format reklamy na 1000 jego wyświetleń. Dążenie do jak najwyższej wartości CTR spowodowało jednak wiele wypaczeń. Wśród nich możemy wyróżnić np. format TopLayer (irytujące, uciekające krzyżyki w agresywnych kreacjach) czy też tworzenie kontrowersyjnych boxów, np. z podskakującymi piersiami i napisem „Piersi” (banner przenosił na stronę biura maklerskiego). I o ile CRT-y były w takich opcjach bardzo wysokie, to bounce rate zbierał jeszcze wyższe wyniki.

UOKiK: Paczka opłacona, dostarczona, ale rachunek nadal rośnie. Wszczęto postępowanie wobec Furgonetki

Innym, łatwym do „naciągnięcia” wskaźnikiem była liczba like’ów pod postami na Facebooku. Marki prześcigały się w osiąganiu jak największej liczby polubień. Co więcej – rankingi najlepszych fanpage’y bazowały właśnie na tym parametrze. Tutaj także często mieliśmy do czynienia ze złymi praktykami. Brandy (lub agencje je obsługujące) tworzyły setki dokładnie takich samych postów – kotki, koteczki, piątek, piątunio. Nic nieznaczące, nic niewnoszące, a już na pewno nie budujące relacji internauty z marką.

Kolejnym wskaźnikiem jest conversion rate. Pokazuje on procent osób, które dokonały określonej, pożądanej przez marketera czynności – zapisały się do newslettera, wypełniły formularz kontaktowy czy najczęściej – dokonały transakcji. Wskaźnik ten jest podstawowym miernikiem sukcesu każdego e-commerce. Jego wartość przekłada się wprost na zarobione pieniądze. Stąd traktowanie go jako swego rodzaju wyznacznika sukcesu jest całkiem zrozumiałe. Istnieje jednak kluczowy problem w analizowaniu wartości conversion rate – większość marketerów analizuje wyniki skuteczności działań z punktu widzenia ostatniej sesji. I tu niestety zaczynają się schody, bo mało kto dokonuje zakupów przy jednej wizycie w sklepie, po jednym kontakcie z marką czy danym towarem.

Proces zakupowy, w zależności od produktu, może trwać od jednego dnia do nawet kilku tygodni. W tym czasie klient przechodzi przez kilka etapów – poznawania ogólnej oferty dostępnej na rynku, weryfikacji parametrów produktów, zawężenia liczby rozpatrywanych opcji, aż do ostatecznego zakupu. Proces ten nazywamy customer journey. W jego trakcie użytkownik ogląda różne serwisy, wraca do tych bardziej interesujących, kilka razy zagląda także do Google, klika w reklamy interesujących go produktów w sieci.

Dlatego też patrzenie na użytkownika tylko i wyłącznie przez pryzmat jego ostatniej wizyty (czy nawet ostatniej niebezpośredniej) prowadzi do wielu błędnych decyzyjnych.

Dlaczego reklamy, które sprzedają nie sprzedają?

Jeśli zostawilibyśmy w mediamixie tylko te kampanie, które dostarczają konwersji, to szybko okazałoby się, że przestajemy sprzedawać w ogóle. Sprzedaż internetowa, podobnie jak biznes, opiera się na zasadzie lejka. Im więcej wlejesz, tym więcej ludzi zobaczy twoje reklamy i tym samym większe masz szanse na duży zysk. Choć oczywiście przy spełnieniu pewnych warunków.

Jeśli zostawimy tylko te reklamy, które sprzedają, to odetniemy strumień osób i przestaniemy komunikować się z nowymi, potencjalnymi klientami. Szybko też dojdziemy do mylnego wniosku, że kampanie prospektingowe nie mają sensu – przecież nie ma z nich sprzedaży. A, jako że najlepiej sprzedaje się do osób, które „już u nas były”, to skupimy się na remarketingu. Jest to niestety droga donikąd.

Aby tworzyć kampanie reklamowe online poprawnie, powinniśmy analizować je w długim okresie, wykorzystując do tego atrybucję, czyli przypisanie komuś lub czemuś pewnych cech. W kontekście marketingu i konwersji jest to przyporządkowanie poszczególnych wizyt, biorących udział w procesie zakupowym do danej konwersji. Atrybucja pozwala analizować, które media/ źródła i w jakim stopniu brały udział w sprzedaży.

Modele analizy atrybucji w reklamie online

Metod analizy źródeł w kontekście atrybucji jest kilka. Można korzystać z własnych rozwiązań, bazujących na danych o każdym z użytkowniku i wykorzystując modele Markova lub Shapley’a. Można także skorzystać z narzędzi oferowanych przez firmy zewnętrzne.

Ostatnim sposobem jest m.in. oparcie się o rozwiązania oferowane przez Google Analytics, gdzie raporty dotyczące atrybucji znajdziemy w zakładce konwersje > ścieżki wielokanałowe > porównanie modeli atrybucji. GA daje możliwość skorzystania z 6 predefiniowanych modeli:

• last click – model oparty o przypisanie całej chwały ostatniemu źródłu oraz jego odmiana,
• last non-direct click – podobnie jak poprzedni, jednak chwałę przypisze do ostatniego, niebezpośredniego znanego źródła,
• time decoy – model oparty o upływający czas, czyli im świeższa wizyta, tym większą kontrybucję przypisze do źródła,
• pierwsza interakcja – jak można się domyślać z nazwy – cała zasługa przypisana jest pierwszemu źródłu,
• uwzględniający pozycję – model, w których równo obdarujemy źródło pierwszej i ostatniej wizyty – po 40%, a te w środku otrzymają łącznie 20% (jeśli było ich powiedzmy 5, każda z nich otrzyma 4% konwersji),
• liniowy – jak za starych czasów – każdemu po równo.

W ramach GA 360 dostępny jest także model DataDriven – uznawany za najbardziej zaawansowany. Opiera się on na aktywności użytkownika w serwisie w ramach poszczególnych wizyt oraz ich czasie. Wydaje się więc być najbardziej obiektywnym i realnie powiązanym z intencją zakupową internauty.

Istotną funkcją, jaką daje Google Analytics, jest także możliwość tworzenia własnych modeli, opartych na wcześniej opisanych. Możemy np. stworzyć hybrydę nagradzającą wizytę pierwszą oraz środkowe. Dzięki funkcji budowania własnych segmentów, można także analizować sekwencje odwiedzin, np. fakt, że wizyta z ruchu organicznego była poprzedzona wizytą z działań paid. Pozwala to na sprawdzanie korelacji pomiędzy różnymi źródłami.

Co więcej, GA pozwala nam w jednym momencie porównywać trzy różne modele. Mamy więc możliwość sprawdzić, które aktywności lepiej sprawdzały się na poszczególnych etapach procesu zakupowego – czy są to działania prospektingowe (np. organic na frazy generyczne, kampanie typu pDPA, Google Ads Discovery), środkowe czy zamykające sprzedaż (np. kampanie remarketingowe do osób z produktem w koszyku, mailing przypominający o porzuconym koszyku, czy często organic na frazy brandowe).

W ramach analizy w GA możemy także wybrać jedną z trzech opcji – Conversions&CPA, Conversion Value& ROAS oraz Conversions&Values. I moim zdaniem ta ostatnia opcja jest najlepsza, bo pozwala spojrzeć na oba istotne parametry – liczbę konwersji oraz ich wartość, a po dodaniu kosztu, obliczyć wszystkie potrzebne parametry jakościowe.

Od ogółu do szczegółu

Krytycznymi elementami procesu analizy atrybucji są poprawne otagowanie działań reklamowych oraz przypisanie kosztów do poszczególnych kampanii, grup reklamowych czy nawet konkretnych kreacji.

Poprawne otagowanie działań reklamowych

Istotą atrybucji jest oszacowanie efektywności poszczególnych działań reklamowych. Oznacza to, że pozostanie z analizą na ogólnym poziomie – całego kanału (Facebook Ads, Google Ads, organic czy affiliacja), nie spełni naszych oczekiwań. Analiza powinna być dokonana głębiej, na poziomie przynajmniej pojedynczej kampanii czy grupy reklamowej. Aby móc ją prowadzić kluczowe jest nazwanie poszczególnych działań w sposób, aby tytuły przekazywały wiedzę o konstrukcji danej kampanii.

W przypadku GA raporty związane ze ścieżkami multikanałowymi dostępne są jedynie w specjalnej części narzędzia – Conversions – Multi-Channel Funnels. Oznacza to, że analiz, jakie są tutaj dostępne, nie jesteśmy w stanie wykonać w ramach customowych raportów – nie możemy skonstruować zapytania po swojemu czy dodać kilku własnych parametrów, by porównywać kampanie w ramach poszczególnych modeli atrybucji.

Dlaczego to takie ważne?

W ramach raportu porównania modeli możemy skorzystać tylko z dwóch wymiarów – jednego podstawowego oraz jednego dodatkowego. Możemy więc jako podstawowy wybrać źródło/medium, aby określić podstawowy poziom podziału, oraz jak dodatkowy np. kampanię, grupę reklamową, kreację itp. Ale tylko jedną.

I z tego właśnie powodu, odpowiednie otagowanie działań jest tak ważne. Dysponujemy tylko jednym wymiarem, aby przekazać możliwie jak najwięcej wiedzy o konstrukcji reklamy. Informacjami, które powinny znaleźć się w przekazanym parametrze powinny być takie elementy jak:

• grupa docelowa – płeć, wiek, rodzaj okna konwersji,
• sposób optymalizacji – CPA, CPC, ROAS, zasięg,
• etap procesu zakupowego – prospekting, remarketing,
• charakter kampanii – brandingowa, wyprzedaż, nowa kolekcja,
• urządzenie – mobile, desktop,
• grupa produktowa – buty, telewizory, rowery, hulajnogi.

Dzięki temu będziemy w stanie na poziomie danych z GA analizować oraz porównywać wyniki poszczególnych kampanii i znaleźć elementy, które mogą negatywnie wpływać na konwersję. Na przykład porównanie dwóch kampanii remarketingowych, optymalizowanych pod koszt konwersji i skierowanych do kobiet 18-30, może pokazać, że posługiwanie się 3-dniowym oknem konwersji w mniejszym stopniu przyczynia się do zakupu, niż okno 1-dniowe. Może się również okazać, że w przypadku kampanii prospektinowych, lepiej sprawdzają się te optymalizowane pod maksymalny ROAS niż Target CPA.

Effectiveness is king, but efficiency is god

Drugim niezwykle istotnym elementem pozwalającym przeprowadzać analizę atrybucji jest odpowiednie przypisanie kosztów do poszczególnych kampanii. Pamiętajmy, że w marketingu bardzo ważna jest skuteczność działań – czyli np. sprzedaż. Jednak jeszcze istotniejsza jest efektywność, czyli finansowy wymiar pozyskania danej sprzedaży. Dla przykładu – wyobraźmy sobie, że mamy dwie kampanie, które przyczynią się do pozyskania 100 transakcji. Jednak, gdy na jedną wydamy 10 000 PLN, a na drugą 50 000 PLN to, mimo że obie są tak samo skuteczne, jedna jest aż 5 razy bardziej efektywna.

I tu znów warto wrócić do GA. Potrafi on w sposób automatyczny zaciągnąć dane o kosztach jedynie Google Ads (przy założeniu odpowiedniego połączenia kont). Dla pozostałych źródeł pozostaje albo ręczne przypisywanie danych w Excelu, albo próba przesyłania danych z poszczególnych systemów do GA.

Wszystkie powyższe elementy składają się na analizę efektywności. Zwykle podstawowym parametrem, według którego oceniane są kampanie jest ROAS, czyli miernik zwrotu z inwestycji w reklamę. Jego obliczenie jest bardzo proste – wystarczy porównać przychód, jaki wygenerowała dana kampania (w ramach wybranego modelu atrybucji) do kosztów, które ponieśliśmy. Porównując wyniki z poszczególnych źródeł, kampanii lub grup reklamowych można następnie łatwo oszacować, które kampanie są dobre, które złe, które powinno się zmienić, a które całkiem zakończyć.

Poza analizą pojedynczych kampanii powinniśmy także liczby liczba źródeł oraz koszty i przychody przez nie generowane są podobne na kolejnych etapach – pozyskanie, środek, zamykanie sprzedaży. Ważne, aby nie było zbyt dużych różnic pomiędzy nimi. W przeciwnym razie w długim okresie może to doprowadzić do zbyt dużego ograniczenia strumienia początkowego lub też braku źródeł zamykających sprzedaż.

Podsumowanie kroków w procesie analizy atrybucji:

1. Poprawne otagowanie działań.
2. Zbieranie danych.
3. Przypisanie danych kosztowych do poszczególnych działań.
4. Porównanie zebranych danych z punktu widzenia kilku modeli atrybucji.
5. Ocena każdej z kampanii z punktu widzenia ROAS, CPA.
6. Ocena liczby źródeł i wartości generowanego przychodu w poszczególnych elementach ścieżki.

W dobie silnej ekspansji nowych e-commerców analiza atrybucji okazuje się kluczem do pozostawienia konkurencji w tyle – i to w dosłownym tego słowa znaczeniu. Nie jest to tylko wiedza o tym kto i dlaczego kupuje, ale również w jaki sposób oraz – co kluczowe przy analizie rentowności i zysków – ile finalnie proces doprowadzenia do zakupu kosztuje przedsiębiorcę. Takie informacje pozwalają na bardzo precyzyjne oszacowanie wydatków oraz inwestowanie w kanały efektywne zarówno z punktu widzenia dokonanej za ich pośrednictwem transakcji, jak również pod kątem podejmowania działań, które doprowadzą klienta do koszyka zakupowego. Ostatecznie to przecież właśnie jego wartość jest kluczowym miernikiem sukcesu.

 

Autor:

Tomasz Tołłoczko, data analyst w Insightland – jedynej na polskim rynku agencji SEO specjalizującej się w kobiecym e-commerce. Z branżą internetową związany od 2000 roku, zawsze po stronie agencji. Specjalizuje się w tworzeniu strategii komunikacji i analityce. W Insightland odpowiada za analizy danych sprzedażowych, analizy ścieżek konwersji i atrybucji oraz optymalizację komunikacji w social mediach. Pracował dla takich marek jak Leroy Merlin, Nestle Polska, Tesco Polska, Decathlon, Wojas, Vistula , Medicine czy New Balance.