Attribution — правило розподілу внеску, а не доказ, що реклама спричинила продаж

Концептуальну ілюстрацію створено за допомогою AI; реальний шлях покупця, результат attribution чи вимірювання причинного впливу не показано.

У звіті продаж може стояти поруч із рекламною взаємодією, але це не відповідає на запитання, чи відбувся б він без неї. Attribution розподіляє зарахований внесок у межах певної системи вимірювання. Причинна incrementality ставить інше запитання: який додатковий результат виник саме завдяки втручанню? Розділяйте зафіксовану бізнес-подію, правило розподілу внеску й твердження про причинність.

Почніть із події та взаємодій, які можна врахувати

Attribution model визначає, як внесок у конверсію розподіляється між придатними для врахування взаємодіями. У поясненні Google про attribution models модель last click описано як зарахування внеску останньому оголошенню, на яке натиснули, тоді як data-driven attribution використовує дані облікового запису. Модель описує розподіл; сама її назва не доводить, що було спостережено всі впливи на покупця.

Уявімо одну вигадану покупку на 10-й день після взаємодії з рекламою A на 0-й день і з рекламою B на 6-й. За умовою вправи обидві взаємодії належать одному шляху, а покупка — одна прийнята бізнес-подія. Це навчальні припущення, а не результат зіставлення особи покупця, імпортований запис чи шлях, зібраний із різних платформ.

Перш ніж тлумачити реальний шлях, визначте, чому саме система звітності може зараховувати внесок. Google зазначає, що придатні для цього канали можуть різнитися залежно від джерела конверсії та вимірюваної активності. Результат у межах певних каналів не є автоматично звіркою всіх платних, органічних, офлайн та інших неспостережуваних впливів. Поряд із моделлю зазначайте conversion action і перелік каналів, які охоплює звіт.

Та сама покупка — різний розподіл внеску

Для вигаданої вправи визначимо два правила: зарахувати весь внесок останній придатній взаємодії або поділити його порівну між придатними взаємодіями. Друге правило навмисно спрощене для навчання: це не твердження, що Google зараз пропонує лінійну модель, і не симуляція data-driven attribution. Обидва правила застосовуються до тієї самої заданої покупки.

На момент покупки взаємодії A — десять днів, а B — чотири. Обидві потрапляють в умовний 14-денний інтервал; жодна — в умовний 3-денний. У перших двох рядках сумарний зарахований внесок становить одиницю, але розподілений по-різному. В останньому рядку ці правила не зараховують внеску жодній із взаємодій. Це не скасовує бізнес-події й не доводить, що реклама не мала впливу.

Data-driven — не довільно вигаданий розподіл

Data-driven attribution — не рівний розподіл із таблиці. У поясненні Google про data-driven attribution описано модель, специфічну для рекламодавця: вона порівнює шляхи з конверсіями й без них, щоб виявляти закономірності та розподіляти внесок. Її ваги неможливо вивести з цього єдиного вигаданого шляху. Google також зазначає, що data-driven і last-click моделі іноді можуть давати однаковий результат.

Наразі провайдер розрізняє право використовувати модель і рекомендований обсяг даних для ефективнішого моделювання; рекомендацію не слід перетворювати на універсальний обов’язковий мінімум. Явно вказуйте conversion action, доступні дані й підтримуваний обсяг застосування. Розподіл внеску, який повідомляє модель, також не є доказом того, що читач самостійно провів контрольований експеримент з incrementality.

Conversion window — не позначка дати у звіті

Conversion window — інтервал після придатної рекламної взаємодії, протягом якого конверсія може бути зафіксована для цієї дії. Це умова часової придатності. Натомість вибраний період звіту й поле дати визначають, як записи потрапляють у звіт. Не припускайте, що дата взаємодії, дата результату й вікно відповідають на одне запитання.

Наведені вище інтервали 14 і 3 дні вигадані для арифметичного прикладу. Це не рекомендовані налаштування й не перелік доступних вікон для певної conversion action у Google. Для реального тлумачення потрібні тип взаємодії, налаштування дії та значення дат у звіті. Не слід непомітно прирівнювати вікно одного продукту до налаштування lookback в іншому.

Поясніть розбіжності, перш ніж об’єднувати підсумки

Якщо два звіти не збігаються, спочатку запишіть їхні визначення. Чи описують вони ту саму бізнес-дію й звітний період? Чи охоплюють ті самі придатні взаємодії, канали й ідентичності? Які події можна пов’язати, а для яких зв’язок невідомий? Чи змінилися часові правила, оновлення або виключення? Ці запитання формують завдання на звірку; вони не виправдовують з’єднання записів лише тому, що підсумкові числа схожі.

У вигаданому випадку уявімо, що один документ рахує прийняту покупку, а інший містить лише рекламні взаємодії, яким зараховано внесок за коротким часовим правилом. Оголосити один із документів помилковим було б передчасно: вони відповідають на різні запитання. Зберігайте бізнес-подію без зарахованого рекламного внеску як подію, а взаємодію із зарахованим внеском — як результат розподілу. Одне не має непомітно підміняти інше.

Incrementality потребує доказів для іншого порівняння

Питання причинності стосується результату за наявності втручання порівняно з тим, що сталося б без нього. Контрольоване порівняння може допомогти це дослідити, якщо належно враховано призначення умов, визначення результату, взаємовплив і невизначеність. Принципи експериментування Microsoft Research наголошують на плануванні гіпотези, метрик і рандомізації. Ця методологічна вимога не тотожна вибору способу розподілити вже зафіксовану конверсію.

Докладніше таке порівняння пояснено в матеріалі Чи допомогла зміна? Метрики, baseline і надійний A/B-тест. Вигаданий шлях у цій статті не має контрольної групи, вибірки чи спостережуваного приросту. Він не може встановити, скільки додаткових покупок спричинила реклама, навіть за повністю визначеної арифметики розподілу.

Щоб відрізнити цінну бізнес-дію від її сигналу та зафіксованої конверсії, прочитайте Від цінної дії до виміряної конверсії. Це визначення потрібне до тлумачення зарахованого внеску. Розподіл у звіті може бути корисним і водночас залишатися обмеженим визначенням дії, даними, які охоплює звіт, і наявними доказами для окремого твердження про причинність.

Чітке твердження про attribution називає подію, придатний шлях, модель, часові правила й межі звіту. Чітке причинне твердження додатково пояснює порівняння та його невизначеність. Якщо докази підтримують лише розподіл внеску, саме так і повідомляйте результат. Читач не має вгадувати, чи не перетворилося непомітно «рекламі зарахували внесок» на «реклама спричинила продаж».