Оценка медийной рекламы. Какой вклад медийная реклама вносит в общий доход

Ключевая задача определить, какой вклад медийная реклама вносит в общий доход. Дело в том, что для оценки экономической эффективности, охватных метрик недостаточно. Поэтому медийку необходимо начинать оценивать performance показателями.

Дата загрузки:2020-12-16

Оценка медийной рекламы. Какой вклад медийная реклама вносит в общий доход?

16 Декабря 2020, Михаил Снитко

Какова роль медийной рекламы? Первой, что мы слышим от потоковых агентств, что дисплейная реклама — это про узнаваемость, про охваты, про все, что угодно, только не про продажи. В чем заключается проблема? Дело в том, что охваты на хлеб не намажешь. Но нас интересует финансовый выхлоп. Ключевая задача определить, какой вклад дисплейная реклама вносит в общий доход. Дело в том, что для оценки экономической эффективности, охватных метрик недостаточно.

Поэтому медийку необходимо начинать оценивать performance показателями.

Всем известно, что медийная реклама увеличивает CTR в поиске, повышает частотность ключевых фраз в контексте, увеличивает число Type-in переходов. Медийные рекламные кампании формируют спрос и снижают стоимость лида. Каким образом это происходит? Дело в том, что поисковые кампании в контексте работают со спросом, который формирует медийка.

Другими словами, чтобы клиент начал гуглить наш продукт, он должен о нем узнать.

Клиенты видят бренд в поисковой выдаче и кликают на объявление с большей вероятностью. А объявления, на которые кликают чаще, получают показатель качества выше. Что приводит к снижению CPC и стоимости лида. Поэтому задача маркетолога заключается в том, чтобы сформировать рабочую модель, которая позволит вклад от медийной рекламы оценить. Медийная реклама обладает колоссальным потенциалом, но в сравнении с performance-рекламой, доказать ее эффективность в деньгах намного труднее. В чем заключается ограничение? Дело в том, что медийная реклама влияет на начало хвоста.

Поэтому она не может быть оценена при помощи Last Non-Direct Click.

Измерить основные KPI на основе Post-click достаточно просто. Что для этого необходимо? Мы добавляем в ссылки UTM-метки, благодаря которым, Google Analytics трекает информацию о рекламном источнике. Это история всегда строится вокруг сбора информации на сайте, так называемых First-party данных.

Но вся веселуха начинается, когда мы хотим проанализировать взаимодействие пользователей, с контентом, который находится не на сайте. Например, когда клиент посмотрел ролик на YouTube и на нашу рекламу не кликал.

Что в этом случае делать? На помощь приходит метод отслеживания конверсий не по кликам, а по показам — это Post-view конверсии. Что такое Post-view? Post-view расшифровывается, как после просмотра. Этот отчет показывает связать просмотра медиа рекламы с итоговыми продажами из CRM и рассчитывает окупаемость медийной рекламы в прибыли. Часто цепочка выглядит так — потенциальный клиент видит наш ролик или баннер, и он на него не кликает. А спустя какое-то время переходит на сайт и совершает целевое действие.

Такие конверсии называются Post-View конверсиями.

Отследить их достаточно сложно. Трудность такого отслеживания заключается в том, чтобы связать пользователя и его активность на нашем сайте спустя недели или даже месяцы после того, как он нашу медиа рекламу просмотрел. Как можно измерить Post-View конверсии? Для показа объявлений на внешних площадках обычно используют специальные системы управления рекламой, так называемые крутилки. Которые собирают статистику на сайтах паблишеров и показывают, сколько пользователей после просмотра рекламы сконвертилось.

Таким образом мы можем понять, какие из наших объявлений участвовали в цепочке перед конверсией. В чем проблема таких отчетов? Дело в том, что, если пользователь увидел 3 креатива и оставил заявку, то в отчете, каждому креативу будет присвоена ассоциированная конверсия, хотя по факту продажа была одна. И когда мы захотим все показатели посчитать, окажется, что знать количество ассоциированных конверсий недостаточно. Почему?

Потому что нам важно видеть не ассоциированные конверсии в вакууме, а понимать характеристики своей аудитории.

Что значит ассоциированная конверсия? Если у нас есть ретаргетинговые кампании на дожим или брендовый трафик в контексте и в medium фигурирует клик cpc, который является вторым касанием нашего пользователя, посмотревшего до этого дисплейную рекламу. Когда он не кликал по ней, а потом оставил на сайте заявку с платного источника, то это и будет ассоциированной конверсией.

Кроме этого, если часть наших заявок проходит процедуру квалификации колл-центром и дожимается отделом продаж, то ориентироваться только на онлайн продажи недостаточно. Нам необходимо учитывать офлайн продажи в CRM-системе.

Поэтому возникает задача объединения данных.

Проблема в том, что большинство систем управления рекламой не позволяют корректно выгружать сырые данные о показах медиа рекламы, либо предлагают для этого костыльные решения, которые инженерно очень сложные и дорогие.

Вообще, каждый рекламный сервис заинтересован в том, чтобы показать, как он помогает рекламодателю увеличивать продажи. Для этого были созданы Яндекс Метрика, Google Analytics, Facebook Analytics, счетчик TopMail и т.д. Но, когда речь заходит об оценке эффективности медийной рекламы, маркетологи сталкиваются с серьезными проблемами. Почему?

Потому что взаимодействие с медиа рекламой происходит вне сайта рекламодателя.

Поэтому рекламодателям потребовался инструмент, который показывает, с какой аудиторией он взаимодействовал благодаря дисплейной рекламе и Google такой инструмент создал, инструмент под названием — Ads Data Hub. Что это за зверь такой? Это инструмент для работы с данными в Google BigQuery. С его помощью мы можем объединить в одном SQL-запросе: показы из Campaign Manager, конверсии из Google Analytics и выкупленные заказы из CRM-системы.

Но у Ads Data Hub существует ограничение. В чем оно заключается? Проблема усложняется тем, что новый регламент по защите персональных данных, запрещает Гуглу предоставлять паблишерам идентификаторы пользователей. А без этого id-шника невозможно связать просмотры роликов с переходами на сайт, если наш пользователь по медиа рекламе не кликал. Поэтому Google предоставляет рекламодателям возможность получать результаты в агрегированном формате когортами до 50 пользователей.

Теперь User-ID не выгружаются из Campaign Manager, но они доступны в Ads Data Hub.

Что необходимо для того, чтобы начать работать в Ads Data Hub? Нам в BigQuery понадобятся данные из Google Analytics. Наша задача настроить передачу Client-ID. Чтобы что? Благодаря этому идентификатору мы будем склеивать данные о сессиях с данными о показах. Если же у нас установлена четвертая версия Google Analytics, которая позволяет отслеживать полный путь пользователя на разных платформах, то на уровне ресурса, Google предоставляет бесшовную интеграцию с BigQuery.

Также, нам необходимо получить доступ к самому Ads Data Hub. Для этого придется обратиться к официальному партнеру Google. После чего настроить выгрузку данных из Campaign Manager, Google Ads и YouTube в Ads Data Hub. После вот этого вот всего, нам из CRM необходимо в BigQuery выгрузить User-ID. Благодаря которому мы будем склеивать данные о продажах с данными о сессиях.

После чего, задача построить SQL-запрос к данным в BigQuery и результаты запроса визуализировать.

Но, какое существует решение для площадок, которые при помощи Campaign Manager разметить нельзя? Метрики Post-View можно получить, если на этих площадках пробросить специальный анонимизированный User-ID. Этот Tracking Tag будет собирать данные о просмотрах медиа рекламы на внешних площадках и сохранять их в наш проект BigQuery. Это означает, что мы сможем связать просмотры медийной рекламы с конверсиями на сайте и продажами в CRM-системе. Как эту связку реализовать? Алгоритм состоит из трехходовочки.

Первый шаг — мы для каждого видеоролика создаем специальные пиксели и передаем их паблишеру. После чего, паблишер эти фрагменты кода впендюривает в свою систему публикации рекламы.

Поле того, как происходит Impression Hit, т.е. когда пользователь нашу медиа рекламу видит — данные уходят на точку доступа в аналитику, где пользователю присваивается User-ID. На своей же стороне, мы создаем из Google Analytics поток стриминга в BigQuery, с помощью представления, которое создается в Google Analytics специально для медийной рекламы.

Второй шаг — мы собираем данные в три таблицы о конверсиях на сайте, о продажах из CRM и данные о просмотрах медиа рекламы. После чего, при помощи SQL запроса, объединяем их в одну таблицу, где в качестве ключа используем наш User-ID.

Третий шаг — мы строим отчет. После объединения данных, мы создаем дашборд, например, в Power BI, Data Studio или Google Sheets, а для расчета Post-View метрик применяем конверсионное окно.

Что такое конверсионное окно? Это время, необходимое потенциальному клиенту, чтобы пройти воронку и совершить покупку. В нашем случае — это время от просмотра медийной рекламы, до продажи в онлайне или офлайне. Но занимаясь проблемой оценки инкрементального вклада от медиа рекламы, крайне важно осознать изотерическую истину. Какую?

Все показы, все клики, все конверсии и все продажи на уровне каждого конкретного пользователя соединить невозможно.

Поэтому необходимо смириться с тем, что работать придется на части данных. В чем заключается хорошая новость? Она заключается в том, что с этими данными можно работать при помощи моделей атрибуции. Ограничение заключается в том, что счетчики аналитики, предоставляемые рекламными системами, не дают комплексной оценки. Другими словами, как бы мы не мерили эффективность Google Analytics, мы эти данные не можем объединить с другими трекерами, например, с Яндекс Метрикой.

Что тут важно понимать? Не существует универсального инструмента для сбора данных. Нельзя поставить один счетчик, который покроет все аналитические задачи. Даже Campaign Manager так не умеет. Например, недавно Facebook запустил сервер-сайт интеграцию с Campaign Manager, теперь Post-View конверсии для медийных кампаний Facebook можно трекать в Campaign Manager.

Возможно, и Яндекс запилит такую интеграцию и тогда маркетологам станет дышать немножечко легче.

Когда же мы говорим о моделях оценки, то многие слышали про цепи Маркова. Что это за цепи такие? Это один из алгоритмов, который применяется для оценки инкрементального вклада в цепочке. Многим также знакома Data Driven модель, которая вероятностная. Что лежит в ее основе? В ее основе лежит вектор Шепли. Эта модель также можно прикрутить для оценки инкрементального вклада от просмотров медиа рекламы.

Но на самом же деле важно не какую мы выберем модель, а, чтобы информация о взаимодействии наших пользователей с медийной рекламой, интерпретировалась с точки зрения инкрементального вклада.

У нас есть разные касания пользователя, которые определяют вероятность его перехода между взаимодействиями. Зная это, мы можем сформировать алгоритм оценки. У нас есть показ, клик, сессия, конверсия и оплата. Очевидно, что только в случае разметки своим пикселем, мы получаем точные метрики на уровне каждого конкретного пользователя. Но по многим рекламным источникам, мы получаем лишь условную связь, на уровне сегментов. Соответственно часть метрик остается для нас недоступными.

Поэтому из коробки использовать цепи Маркова или вектор Шепли нельзя.

Что же делать? Если представить, что у нас есть информация о двух метриках, связь между которыми необходимо вычислить. Например, у нас есть время и значение метрик по показам и конверсиям, то задача оценки медийной рекламы сводится к тому, чтобы рассчитать экономическую ценность от показов.

По сути, ответить на вопрос, а вот эти показы, они соответствуют каким конверсиям? Прикол в том, что конверсии не обязательно должны быть связаны на уровне id-шников. Важно, чтобы мы знали дату и метрику, по которой происходит корреляция.

Что это значит? Например, благодаря данным выгруженным в BigQuery мы можем сформировать множество маленьких сегментов, по которым мы будем знать: ГЕО, тип устройств, пол, возраст и какие-то другие таргетинги, а главное, мы будем знать конверсию в этих связках.

Да, у нас не будет точной взаимосвязи между показом и конверсией, но при машинном обучении мы генерим множество микро-экспериментов, каждый из которых позволяет обучить модель распознавать, какие конкретно показы повлияли на конверсию. И для такого обучения роль играют три источника данных. Что это за источники? Во-первых, это данные бизнеса. Проблема в том, что пока мы будем их собирать, метрики будут скакать, как горные козлы.

Потому что модель может учиться только на исторических данных.

Во-вторых, это данные рынка. Чем нам полезны данные рынка? Благодаря им, мы можем повысить эффективность Data Driven инструментов за счет предобучение модели. В-третьих, это экспертное мнение. Дело в том, что, когда маркетолог планирует рекламную кампанию, он для получения желаемого результата применяет свой опыт, который сын ошибок трудных, и указывает так называемую развесовку.

На самом деле — это ни что иное, как использование нейронной сети, встроенной в мозг маркетолога. Только обученной на тех тысячах часов оптимизации рекламных кампаний, которые маркетолог произвел. Поэтому правильные модели, гармонично сочетают в себе симбиоз, данных бизнеса, рыночных данных и экспертного мнение конкретного специалиста, у которого есть фамилия, имя и отчество.

Вследствие чего модель получает наилучшую предсказательную силу.

Как показывает практика, без дисплейных рекламных кампаний, в современном интернет-маркетинге, больших целей, к сожалению, а может к счастью, не достичь. Поэтому, отслеживайте целевые действия на основе Post-view конверсий, собирайте данные обо всех точках касаний с пользователями и распределяйте рекламные бюджеты на дисплейную рекламу опираясь не глюки, а на цифры.