Ошибки при оценке рекламных каналов могут стоить дорого — в буквальном смысле. В этом посте разберем две ключевые ошибки и то, как специфика моделей атрибуции влияет на расчет ROI.

1. Ошибка переоценки канала: проблема инкрементальности
Часто при анализе ROI кампаний можно увидеть, что эффективность канала оказывается выше реальной. Это называется проблемой инкрементальности: вы приписываете результативность каналу, даже если часть покупок или регистраций произошла бы без него.

Пример: Представьте, что вы уже собирались купить определенный продукт, а на пути к магазину заметили рекламу этого товара. Реально ли реклама повлияла на ваше решение? В мире атрибуции она часто будет приписана этому каналу, что приводит к завышению ROI.

2. Ошибка недооценки канала
С другой стороны, многие маркетологи боятся переоценить канал и недооценивают его, что также приводит к потерям. ROI оказывается ниже реального, и перспективные каналы могут быть заброшены из-за ошибок в расчетах.

Пример из практики: На этапе роста ваши расчеты ROI могут быть основаны на модели Last Paid Click с UTM-метками. При этом пользователи, пришедшие через рекламу блогеров на YouTube, не атрибуцируются корректно, и эффективность кампаний выглядит хуже, чем на самом деле.

Каналы, которые частенько страдают от ошибок атрибуции:

1. Реклама в Facebook, Instagram, а также прероллы в YouTube при использовании Post View атрибуции.

2. Ремаркетинг — у этого канала часто маленькая инкрементальность, так как он таргетируется на аудиторию, которая уже знает о вашем продукте или уже использовала его, но по какой-то причине перестала это делать. При этом велика вероятность, что эти пользователи органически вернутся.

3. Email-маркетинг — условно бесплатный канал. При неправильном анализе он может «перетягивать» на себя результат, что будет влиять на объективность оценки эффективности канала.

4. Брендовый контекст – традиционно тащит на себя часть органики и вместе с конкурентами.

Вариантов работы с этим несколько:

1. Работа с несколькими моделями атрибуции.

2. Проведение реальных и синтетических AB-тестов на инкрементальность (в том числе тупая "шахматка" с включением-выключением каналов).

3. Тестирование алгоритмических и вероятностных моделей атрибуции.

Больше о работе с данными в продукте и маркетинге есть в Телеграм-канале "Модель атрибуции”