С появлением все новых и новых ограничений конфиденциальности и доступа к данным в индустрии цифровой рекламы развернулись дебаты, в которых мультиканальная атрибуция (MTA) сравнивается с моделированием маркетинговых каналов (MMM).
Основная тема этих обсуждений – тот факт, что мультиканальная атрибуция, работающая на данных с уровня пользователя, крайне уязвима к ограничениям конфиденциальности вроде протокола App Tracking Transparency от Apple и Privacy Sandbox на Android. Из-за этого защитники MMM продвигают мысль о том, что в будущем наиболее ценным станет долгосрочный и масштабный анализ стратегий продвижения.
Однако в эру повышенного внимания к конфиденциальности ни MTA, ни MMM сами по себе не станут палочкой-выручалочкой для проведения качественных измерений. Впрочем, это и не единственные варианты в распоряжении маркетологов на данный момент.
Третий возможный подход к измерениям – это инкрементальность: оценка того, как действия по продвижению повлияли на KPI, в сравнении с показателями, которые были бы достигнуты без этих действий. Можно сказать, что это просто красивое название для классического A/B-тестирования, однако бурное развитие искусственного интеллекта и технологий машинного обучения породило совершенно новый подход к инкрементальности на основе ИИ.
Чтобы наглядно продемонстрировать разницу между этими двумя способами и обозначить роль инкрементального анализа в наборе инструментов современного маркетолога, давайте разберемся, как инкрементальность дополняет MTA и MMM, что несет за собой внедрение инкрементальности на основе ИИ, а также как маркетологам использовать ее для достижения успеха, когда требования высоки, как никогда.
Как инкрементальность дополняет MTA и MMM
MTA, инкрементальность и MMM – три одинаково эффективных подхода к маркетинговым измерениям. Чтобы получить полную картину воронки продаж, необходимо использовать их все.
Атрибуция лучше всего подходит для быстрой краткосрочной оценки результатов действий по продвижению продукта. Например, мобильный маркетолог с ее помощью может узнать количество установок приложения, которые привлекла конкретная кампания.
Многоканальная атрибуция позволяет заглянуть на уровень глубже, чем атрибуция по последнему касанию: она показывает не только последний канал, который привел к конверсии, но и все точки касания на пути пользователя. Полезность MTA отрицать нельзя, однако ограничения конфиденциальности от Google и Apple ограничивают и ее возможности.
Здесь на помощь приходит инкрементальность, давая маркетологам возможность проводить кампании в новых форматах, по новым каналам и на новых рынках.
Инкрементальность отвечает на извечный вопрос: достаточно ли эффективно был потрачен рекламный бюджет?
Например, с помощью атрибуции можно узнать, что мы привлекли некоторое количество установок через Instagram*. Но какую роль в этом сыграла текущая кампания? Органические пользователи приходили бы и без нее или нет? Насколько больше людей заинтересовалось продуктом из-за рекламы? Именно для этого и нужен инкрементальный анализ.
И, наконец, обратим внимание на MMM. Этот метод будет наиболее полезен для маркетологов, которые занимаются стратегическим распределением бюджета, а также тем, кто способен оценивать результаты продвижения и планировать новые кампании на долгий срок.
MMM позволяет маркетологам найти оптимальную долю ежедневных расходов для любого канала в зависимости от бюджета и целей кампании. Также с его помощью можно оценить корреляцию между вложениями в канал и эффективностью продвижения через него за полгода и более, что поможет принимать информированные решения по перераспределению внимания между разными каналами (как и предполагает название методологии).
Сегодня нацеленным на рост маркетологам необходимо использовать все доступные модели измерений. MTA позволяет рассмотреть немедленные и краткосрочные результаты, инкрементальность же дает возможность заглянуть чуть дальше (действительно ли мы выбрали лучшее соотношение цены и качества в сравнении с тем, как рос бы продукт за тот же период без маркетинга), а MMM позволяет эффективно перераспределять бюджеты в рамках долгосрочной стратегии (как нам изменить набор каналов с учетом смены сезонов и других факторов, чтобы достичь нужных результатов).
Как ИИ и машинное обучение формируют инкрементальность нового поколения
Инкрементальный анализ часто путают с A/B-тестированием. На самом же деле A/B-тестирование – это лишь один из вариантов инкрементального подхода. Многим из нас его объясняли на школьных уроках: вы демонстрируете кампанию одной группе, сравниваете ее показатели с контрольной группой, которая кампанию не видела, и анализируете разницу.
A/B-тестирование все еще играет некоторую роль в оценке инкрементальности, но у него есть и определенные минусы.
Оно выполняется вручную, что повышает влияние человеческого фактора. Собрать идеальную контрольную группу тоже бывает непросто. В результате маркетологи получают несколько предвзятые и не самые точные результаты, которые размывают картину инкрементального подъема. Кроме того, сам факт наличия контрольной группы (при условии, что тестирование пройдет без проблем) предполагает, что некоторая часть целевой аудитории так никогда и не увидит кампанию.
Повышение мощи и доступности ИИ и машинного обучения привели к активному развитию подхода, который можно назвать инкрементальностью нового поколения. В этом случае большую часть работы проделывает специально обученный алгоритм. Вместо создания контрольной группы со всеми ее неизбежными недостатками он может проанализировать большое количество исторических данных о похожих кампаниях и вычислить приблизительное значение инкрементального подъема. Это, в свою очередь, позволяет намного более эффективно планировать расходы на рекламу.
ИИ в такой ситуации не делает ничего такого, что не было бы возможным ранее. Он просто делает это намного быстрее и точнее, повышая эффективность маркетинга и давая доступ к инкрементальному анализу большему количеству маркетологов. Ранее, например, бренд из списка Fortune 500 мог сопоставить результаты кампании с историческими данными за 12 недель для выявления паттернов конверсий и расходов на рекламу. Для этого им понадобился бы целый отдел по анализу данных. Теперь ИИ справляется с этим за несколько минут.
Предположим, что вы маркетолог приложения для электронной коммерции с хорошими позициями, который хочет запустить продукт в Бразилии, но мало знает об этом рынке. С помощью атрибуции вы увидите новые установки сразу после запуска кампаний по привлечению пользователей в этой стране, но не будете знать, мог ли такой приток пользователей сформироваться органически или насколько хорошо ваши кампании помогают вам обходить конкурентов.
С инкрементальностью нового поколения и набором данных нужного объема и качества вы сможете сравнить потенциальные итоги кампании с показателями похожих на ваш продукт приложений для электронной коммерции и оценить инкрементальный подъем с точностью в 95% – и ИИ выдаст результат намного быстрее, чем целый отдел аналитиков. Это и есть главное преимущество ИИ-технологий.
Почему маркетологам в текущей экономической ситуации нужно использовать несколько моделей измерения
Мир все еще стоит на пороге рецессии, и многие компании, особенно в технологическом секторе, активно сокращают рекламные отделы и урезают бюджеты. К оставшимся же маркетологам предъявляют все больше требований. У инкрементальности нового поколения в этой ситуации есть два ключевых преимущества.
Во-первых, она значительно повышает продуктивность работы в небольших командах. С инкрементальностью нового поколения маркетологи могут использовать агрегированные данные, что снимает необходимость анализировать весь массив информации вручную.
Новые технологии позволяют небольшим командам выдавать результаты, близкие по качеству к аналитике от целых больших отделов по работе с данными. Один менеджер по привлечению пользователей теперь способен самостоятельно добыть сведения, для получения которых раньше понадобилось бы прочесать вручную множество таблиц силами нескольких сотрудников.
Во-вторых (и это, вероятно, даже более важный момент), бренды теперь могут экономить рекламные бюджеты, которые раньше тратились впустую. Способность быстро определять, какие действия и каналы приносят пользу, а какие – нет, какие кампании обеспечивают инкрементальный подъем, а какие – каннибализируют органический трафик, помогает получать более впечатляющие результаты без дополнительных трат. В обоих случаях инкрементальность нового поколения оказывается весьма полезным инструментом.
Естественно, в борьбе между различными подходами к измерениям победителя быть не может. Но маркетологам, чью работу и без того осложняют ограничения конфиденциальности, нужны не только краткосрочные данные на уровне пользователя, которые можно получить при помощи MTA. Долгосрочный анализ с помощью MMM и инкрементальности нового поколения позволяет получить более сбалансированную картину измерений и ответить на главный вопрос: какие маркетинговые стратегии приносят наилучший результат за наименьшую стоимость?
* Instagram принадлежит компании Meta, признанной экстремистской и запрещенной на территории РФ.
