Что такое атрибуция заказов на маркетплейсе

В современной цифровой экономике маркетплейсы стали ключевыми каналами для продаж и взаимодействия с потребителями.

Однако сложность клиентского пути в этой среде, где пользователь может взаимодействовать с брендом через множество точек соприкосновения до момента совершения покупки, порождает фундаментальный вопрос: какой именно маркетинговый инструмент или канал коммуникации следует считать причиной, приведшей к конверсии?

Ответ на этот вопрос дает система атрибуции заказов.


 

Фундаментальные принципы и модели атрибуции заказов

Прежде чем углубляться в технические аспекты сбора данных, необходимо понять концептуальную основу, на которой строятся все системы атрибуции.

Эта основа - модели атрибуции, которые представляют собой набор правил, определяющих, как значение конверсии (заказа) распределяется между различными точками контакта в потребительском пути. Выбор модели кардинальным образом влияет на интерпретацию эффективности маркетинговых каналов.

Разные модели отвечают на стратегические вопросы бизнеса: важно ли сосредоточиться на каналах, которые генерируют первую реакцию пользователя, или на тех, что непосредственно подталкивают к покупке? Понимание нюансов каждой модели является критически важным для формирования объективной картины вклада маркетинга.

Выбор оптики для оценки маркетинговых усилий

1. Модель Last-Click (Последний клик)

Данная модель является одной из самых распространенных по умолчанию во многих аналитических системах в силу своей простоты. Она приписывает 100% заказа тому источнику трафика или маркетинговому мероприятию, с которого пользователь совершил переход непосредственно перед совершением покупки. Эта модель полностью игнорирует все предыдущие взаимодействия, фокусируясь исключительно на финальном шаге.

Пример: Покупатель сначала увидел рекламный пост бренда обуви в Instagram*, через несколько дней перешел по ссылке из еженедельной email-рассылки, чтобы изучить ассортимент, и, наконец, набрав в поиске название магазина, перешел по платной поисковой рекламе (контекстной) и купил кроссовки. В модели Last-Click 100% заказа будет присвоено контекстной рекламе.

Преимущества: Простота восприятия и реализации. Позволяет четко идентифицировать каналы, которые непосредственно "закрывают" сделку.

Недостатки: Сильно искажает картину, занижая значимость верхних и средних стадий воронки продаж (каналов, отвечающих за узнаваемость и вовлеченность), таких как медийная реклама, SMM и SEO. Может привести к перераспределению бюджета в пользу "агрессивных" каналов, не учитывающих долгосрочный вклад других активностей.

2. Модель First-Click (Первый клик)

Является полной противоположностью предыдущей модели. Она присваивает 100% заказа самому первому источнику, с которого пользователь впервые взаимодействовал с брендом перед тем, как в конечном итоге совершить покупку. Эта модель фокусируется на каналах, которые привлекают первоначальное внимание и генерируют осведомленность.

Пример: Используя предыдущий сценарий с покупкой обуви, модель First-Click присвоит 100% заказа рекламному посту в Instagram*, так как именно он был первой точкой контакта.

Преимущества: Полезна для оценки эффективности каналов, отвечающих за привлечение новой аудитории и первичное знакомство с брендом. Помогает понять, какие инструменты лучше всего справляются с задачей расширения охвата.

Недостатки: Полностью игнорирует роль всех последующих взаимодействий, которые могли быть критически важны для nurturing (взращивания) клиента и его подведения к решению о покупке. Каналы, отвечающие за конвертацию, в этой модели будут необоснованно недооценены.

3. Модель Linear (Линейная)

Эта модель пытается создать более сбалансированную картину, распределяя ценность заказа равными частями между всеми точками контакта, которые были у пользователя на пути к покупке. Она признает, что каждый этап потребительского пути вносит свой вклад в финальное решение.

Пример: В нашем сценарии с тремя точками контакта (Instagram* - Email - Контекстная реклама) модель Linear присвоит каждому из этих каналов по 33,3% от стоимости заказа.

Преимущества: Наиболее демократичный подход, который позволяет оценить вклад всех каналов, участвующих в процессе. Хорошо подходит для комплексных маркетинговых стратегий, где важно поддерживать присутствие бренда на разных этапах.

Недостатки: Может нивелировать истинную значимость ключевых, "поворотных" точек контакта. Канал, который лишь слегка задел пользователя, получит такой же вес, как и канал, который непосредственно спровоцировал конверсию.

4. Модель Time-Decay (Временное затухание)

Эта модель основывается на принципе, что точки контакта, расположенные ближе во времени к моменту совершения заказа, оказывают большее влияние на решение пользователя, чем те, что были в начале пути. Соответственно, она распределяет ценность заказа неравномерно, присваивая больший вес более поздним взаимодействиям.

Пример: Если путь клиента состоял из четырех взаимодействий в течение недели, то первому контакту может быть присвоено 10% заказа, второму - 20%, третьему - 30%, а последнему, непосредственно перед покупкой, - 40%.

Преимущества: Более точно, чем Linear, отражает процесс принятия решения, признавая возрастающую значимость активностей по мере приближения к конверсии. Хорошо подходит для коротких циклов продаж и импульсных покупок.

Недостатки: Может недооценивать роль каналов верхней воронки, которые инициировали весь процесс и заложили основу лояльности, особенно в случаях с длительным циклом принятия решения.

Технические аспекты и механизмы сбора данных для атрибуции

Переход от теоретических моделей к их практической реализации требует наличия надежной технической инфраструктуры для сбора, обработки и интерпретации данных о поведении пользователей.

Механизмы атрибуции - это технические методы, с помощью которых маркетплейсы и аналитические системы идентифицируют и фиксируют источник трафика, приводящий к заказу.

Без точной работы этих механизмов любая, даже самая сложная модель атрибуции, будет выдавать ошибочные результаты. Понимание этих методов позволяет продавцам правильно настраивать рекламные кампании и оценивать надежность предоставляемой платформой статистики.

Инструменты идентификации источника конверсии

1. Использование UTM-меток

Это краеугольный камень технической атрибуции в цифровом маркетинге. UTM-метки - это специальные параметры, которые добавляются к URL-ссылке, ведущей на страницу товара или магазина на маркетплейсе. Когда пользователь переходит по такой "размеченной" ссылке, эти параметры передаются в аналитическую систему маркетплейса, позволяя точно идентифицировать источник.

Пример: Ссылка на товар может выглядеть так: https://www.wildberries.ru/catalog/.../detail.aspx?utm_source=instagram&utm_medium=smm_story&utm_campaign=summer_sale_2024. Здесь utm_source указывает на источник (Instagram*), utm_medium - на тип трафика (история в соцсетях), а utm_campaign - на название рекламной кампании.

Ключевые параметры: Основными являются utm_source (источник трафика, например, vk, yandex), utm_medium (тип канала, например, cpc, email, banner), utm_campaign (название кампании), utm_term (ключевое слово для контекстной рекламы) и utm_content (различие между разными креативами в одной кампании).

Важность: Корректное и последовательное проставление UTM-меток - это ответственность маркетолога. Ошибки в их формировании приводят к "мусорным" данным в отчетности и потере возможности точно оценить эффективность.

2. Анализ данных рефералов

Когда пользователь переходит на сайт маркетплейса по ссылке с другого сайта, браузер автоматически передает в HTTP-заголовках информацию о странице-источнике (реферере). Маркетплейсы могут использовать эти данные для атрибуции, если UTM-метки не установлены.

Пример: Если блогер разместил в своем блоге простую ссылку на товар без UTM-меток, и пользователь перешел по ней, то маркетплейс в своем отчете может отобразить источник трафика как доменное имя этого блога.

Ограничения: Этот метод менее точен, чем UTM, так как не позволяет детализировать кампанию или контент. Кроме того, он не работает в случаях, когда передача реферера блокируется (например, при переходе из защищенных приложений или при использовании некоторых браузерных расширений).

3. Куки-файлы и идентификаторы пользователей

Для построения сложных моделей атрибуции, учитывающих несколько шагов в течение длительного времени, необходимо отслеживать действия одного пользователя между сессиями. Для этого используются куки-файлы, хранящиеся в браузере пользователя, или внутренние идентификаторы в мобильных приложениях маркетплейсов.

Пример: Пользователь в понедельник зашел на маркетплейс через рекламу в Facebook, система записала это взаимодействие в куки его браузера. В среду он вернулся на сайт напрямую, чтобы добавить товар в корзину, а в пятницу открыл приложение и совершил покупку. Благодаря системе идентификации (например, привязке к учетной записи) маркетплейс может связать все эти события в единый цепочку и применить к ним выбранную модель атрибуции (например, Linear или Time-Decay).

Современные вызовы: Растущие ограничения на использование сторонних куки, вводимые браузерами (Safari, Firefox, планируемый отказ от них в Chrome), усложняют кросс-доменное и долгосрочное отслеживание.

Это заставляет маркетплейсы и рекламодателей активнее развивать технологии на основе данных (данных, собранных непосредственно в своей экосистеме) и внедрять альтернативные методы, такие как API-интеграции.

Практическое применение данных атрибуции для оптимизации рекламных кампаний

Собранные и обработанные данные атрибуции не являются самоцелью; их истинная ценность раскрывается в процессе принятия стратегических и тактических решений. Анализ атрибуционных отчетов позволяет перейти от абстрактных показателей, таких как общее количество заказов, к глубокому пониманию эффективности каждого маркетингового инструмента.

Это создает основу для основанного на данных подхода к управлению рекламным бюджетом, креативами и канальной стратегией. На практике это означает возможность точечной настройки кампаний для максимизации возврата на инвестиции (ROI).

Стратегия оптимизации на основе атрибуции

1. Перераспределение рекламного бюджета между каналами

Это наиболее очевидное и прямое применение данных атрибуции. Сравнивая эффективность разных каналов в рамках выбранной модели, маркетолог может принимать взвешенные решения о том, куда направить больше средств, а какие каналы требуют сокращения финансирования или пересмотра подхода.

Пример: Анализ по модели Last-Click показывает, что контекстная реклама генерирует 70% всех заказов, в то время как социальные сети - лишь 10%. Однако, используя модель Linear, маркетолог видит, что доля соцсетей возрастает до 30%, что свидетельствует об их значительной роли в процессе вовлечения. На основе этого может быть принято решение не сокращать бюджет на SMM, а переформатировать креативы для лучшего вовлечения, понимая их важность для общей картины.

Действие: Увеличить бюджет на каналы, которые последовательно показывают высокую эффективность на ключевых для бизнеса этапах воронки, и провести A/B тестирование для каналов с низкой конверсией, прежде чем полностью их отключать.

2. Оптимизация креативов и рекламных объявлений

Данные атрибуции позволяют не только оценивать каналы в целом, но и детализировать эффективность до уровня отдельных объявлений, баннеров или постов. Это помогает понять, какой тип контента лучше резонирует с аудиторией и приводит к целевым действиям.

Пример: В рамках одной кампании в Яндекс.Директе запущено два набора объявлений: один с акцентом на скидку, другой - на уникальное свойство товара. Атрибуция показывает, что объявления со скидкой чаще приводят к быстрым покупкам по модели Last-Click, в то время как объявления с уникальным свойством чаще фигурируют в цепочках по модели First-Click. Это говорит о том, что первые хороши для "добивания", а вторые - для привлечения новой заинтересованной аудитории.

Действие: Создавать отдельные рекламные кампании или группы объявлений для разных стадий воронки, используя соответствующие им сообщения и креативы, основанные на данных о их атрибуционной роли.

3. Оценка полной стоимости привлечения клиента (CAC) и LTV (Lifetime Value)

Без корректной атрибуции расчет стоимости привлечения клиента (CAC) является некорректным, так как расходы на каналы верхней воронки могут неверно распределяться. Точные данные позволяют рассчитать CAC для каждого канала в отдельности и сравнить его с долгосрочной ценностью клиента (LTV), пришедшего из этого канала.

Пример: Бренд тратит значительные средства на блогеров (охват и узнаваемость). В модели Last-Click этот канал может выглядеть убыточным. Однако, используя более сложную модель (например, Position-Based, которая присваивает 40% первому и последнему клику, а 20% распределяет между промежуточными), компания обнаруживает, что клиенты, пришедшие через блогеров, имеют значительно более высокий LTV за счет большей лояльности и повторных покупок.

Таким образом, CAC для этого канала в долгосрочной перспективе оказывается оправданным.

Действие: Рассчитывать не просто ROMI (Return on Marketing Investment) на один заказ, а строить воронки повторных продаж и оценивать LTV клиентов из разных источников. Инвестировать в каналы, которые привлекают не просто "дешевых", а качественных и лояльных клиентов с высоким потенциалом LTV.


 

Вывод

Таким образом, атрибуция заказов на маркетплейсах предстает не просто техническим инструментом аналитики, а стратегическим фундаментом для построения эффективной и рентабельной системы продаж.

Ее корректная реализация позволяет преодолеть ограничения поверхностного взгляда на данные и перейти к глубокому пониманию комплексной природы потребительского поведения в цифровой среде.