Вы уже собираете данные о поведении пользователей на сайте, рекламные расходы и данные из CRM о продажах, разные онлайн и офлайн события, но еще не знаете, что с ними делать? Следующий шаг — настройка атрибуции. И не простой атрибуции, а кастомной, с использованием машинного обучения Google BigQuery. На вебинаре мы расскажем, как извлечь максимум пользы из сырых данных и как настроить Google BigQuery ML атрибуцию для вашего бизнеса. Поговорим о подводных камнях и ограничениях различных подходов. Скачать запись вебинара можно по ссылке https://www.owox.com/c/4on

2. Сбор данных
с OWOX BI
Автоматически объединяйте данные
из разных систем: все действия на
вашем сайте, звонки и заказы из CRM,
email-рассылки и расходы на
рекламные кампании.
Записаться на демо

3. Записаться на демо
Маркетинговые
отчеты с OWOX BI
Мы настроим для вас сквозную аналитику и
автоматизируем отчеты любой сложности: по
рекламным кампаниям, когортному анализу,
ROPO, CPA, ROI, ROAS, LTV, САС, атрибуции и
многие другие.

4. Записаться на демо
Атрибуция и
маркетинг-прогнозы
Узнайте реальный вклад каждого
маркетингового канала в продажи
с помощью модели атрибуции от OWOX BI.
Стройте прогнозы на данных и используйте
маркетинг-инсайты для оптимизации вашей
стратегии.

5. На демо мы познакомим вас с OWOX BI
и расскажем, как с помощью нашего
инструмента вы сможете решить задачи
маркетинг-аналитики.
Записаться на демо

6. Сегодня в программе
1. Область применения
2. Требования к модели
3. Применение экспертных знаний
4. Техническая реализация

7. Область применения
машинного обучения в
атрибуции

8. Уровни принятия решений на основе атрибуции
Decision
Level
Decision Maker
& Frequency
Decisions Tool
Attribution
Models
Vision
CEO, CMO
Quarterly
Brand Awareness Investments
Online Budget Share Allocation
Market Research
Advisers
—
Strategic
Marketing Director,
Ecommerce Director
Monthly
Cross-Channel Budget Allocation
High-Level KPI Adjustment
Visual IQ
OWOX BI
Custom Model
Markov Chain
Funnel Based
Data Driven
Tactical
Paid Acquisition
Manager
Weekly
Cross-Campaign Budget Allocation
KPI Adjustment
OWOX BI
Google Analytics
Google Sheets
Assisted
Conversions
Time Decay
Funnel Based
Post-View
Execution
Bid Manager
(internal / external)
Nearly Real Time
Bid Adjustment
Google Ads
Facebook Ads
Yandex.Direct
Last Non-Direct
Click, Embedded

9. Машинное обучение
Область применения машинного обучения
Оцифрованность
влияющих факторов
Скорость принятия
решения

10. Strategic
Marketing Director,
Ecommerce Director
Monthly
Cross-Channel Budget Allocation
High-Level KPI Adjustment
Visual IQ
OWOX BI
Custom Model
Markov Chain
Funnel Based
Data Driven
Tactical
Paid Acquisition
Manager
Weekly
Cross-Campaign Budget Allocation
KPI Adjustment
OWOX BI
Google Analytics
Google Sheets
Assisted
Conversions
Time Decay
Funnel Based
Post-View
Область применения машинного обучения
Decision
Level
Decision Maker
& Frequency
Decisions Tool
Attribution
Models
Vision
CEO, CMO
Quarterly
Brand Awareness Investments
Online Budget Share Allocation
Market Research
Advisers
—
Execution
Bid Manager
(internal / external)
Nearly Real Time
Bid Adjustment
Google Ads
Facebook Ads
Yandex.Direct
Last Non-Direct
Click, Embedded

11. Модели атрибуции в рекламных сервисах
Last Non-Direct
Click
Position
Based
Probabi
listic
Post-
Click
Post-
View
Cross-
Device
Online-
Offline
Google Ads ✔ ✔ ✔ ✔ ✔ ✔
Google Display & Video 360 ✔ ✔ ✔ ✔ ✔ ✔
Google Search Ads 360 ✔ ✔ ✔ ✔ ✔
Яндекс.Директ ✔ ✔ ✔
myTarget ✔ ✔ ✔ ✔
Facebook Ads ✔ ✔ ✔ ✔
Google Analytics ✔ ✔ ✔ ✔ ✔
Google Analytics 360 ✔ ✔ ✔ ✔ ✔ ✔ ✔
Яндекс.Метрика ✔ ✔ ✔ ✔ ✔

12. Выводы
1. Наибольший потенциал применения машинного
обучения в поддержке тактических и стратегических
задач
2. Для решения визионерских решений не достаточно
данных
3. Рекламные сервисы обладают значительно большей
полнотой и скоростью доступа к данным

13. Требования к модели
атрибуции

14. Ожидаемый результат
✔ Доход по рекламным кампаниям
Входные данные
✔ Действия посетителей на сайте
Требования к модели атрибуции. Этап 1
На графиках распределение дохода по группам каналов трафика
Подписи — ROAS (Revenue / Ad Spent)

15. Входные данные
✔ Действия посетителей на сайте
Ожидаемый результат
✔ Доход по рекламным кампаниям
Требования к модели атрибуции. Этап 2
? Рекомендации «что делать»
? Прогноз «что будет»
? Моделирование marketing mix
✲ Расходы на рекламу
✔ Природа каналов
✲ Емкость каналов
✲ Тренды рынка
✖ Активности конкурентов
✲ Данные о показах на уровне
пользователя

16. Data-Driven vs Data-Informed

17. Для практического применения модель должна:
1. Поддерживать применение экспертных знаний
2. Давать объяснимые результаты
3. Предоставлять данные о достоверности расчетов
Выводы

18. Экспертные знания
в машинном обучении

19. В течение какого времени,
с момента первого
взаимодействия, 95%
покупателей делают заказ?
Выбор конверсионного окна

20. Выбор управляемых каналов
Какими каналами вы
реально управляете? Оценка
каких каналов приводит к
перераспределению
рекламного бюджета?

21. Точечной оценки рекламной кампании недостаточно

22. Рекламные кампании находятся под давлением
друг друга и формируют итоговые продажи
Продажи до отключения
канала

23. Если отключить одну из кампаний,
общие продажи немного «сдуются»
Продажи до отключения
канала
Продажи после
отключения канала

24. 1. Какой вклад канала в общие продажи
Что измеряет атрибуция?
1
4
2
2. Насколько увеличились продажи,
благодаря каналу
3. Насколько уменьшатся продажи, если
отключить канал
4. Сколько приносит канал по мнению
самого канала

25. Этот мир объемный, а не плоский
Воронка покупателя к заказу
Результат
«плоской» оценки
рекламных
кампаний

26. Результат оценки влияния
рекламной кампании на воронку
Одного числа для оценки
рекламной кампании
недостаточно — нужно
понимать, как эта оценка
сформирована.

27. Как сформировать шаги воронки
Самый простой способ для
ecommerce сайта ―
использовать события
Google Analytics Enhanced
Ecommerce.
Но для расчета
статистически значимых
данных на уровне когорт их
недостаточно.

28. Как выбрать события для воронки
События кластиризуются
на основе времени до
конверсии и вероятности
конверсии.

29. Главными экспертными знаниями, которые должна
учитывать модель атрибуции на основе машинного обучения
являются:
1. Конверсионное окно
2. Природа и управляемость каналов
3. Воронка взаимодействия с покупателем
Выводы

30. Техническая
реализация

31. 1. Действия пользователя с сайта:
OWOX BI, Google Analytics 360
2. Данные о показах объявлений:
OWOX BI Post-View Pixel, Google Ads Data Hub
3. Расходы на рекламу:
OWOX BI Pipeline → Google BigQuery
4. Емкость каналов, тренды рынка:
OWOX BI Insights использует данные десятков тысяч проектов
Обеспечьте полноту данных

32. Убедитесь, что атрибуция имеет
смысл
Если 80%+ транзакций
осуществляются за 1
сессию, то результат любой
модели атрибуции будет
мало отличаться от Last
Non-Direct Click.

33. Мусор на входе — мусор на выходе
Доверять данным JavaScript трекера нельзя:
1. Пользователи, сделавшие аномальное количество заказов
2. Дубли заказов с одинаковым id
3. Кампании, названия которых меняются в течение времени
4. Визиты и заказы с IP адреса колл-центра и офиса
5. B2B покупатели

34. Google BigQuery — неудачный выбор для ETL
и регулярного обучения модели
1. Недостаточно функций для качественной очистки данных
Ограничения WINDOW функций, инструментов для интерполяции и
локализации выбросов
2. Ограниченный набор моделей
Нельзя выбрать каскад метрик для оптимизации
3. Экономически неэффективно
$250.00 per TB

35. Технологии Machine Learning в Google Cloud
Developer SQL Analyst Data Scientist Use cases and skills
TensorFlow
and CloudML
Engine
● Build and deploy state-of-art custom models
● Requires deep understanding of ML
and programming
BigQuery ML
● Build custom models using SQL
● Requires only basic understanding of ML
AutoML and
CloudML APIs
● Build and deploy Google-provided models
for standard use cases
● Requires almost no ML knowledge

36. Обеспечьте прозрачную оценку
достоверности расчетов
Почему вы решили, что
результатам расчетов
можно доверять?

37. 1. Данные с сайта содержат слишком шума и не могут быть
применены для машинного обучения без предварительной
обработки
2. Google BigQuery недостаточно для решения задач ETL и
регулярного обучения модели
Выводы

38. Общие выводы

39. Вопросы, на которые надо ответить заранее
● На каком уровне будут приниматься решения?
● На распределение какого бюджета мы претендуем?
● Какие данные нам доступны для расчетов?
● Какие инструменты нам доступны для применения
результатов?

40. На демо мы познакомим вас с OWOX BI
и расскажем, как с помощью нашего
инструмента вы сможете решить задачи
маркетинг-аналитики.
Записаться на демо

41. Активируйте
промокод -50%
owox_webinar2
Получите скидку -50%
на 1 месяц для импорта расходов
из 5 рекламных источников
Промокод действителен до 25.06.2020

42. 15 мая, Москва,
ИнфоПространство
7-я ежегодная
конференция по аналитике
для бизнеса
Product, Marketing
& Engineering goanalytics.ru

43. Спасибо за внимание.
Вопросы?