Post-view аналитика для VK: как создать аналог атрибуции Facebook* во ВКонтакте и убедиться в эффективности рекламы

Post-view анализ эффективно работает на благо конверсий и рекламодателей. Но уход площадок размещения может больно ударить по показателям, если не хватает привычного инструментария. Как в ArrowMedia создавали специальные отчеты, которые стали аналогом атрибуции ушедших площадок, рассказали старший специалист по таргетированной рекламе Магомед Тимаев, руководитель группы по таргетированной рекламе Юлия Бушмакина и руководитель отдела BI/DWH Александр Морин.

Мы активно использовали в таргетированной рекламе сегменты аудитории из CRM-базы клиента:

• «приверженцы бренда»;
• «спящие» (те, кто не покупали более 60 дней) и др.

И в Facebook* подобное продвижение было весьма результативным с учетом post-view анализа транзакций, поскольку функционал был вшит в рекламный кабинет и его использование годами оттачивалось на различных сегментах. Но в 2022 году все мы лишились возможности запускать рекламу на некоторых площадках, и, соответственно, потеряли эту часть работающего инструментария.

Аналогичные кампании по сегментам аудитории из CRM-базы во ВКонтакте не давали такой же результативности. При правильных настройках динамического ремаркетинга можно поддерживать эффективность продвижения в тех сегментах, где аудитория уже знакома с брендом. А вот с рекламой, нацеленной на новых пользователей, начались проблемы. По показателям LNDC-атрибуции рост CPO во ВКонтакте несильно отличался от результатов из Facebook*, но был критичным для клиента. Для оценки эффективности кампаний нам был нужен такой же качественный отчет по данным post-view, к какому мы привыкли в личном кабинете Facebook*.

Мы решили создать аналог атрибуции Facebook* на своей стороне, ведь в скором будущем ждать такого отчета от площадки не стоит: VK только начал двигаться в эту сторону, а развивать кампании на новую аудиторию нужно уже сейчас.

Для замера post-view транзакций мы использовали AdRiver. Это не означает, что для решения такой задачи подходит только этот сервис, можно использовать и другие, например, Weborama или Sizmek. Здесь важно, чтобы в сервисе можно было установить пиксель с кастомными переменными и получить сырые данные от самой системы в связке с идентификаторами счётчиков статистики.

Привычной схемой для такой задачи было бы использование Campaign Manager 360 (DCM) в связке с Google Analytics и другими инструментами экосистемы Google, но сейчас такой возможности нет. Поэтому мы использовали данные AdRiver, соединив их с данными Google Analytics.

Далее — дело техники:

1. Внедрить пиксель AdRiver на сайт клиента.
2. Настроить передачу событий — для нас были важны просмотр карточки товара, добавление в корзину и покупка на сайте.
3. Убедиться, что на всех этапах всё корректно работает. Проверяем передаются ли события в пиксель — для этого делаем тестовые заказы, чтобы инициировать события. Проверить срабатывание событий можно в консоли просмотра кода на сайте: в разделе Network ввести AdRiver и инициировать на сайте тестируемые события (добавление в корзину, покупка). При корректной настройке будут появляться события с названием addBasket, product и т. д.
4. Получить нужные данные в необходимом виде — в формате таблицы (выгрузки), чтобы мы могли сопоставить выгрузку с данными Google Analytics и соотнести доход из GA. Например, важно, чтобы передавались метки UTM и Client ID (именно по нему мы соотносим доход из GA, так как AdRiver не может видеть доход с мобильных устройств, а в нашем случае это 70% трафика).
5. Объединить их с уже имеющимися показателями по рекламным кампаниям в отчетах сквозной аналитики. Для этого нужно достроить их в итоговом отчете Power BI новыми столбцами и вычисляемыми показателями, которые считаются на основе данных из отчета по заданным формулам. Например, у нас есть данные по доходу и расходу, нужно посчитать ДРР. Мы прописываем формулу ДРР (Расход / Доход х 100), и ДРР считается в отдельном столбце на основе соответствующих данных из отчета.

Для гибкости работы с отчетами, мы забираем данные из AdRiver в сыром виде:

1. данные по показам рекламы, включающие в себя внутренний user_id AdRiver каждого пользователя;
2. данные по сайту, позволяющие соотнести user_id с client_id Google Analytics.

Это позволяет понять, была ли показана реклама пользователю, и если да, то баннер какой кампании он видел.

Для простых отчётов можно брать количество post-view транзакций из стандартных отчетов AdRiver по каждой кампании. Для более сложных придется работать с сырыми данными.
Когда у нас есть данные по расходам и эффективности рекламы из Google Analytics, гораздо проще добавить данные о post-view транзакциях и post-view доходе из стандартных отчетов AdRiver.

Если же вам нужно сравнить, как изменились показатели по разным источникам после запуска охватной кампании в соцсетях, нужно обработать сырые данные. Придется разобраться, кому из пользователей показывалась реклама, и сравнить общие показатели и показатели сегмента, который видел объявления. Это даст вам понять, как повлияла охватная кампания на другие источники.

Всего мы подготовили два отчёта.

Это отчёт по последнему непрямому клику (last non-direct click). Выручка при такой модели присваивается последнему непрямому взаимодействию. Эта модель считается основной и используется во всех отчётах Google Analytics, поэтому ее еще называют стандартной атрибуцией.
На данном дашборде мы видим разбивку по источникам (ВКонтакте и myTarget) и разбивку по кампаниям, а также следующие метрики:

• расход,
• транзакции post-view,
• доход post-view,
• ДРР post-view,
• транзакции без post-view и т. д.

Отчёт помогает нам понять, сколько каждая кампания привлекла транзакций после клика и после просмотра рекламы (post-view) и какова доля рекламных расходов у каждой кампании.
Имея перед глазами такую картину, мы можем взвешенно вносить изменения в кампании: отключать те, у которых высокий ДРР, и масштабировать те, что в рамках KPI.

Также мы разработали дополнительный отчет «Влияние VK/MT на изменение CR в других каналах», он же ConveriosnLift, в котором сравнивается конверсия видевших рекламу с теми, кто ее не видел. В этом отчёте мы можем видеть post-view эффект для каждого канала. Например, сколько транзакций было без учёта post-view и сколько транзакций случилось с учетом post-view. Также мы можем увидеть, как показ рекламы повлиял на увеличение запросов в органической выдаче (Google, Yandex). В некоторых случаях это помогает команде принять решение об оптимизации кампаний.

Функциональность отчета продемонстрируем на сегменте «Бакалея». До отключения рекламных функций мы получали в Facebook* стоимость покупки и ДРР, которые устраивали клиента. CPO был в пределах 400 рублей. Но при сравнении покупок по атрибуции LNDC по тем же кампаниям мы получали в Google Analytics CPO 5600 рублей, тогда как в личном кабинете соцсети с учетом post-view CPO был в 14 раз меньше.

При аналогичных тестах во ВКонтакте ДРР был всегда выше 100%, а CPO — от 6000 рублей по last-click. Если в случае со встроенной атрибуцией в рекламном кабинете Facebook* мы показывали, что вместе с post-view транзакциями получаем CPO в пределах 400 рублей, то в ситуации со ВКонтакте и myTarget это было проблемой — мы не видели post-view конверсий.

После создания отчета у нас получилось подтвердить клиенту качество рекламных кампаний. С учетом post-view атрибуции в итоге мы получили CPO 395 рублей, а ДРР составил 11,77%.

Мобильная адаптация к внешним факторам — лакмусовая бумага экспертности и проактивности команд агентства и клиента. Мы за создание новых подходов своими силами, а не за существование в режиме ожидания благоприятных условий извне.

*Компания Meta, а также ее продукты Facebook и Instagram признаны экстремистскими в России.