Почему моделировать конверсии обязательно, если нет файлов cookie

Philip McDonnell / Сентябрь 2020 г.
Абстрактное изображение длинного изгибающегося окна браузера, которое символизирует непрямой путь к покупке на разных устройствах, от исследования до приобретения товара.

Digital-реклама позволяет охватить пользователей, где бы они ни находились, и обратиться к ним с релевантными сообщениями в подходящий момент. Рекламодатели привыкли с легкостью получать полные данные о пути к покупке и анализировать эффективность объявлений.

Однако отслеживать путь к покупке становится всё сложнее. Потребители часто переключаются между устройствами или работают в разных браузерах на одном девайсе, а потом приобретают товар. Это может искажать представления о покупательском поведении.

Для сбора данных онлайн используют файлы cookie. В них записываются сведения о том, что происходит после нажатия на объявление. Но в браузерах есть ограничения на использование файлов cookie, а при переходах между устройствами возникают «слепые зоны». Это мешает узнавать, произошла ли конверсия. Кроме того, постоянно вводятся новые законы о конфиденциальности: они ограничивают сбор данных в разных странах.

В результате мы получаем сложную картину цифровой сферы, в которой возникает множество пробелов при сборе информации.

Как получать точные данные

Поскольку нам не всё известно о пути к покупке, точно измерять эффективность инвестиций в рекламу нелегко. Но здесь помогает моделирование конверсий.

При моделировании конверсий используют алгоритмы машинного обучения. Они рассчитывают потенциальные результаты, когда данные об определенных наборах конверсий недоступны. Например, если вы собираете данные о конверсиях при взаимодействии на нескольких устройствах, эти устройства не всегда удается связать из-за отсутствия файлов cookie.

В результате вы не сможете правильно присвоить часть конверсий пользователям, которые взаимодействовали с вашими объявлениями, и ваши представления о пути к покупке будут неполными. Но если вы применяете моделирование, алгоритмы машинного обучения смогут заполнить пробелы, используя имеющиеся данные и статистику за прошлые периоды, и получить необходимую информацию.

Благодаря моделированию точность собранной статистики повышается, и при этом в отчетах представлены только агрегированные и анонимизированные данные. Другими словами, вы получаете всю информацию о поведении пользователей, не нарушая их конфиденциальности, и эффективность вашей рекламы не снижается, когда непосредственное отслеживание невозможно.

Моделирование абсолютно необходимо, когда нет файлов cookie

Если вы не используете моделирование конверсий, страдает не только статистика отдельных кампаний, но и весь ваш бизнес в целом. Какова совокупная эффективность ваших кампаний? Какие из них наиболее успешны? Выполняются ли цели по доходу от рекламы? Вы не сможете отвечать на эти и подобные вопросы, если не будете получать всех необходимых данных.

Точная статистика — надежная основа для обучения, принятия решений и оптимизации.

Но если во все ваши решения для отслеживания встроено моделирование, пробелы в статистике автоматически заполняются на основе данных и сигналов, специально подобранных для ваших кампаний. Точная статистика — надежная основа для обучения, принятия решений и оптимизации. Если вы хотите успешно развивать бизнес, вам необходимо позаботиться о полноте информации.

С помощью машинного обучения можно получить недостающие данные

Маркетологи уже давно поняли, что моделирование позволяет достигать большего, получая меньше данных. Например, оно помогает заполнять пробелы при переключении потребителей между устройствами и при переходе из интернета офлайн.

Сейчас всё больше пробелов возникает и в онлайн-данных, однако автоматизировать можно и учет конверсий на сайтах. Для надежного моделирования по-прежнему необходимы большие наборы данных, поэтому всё так же важно собирать качественную информацию для разных платформ, устройств, браузеров и операционных систем. Когда вы выбираете поставщика услуг отслеживания, который сможет обеспечивать точность моделирования, первое, на что следует обращать внимание, — широта охвата.

Чтобы агрегированные сведения о покупательском поведении были точными, технологии машинного обучения анализируют фактически полученные данные, например об устройстве, дате, времени и типе конверсии, и выполняют моделирование для всех активных кампаний. Если встроить эту функцию во все решения по сбору данных и обеспечить надежность информации, вы будете видеть полную картину происходящего и получать отчеты, в которых автоматически добавляются результаты моделирования. Такая автоматизация особенно важна, когда требования к сбору данных меняются по всему миру, и нужно быть готовым к тому, что это коснется и возможности отслеживания конверсий.

Надежные онлайн-решения помогут вам создать среду для моделирования на основе данных и не терять сведения о конверсиях, как бы ни менялась ситуация. А для этого необходимо внедрять инструменты, которые позволят собирать больше фактических данных о кампаниях. Маркетологам давно известно, какую важную роль играют теги для надежного отслеживания конверсий на всех платформах.

Используйте на сайте Google Менеджер тегов или глобальный тег, чтобы создать успешную инфраструктуру отслеживания для Google Рекламы или Google Платформы для маркетинга. Благодаря им вы не только будете получать больше данных о конверсиях, но и заложите основы надежного моделирования для тех ситуаций, когда пробелы в данных неизбежны. Эти решения позволяют собирать информацию и проводить оптимизацию.

Подход к отслеживанию меняется по всему миру, а это означает, что маркетологам необходимо искать новые решения и заботиться о конфиденциальности пользователей.

Подход к отслеживанию меняется по всему миру, а это означает, что маркетологам необходимо искать новые решения и заботиться о конфиденциальности пользователей. Это открывает новые возможности для маркетинга на основе данных, чтобы сейчас и в будущем вы получали точное и полное представление об эффективности вашей рекламы.

Моделирование по-новому: как посчитать ROI в условиях омниканальности