Атрибуция и реклама

Все темы Product Analyst

Как окно атрибуции влияет на канал установки приложения?

Канал получает credit только если install или re-engagement попадает в заданное окно после клика или показа. Короткое окно уменьшает ложные присвоения, но теряет длинные пути; длинное чаще приписывает органические установки рекламе. Click-through и view-through окна обычно различаются. Нужно отдельно определить момент install или first open и правила re-attribution конкретной MMP. Метка через 3 или 40 дней зависит от этих настроек, поэтому универсального срока нет. Атрибуция не равна инкрементальному эффекту канала.

Что такое модель атрибуции?

Модель атрибуции задает, как распределить credit за конверсию между наблюдаемыми касаниями пользователя в выбранном окне. Она фиксирует идентификатор пользователя или устройства, правила дедупликации и момент конверсии. Last-click, first-click и многокасательные модели отвечают на вопрос учета, а не причинности. Ненаблюдаемые касания, cross-device и ограничения платформ меняют результат. Чтобы узнать, сколько конверсий реклама добавила, нужен эксперимент или причинный квазиэксперимент, а не одна атрибуционная таблица.

Как восстановить путь пользователя до установки мобильного приложения?

Рекламная ссылка несет campaign и click identifiers, MMP фиксирует клик, а SDK приложения связывает их с install и first open. Deferred deep link может после установки открыть нужный экран. Детерминированное сопоставление использует доступные device identifiers, вероятностное менее надежно и ограничивается privacy-политиками. Источники дедуплицируют по правилам окон и приоритета. Полный путь часто восстановить нельзя из-за перехода через store, cross-device, ATT и агрегированных отчетов, поэтому явно указывают наблюдаемую часть.

Какие ограничения есть у моделей атрибуции?

Атрибуция видит только измеренные касания и теряет cross-device, offline и часть walled gardens. Результат зависит от окна и правила credit: last-click переоценивает нижнюю часть воронки, first-click верхнюю, многокасательные модели зависят от данных и допущений. Каналы могут каннибализировать органику, а пользователи с высокой склонностью к покупке чаще видеть рекламу. Поэтому attribution полезна для учета пути, но не дает инкрементальный эффект без эксперимента или причинного дизайна.

Чем измерение customer journey в web отличается от мобильного приложения?

В web путь чаще связывают cookie, first-party ID и авторизацией, хотя браузерные ограничения и cross-device создают разрывы. В mobile между рекламой и приложением находится store: нужно связать клик с install и first open через MMP, device identifiers, app или universal links и deferred deep links. ATT и SKAdNetwork ограничивают пользовательский уровень данных на iOS. Поэтому одинаковая воронка имеет разные точки наблюдения, окна и неопределенность. Схему событий проектируют отдельно, а не склеивают источники по ненадежным признакам.

Как оценить инкрементальность рекламы без A/B-теста?

Без индивидуального A/B причинность слабее, но можно использовать естественную вариацию. Difference-in-differences сравнивает изменение с контрольной группой при допущении параллельных трендов. Synthetic control строит взвешенный контроль из других регионов, interrupted time series моделирует тренд и момент вмешательства, matching балансирует наблюдаемые факторы. Geo-experiment все еще является экспериментом, если регионы рандомизированы. Для любого квазиэксперимента показывают pre-trends, placebo-тесты и чувствительность к скрытому confounding, не называя корреляцию гарантированным lift.

Чем различаются основные модели атрибуции?

First-touch отдает весь credit первому касанию, last-touch последнему. Linear делит поровну, time-decay сильнее весит поздние касания, position-based повышает вес первого и последнего. Data-driven модель оценивает вклад по наблюдаемым путям, но наследует ограничения данных и не становится автоматически причинной. Выбор зависит от решения и доступной наблюдаемости; изменение длины пути и окна может резко поменять результат. Поэтому модели сравнивают на одних данных и не смешивают их показатели в одном отчете.