Коротко и по делу — что измерять, какие модели атрибуции и какими инструментами это реализовать для омниканальной кампании (оффлайн, соцсети, email).
1) Ключевые метрики (общие)
- Конверсии (offline и online): количество целевых действий.
- Стоимость за конверсию: $\mathrm{CPA}=\frac{\text{Cost}}{\text{Conversions}}$.
- Доход / рентабельность: $\mathrm{ROAS}=\frac{\text{Revenue}}{\text{Cost}}$.
- Средний чек: $\mathrm{AOV}=\frac{\text{Revenue}}{\text{Orders}}$.
- CAC и LTV: $\mathrm{CAC}=\frac{\text{Total acquisition cost}}{\text{New customers}}$, $\mathrm{LTV}$ — ожидаемый пожизненный доход клиента, и соотношение $\frac{\mathrm{LTV}}{\mathrm{CAC}}$.
- Конверсионные воронки: CTR $=\frac{\text{Clicks}}{\text{Impressions}}$, CVR $=\frac{\text{Conversions}}{\text{Clicks}}$. Формулы: $\mathrm{CTR}=\frac{\text{Clicks}}{\text{Impressions}}$, $\mathrm{CVR}=\frac{\text{Conversions}}{\text{Clicks}}$.
- Удержание/ретеншн, отток, повторные покупки.
2) Метрики, важные для оффлайна
- Посещаемость/footfall, кросс‑канальные редемпшены (купон/штрихкод), оффлайн‑продажи по промокодам.
- Uplift (приращение) продаж/трафика в гео с оффлайн рекламой vs контроль.
- GRP/OTS/frequency для медийной оффлайн‑активности.
3) Канало‑специфичные KPI
- Соцсети: CPM, CPC, CTR, CVR, CPA, View‑through conversions, engagement metrics.
- Email: Open rate, Click‑through rate, Click‑to‑open rate, Bounce rate, Unsubscribe rate, Conversion rate, Revenue per recipient.
4) Атрибуционные модели — какие и когда применять
- Простые модели:
- Last click / last touch — быстрый ориентир (но занижает влияние верхней воронки).
- First click — оценка роли привлечения.
- Linear — равное распределение между взаимодействиями.
- Time decay — больше веса недавним событиям.
- Position based (U‑shaped) — вес началу/концу.
- Алгоритмические / каузальные:
- Data‑driven attribution (ML) — если есть достаточные данные; хороша для digital.
- Markov chains — оценивает влияние удаления шагов в пути.
- Shapley value — честное распределение вклада каналов.
- Каузальные и инкрементальные методы (рекомендую как главный приоритет):
- Рандомизированные контролируемые эксперименты (A/B, holdout) — измеряют реальный uplift.
- Геотесты / geo holdout — особенно для оффлайн и ТВ/OOH.
- Difference‑in‑differences, synthetic control — контрольные когорты при невозможности рандома.
- Рекомендация по практике: применять гибрид — MMM (для оффлайн/макроэффектов) + MTA / data‑driven / Shapley для цифровых каналов + экспериментальная валидация (holdouts) для оценки инкрементальности.
5) Аналитические подходы
- Marketing Mix Modeling (MMM) — для оценки медиамикса и оффлайн влияния на уровень продаж (агрегированные данные, временные ряды).
- Multi‑Touch Attribution (MTA) / Data‑Driven — для user‑level цифровых путей.
- Incrementality tests (experiment/holdout) — для определения реального вклада каналов.
- Объединённый подход: MMM решает стратегические, долгосрочные вопросы; MTA — тактические, оптимизация ставок/креативов; эксперименты — проверка гипотез и подтверждение инкрементальности.
6) Инструменты и стэк (конкретно)
- Веб/сбор данных:
- Google Analytics 4 (cross‑platform, событийная модель), Measurement Protocol / server‑side tagging.
- Tag manager (GTM) + серверный трекинг, Meta Conversions API.
- Рекламные платформы:
- Meta Ads Manager, Google Ads, DSP‑платформы — для отчетности и экспериментов.
- Атрибуция и унификация данных:
- CDP/ID‑resolution: Segment, mParticle, RudderStack, собственный Identity Graph.
- Attribution platforms: Rockerbox, Attribution, Adjust (mobile), AppsFlyer, либо собственные DDA/Machine‑learning модели в BigQuery/R/Python.
- Эксперименты и инкрементальность:
- Google Ads experiments, Meta lift studies, специализированные платформы для A/B и geo‑tests; статистические библиотеки: CausalImpact (R), DoWhy/CausalML (Python).
- Оффлайн/retail:
- POS/CRM интеграция: Shopify, Square, Salesforce, 1C/ERP системы.
- Call tracking: CallRail, Invoca.
- Купоны/QR/vanity numbers для трекинга оффлайн‑каналов.
- BI и аналитика:
- BigQuery / Snowflake (хранилище), ETL (Airflow), BI: Looker, Tableau, Power BI для дашбордов.
- Моделирование MMM/MTA:
- R / Python (statsmodels, scikit‑learn, Prophet), специализированные SaaS‑решения для MMM.
7) Практические рекомендации по внедрению
- Свести все данные в единый источник (CDP / DWH), обеспечить разрешение ID (email, cookie, device, CRM id).
- Наладить серверный трекинг и конверсию‑deduplication между каналами.
- Запускать регулярные инкрементальные тесты (тап на 4–8 недель для продаж).
- Использовать MMM для оффлайна и больших медиапланов; применять data‑driven attribution + Shapley/Markov для детальной оптимизации digital; подтверждать выводы экспериментами.
- Включить метрику инкрементального ROAS (iROAS) — оценка дохода, вызванного каналом, а не приписанного по модели.
Если нужно — могу предложить конкретную дорожную карту измерений и список метрик/дашбордов под ваш кейс (бюджеты, каналы, CRM).