Коротка відповідь: атрибуція персоналізації працює так: фіксується, який досвід (варіант) бачив кожен відвідувач і акаунт, а потім конверсія та пайплайн тих, хто бачив персоналізовану версію, порівнюються з випадково призначеною контрольною групою, що бачила стандартну. Атрибуція каналів каже, звідки прийшов відвідувач; атрибуція досвіду каже, чи змінило результат те, що він побачив на сайті. Потрібні обидві, і лише порівняння з контрольною групою вимірює додатковий ефект.
Більшість систем атрибуції побудовано на одному непомітному припущенні: кожен, хто потрапляє на URL, бачить ту саму сторінку. Персоналізація це припущення руйнує. Двоє відвідувачів клікають на те саме оголошення Google і потрапляють на ту саму головну сторінку. Один бачить заголовок про корпоративну безпеку, інший — про швидкість API. Ваш інструмент аналітики записує обидва візити як «homepage, google / cpc». Якщо один конвертувався, а інший ні, у цьому записі ніщо не скаже вам, що зіграло роль: канал, версія сторінки чи щось інше.
Решта поста пояснює, чому стандартні моделі цього не бачать, як розділити питання на два, як налаштувати контрольні групи, як передавати дані про досвід у CRM і як звітувати про це без перебільшень.
Чому стандартні моделі атрибуції не враховують персоналізацію
Моделі першого дотику, останнього дотику, лінійна, з загасанням у часі та позиційна — усі розподіляють заслугу між джерелами трафіку й діями на сайті. Саму сторінку при цьому вважають сталою. Вони також пропускають вплив, який ніколи не створює відстежуваного контакту, — про це ми пишемо в статті про dark funnel у B2B. Якщо потрібно освіжити в пам’яті, як моделі розподіляють заслугу, див. цей практичний посібник із мультиканальної атрибуції.
Приклад (умовний): акаунт заходить тричі, перш ніж запросити демо. Візит 1 — з органічного пошуку, бачить загальну головну сторінку. Візит 2 — з оголошення в LinkedIn; на той час компанію вже ідентифіковано, тож вона бачить заголовок для виробництва. Візит 3 — прямий, і сайт показує кейс про заміну інструмента, яким акаунт користується зараз. Лінійна модель віддає органіці, LinkedIn і прямому трафіку по третині заслуги. У ній немає поля «бачив варіант для виробництва» чи «бачив кейс про конкурента», тож якщо переконали саме ці сторінки, звіт цього не покаже.
Це прогалина у вимірюванні, а не доказ того, що персоналізація спрацювала. Можливо, акаунт і так забронював би зустріч. Суть у тому, що стандартний звіт не може відповісти ні так, ні інакше.
Розділіть це на два питання
| Атрибуція каналів | Атрибуція досвіду | |
|---|---|---|
| Питання | Які канали приводять правильні акаунти? | Коли вони приходять, чи змінює персоналізований досвід їхні дії? |
| Рішення, на яке це впливає | Бюджет на залучення | Які правила персоналізації залишити, змінити чи вимкнути |
| Метод | Ваша наявна модель MTA або звіти платформ | Рандомізована контрольна група проти типової сторінки |
| Основна аудиторія | Платна реклама та генерування попиту | Веб, CRO та продуктовий маркетинг |
Ведіть їх паралельно й звітуйте окремо. Атрибуція каналів має власні обмеження, але її можна залишити як є. Атрибуція досвіду потребує контрольної групи, бо «люди, які бачили персоналізовану сторінку, конвертували краще» ви побачили б і тоді, коли просто персоналізували б сайт для акаунтів з найкращою відповідністю. Про канали — у нашому посібнику про маркетингові канали в B2B.
Контрольні групи: частина, що вимірює інкрементальність
Не показуйте персоналізацію випадковій частині відповідних акаунтів, нехай вони бачать стандартний сайт. Усе інше залишається без змін: та сама реклама, ті самі листи, той самий фоллоу-ап від продажів.
Важливі налаштування:
- Розподіляйте за акаунтом, а не за сесією. Якщо закупівельна група з чотирьох людей розділиться між варіантами, обидві групи буде «забруднено». Хешуйте ID компанії (або власну cookie, якщо компанія невідома), щоб розподіл зберігався між візитами.
- Визначайте розмір контрольної групи за своїм трафіком, а не за емпіричним правилом. Більша контрольна група дає результат швидше, але більше акаунтів не бачать персоналізовану сторінку. Розрахуйте, скільки акаунтів на групу потрібно, щоб побачити важливий для вас приріст, за допомогою розрахунку розміру вибірки для A/B-тесту, а потім вирішіть, яка це частка.
- Зафіксуйте визначення «відповідності». Якщо правило сегмента зміниться посеред тесту, групи перестануть бути порівнянними.
Потім порівняйте групи на кожному етапі воронки, який ви реально можете порахувати:
- Коефіцієнт конверсії форм або демо на сайті.
- Частка переходу з MQL в SQL. Вона виявляє варіант, що збільшує кількість заповнених форм, але приваблює слабших лідів.
- Частка створення можливостей на акаунт.
- Частка виграних угод і розмір угоди, коли закрито достатньо угод. У більшості B2B-компаній цьому етапу потрібен повний цикл продажу, перш ніж він щось покаже.
Читайте результати і за сегментами, і загалом. Сукупний приріст може повністю походити з одного сегмента, тоді як інший не бачить змін або трохи погіршується. Якщо групи за сегментами замалі для аналізу, так і скажіть, а не подавайте сукупний результат так, ніби він стосується всіх.
Коли неможливо зробити чисту контрольну групу акаунтів
Географічний поділ
Персоналізуйте в одних регіонах і утримуйтеся в порівнянних. Корисно, коли обсяги акаунтів надто малі або охоплення ідентифікації нерівномірне. Ризик у тому, що регіони різняться з причин, які не мають стосунку до вашого сайту (покриття продажами, локальні події, валюта), тож обирайте зіставні регіони й проводьте тест довше.
Періоди увімкнення/вимкнення
Чергуйте ввімкнення та вимкнення персоналізації у фіксованих вікнах, наприклад по два тижні, протягом кількох циклів. Так жоден цільовий акаунт не опиниться в постійній контрольній групі. Запуски кампаній, свята та кінець кварталу зсуватимуть цифри, тож фіксуйте дату кожної великої кампанії й відкидайте вікна, що з нею перетинаються.
Варіант проти варіанта
Коли ви знаєте, що персоналізація перемагає стандартну версію для сегмента, тестуйте стратегії персоналізації одна проти одної: галузевий заголовок проти заголовка за розміром компанії або релевантний кейс проти індивідуального банера. Це підкаже, яке правило масштабувати, і зазвичай це корисніше питання, ніж «чи працює персоналізація?»
Як передавати дані про досвід у CRM
Заповнені форми — не той результат, за який платять B2B-командам, тож дані варіантів мають потрапляти у звіти про пайплайн.
- Надсилайте подію для кожного рішення персоналізації. У GA4 (або вашому інструменті аналітики) надсилайте власну подію з ID правила, сегментом, варіантом і позначкою «контрольна група чи персоналізація». Зареєструйте параметри як спеціальні параметри (custom dimensions), щоб звітувати за ними.
- Записуйте поля в CRM під час конверсії. Під час надсилання форми передавайте сегмент, останній показаний варіант і позначку контрольної групи в приховані поля, зіставлені зі структурованими полями контакту. Не в поле нотаток: за ними потрібно фільтрувати.
- Зведіть усе на рівень акаунта. Синхронізуйте історію на рівні акаунта, якщо ваш інструмент це підтримує: персоналізовані сесії, показані варіанти, дати першого й останнього показу.
- Позначайте можливості. Додайте поле можливості, яке має значення «true», якщо будь-який контакт цієї можливості бачив персоналізовану сесію у визначеному вікні до її створення. Оберіть вікно відповідно до свого циклу і зафіксуйте його; поширений вибір — 30 або 60 днів. Заповнюйте його робочим процесом, а не вручну.
- Створіть три звіти. Ваш наявний звіт за каналами без змін. Щотижневий звіт про персоналізацію: конверсія за сегментом, персоналізація проти контрольної групи. Квартальний звіт про пайплайн: підсилений пайплайн за сегментом і етапом.
Чисті UTM — обов’язкова передумова. Якщо дані про джерело й кампанію неузгоджені, ви не зможете відокремити вплив каналу від впливу сторінки; спільні правила з генератором UTM вирішують більшу частину цього.
«Вплинув» не означає «спричинив»
Називайте позначку можливості «під впливом персоналізації», а не «атрибутовано». Вплив означає лише те, що хтось, причетний до угоди, бачив персоналізовану сторінку. Персоналізація зазвичай націлена на найбільш відповідні акаунти, які й так конвертують краще, тож пайплайн під впливом виглядатиме добре незалежно від того, чи щось дали варіанти. Причинно-наслідкову частину дає контрольна група.
Поєднуючи обидва підходи, з вигаданими числами для ілюстрації розрахунку: можливості під впливом дали за квартал пайплайн на 4,2 млн $, а контрольна група показує додатковий приріст конверсії на 18%. Додаткова частка становить 0,18 / 1,18, тож приблизно 640 тис. $ цього пайплайну не існувало б без персоналізації. Решта 3,56 млн $, найімовірніше, з’явилися б і так. Фінансовий відділ запитає друге число — назвіть його раніше. Та сама дисципліна стосується платної реклами: калькулятор ROAS із вашою валовою маржею покаже, чи атрибутована виручка взагалі покриває витрати.
Звітування різним людям
| Аудиторія | Що їм потрібно | Що не включати |
|---|---|---|
| CMO / керівник маркетингу | Приріст для кожного сегмента відносно контрольної групи, які правила масштабувати, як персоналізовані сторінки змінюють конверсію для кожного основного каналу | Сирий підсилений пайплайн без контексту контрольної групи |
| Керівництво продажів | Чи створюють персоналізовані акаунти більше можливостей і чи рухаються вони швидше, за сегментами, після завершення повного циклу | Метрики залученості на рівні сесії |
| Фінанси | Інкрементальна воронка порівняно з контрольною групою, загальні витрати (інструмент плюс час людей), отримана віддача і довірчий інтервал | Самі лише валові цифри впливу |
| Рада директорів | Один рядок: інкрементальна воронка, витрати, динаміка за кварталами | Деталі методології |
Корисна звичка для будь-якої аудиторії: показуйте цифри контрольної групи поруч із цифрами персоналізованої, щоб порівняння було наочним, а не мається на увазі.
Як далеко йти і коли
- Відстеження: ви бачите, які акаунти бачили персоналізований контент. Налаштування займає кілька днів. Корисно для налагодження, але не для заяв про вплив.
- Контрольна група (holdout): можна виміряти додатковий приріст на сайті. Потрібно достатньо трафіку на сегмент; сегменти з низьким трафіком можуть ніколи не дати чіткого результату, і це нормально визнати.
- Зв'язок із пайплайном: дані про варіанти потрапляють у CRM, і ви можете відстежувати пайплайн, на який вплинула персоналізація, та додатковий пайплайн. Потрібні дані щонайменше за один повний цикл продажу.
- Прогнозування нових сегментів: оцінка ефекту сегмента ще до запуску. Варто братися лише тоді, коли у вас є кілька сегментів із завершеними контрольними групами, на яких можна вчитися.
Не будуйте рівень пайплайну, доки немає контрольної групи. Без неї він показуватиме лише кореляцію, а кореляцію персоналізація найбільш відповідних акаунтів дає задарма.
З чого почати
Перевірте, чи ваш інструмент персоналізації надсилає події, які доходять до аналітики, з ідентифікатором варіанта й позначкою контрольної групи. Якщо ні, виправте це насамперед — без цього нічого не працює. Потім виділіть контрольну групу у вашому сегменті з найбільшим трафіком і тримайте її, доки не досягнете розрахованого розміру вибірки. A/B-тестування в Markettailor підтримує контрольні групи на рівні акаунтів і надсилає дані про варіанти в аналітику, якщо ви не хочете самостійно будувати логіку розподілу.
Поширені запитання
Як працює атрибуція персоналізації?
Щоразу, коли відвідувач бачить персоналізований сценарій, інструмент персоналізації надсилає подію з ID сценарію та варіанта. Ця подія зберігається із сесією, а після ідентифікації відвідувача — з акаунтом у вашій CRM. Порівняння конверсії та пайплайну між відвідувачами, які бачили варіант, і випадковою контрольною групою зі стандартною сторінкою показує інкрементальний ефект персоналізації.
Яка різниця між атрибуцією каналів і атрибуцією досвіду?
Атрибуція каналів приписує заслугу джерелам, які привели відвідувача, як-от платний пошук, LinkedIn чи email. Атрибуція досвіду вимірює ефект того, що відвідувач побачив після переходу. Персоналізована сторінка може змінити конверсію кожного каналу, тож звітність лише за атрибуцією каналів приховує внесок досвіду на сайті.
Якою має бути контрольна група для персоналізації?
Достатньо великою, щоб виявити важливий для вас приріст за розумний час, і не більшою. Виконайте розрахунок розміру вибірки для A/B-тесту для вашого трафіку та базового коефіцієнта конверсії, а потім призначайте контрольну групу на рівні акаунта, щоб та сама компанія бачила однаковий досвід під час усіх візитів.
Чи можуть моделі мультиканальної атрибуції вимірювати персоналізацію?
Лише опосередковано. Багатоканальні моделі розподіляють заслугу між точками контакту, але припускають, що кожна точка однакова для всіх. Додавши ID досвіду як властивість точки контакту, ви зможете звітувати про воронку, на яку вплинула персоналізація, але інкрементальний ефект однаково доведеться визначати порівнянням з контрольною групою. До того ж значна частина B2B-досліджень відбувається в темній воронці, де жодна точка контакту не фіксується.