Новые покупатели на сайт, например, интернет-магазина могут идти откуда угодно: из социальных сетей, email-рассылок, мессенджеров, рекламных кампаний, по клику на баннер и т. д. Чтобы правильно распределить рекламный бюджет между этими каналами привлечения, надо видеть статистику их эффективности.

Для таких целей в шаблон сайта встраивается скрипт аналитики. Но он не всегда работает корректно. И иногда «слетает». А еще на объективность данных может повлиять настройка рекламной кампании. Как получить правильный срез по всем используемым источникам?

Во-первых, не ограничиваться только автоматическим сбором данных. Да, у поисковиков есть хорошая система аналитики, но настроить ее так, чтобы ничего не упустить, невозможно. Нужно дополнительно анализировать и проверять все вручную.

Во-вторых, учитывать человеческий фактор. Например, не самую честную работу конкурентов, которые могут влиять на эффективность рекламных кампаний.

В-третьих, периодически проверять, все ли настроено, прописано и установлено правильно. Особенно после технических изменений – перехода на новые протоколы, правки дизайна, масштабирования структуры сайта и т. д.

Ключевое условие эффективной автоматической аналитики – UTM-разметка

Если UTM-разметки нет вообще, то система встроенной аналитики просто не увидит разницы между источниками перехода. У нее не будет и списка этих источников. Потому о какой-либо объективности результатов автоматического анализа говорить не придется.

Впрочем, если разметка сделана, это не значит, что все переходы будут засчитаны именно тому каналу, через который они осуществлялись. Здесь дело уже в правильности выбора параметров этой разметки (динамический и статических). В идеале заниматься ей должен специалист, который умеет заполнять метки без ошибок. Среди последних:

  • автогенерация UTM без проверки;
  • нарушение порядка меток (иерархии);
  • опечатки в именах параметров.

Система оценки действий посетителя

Здесь нужно ввести несколько терминов:

  • атрибуция (в контексте веб-аналитики) – присвоение действиям посетителя значения первичной и вторичной ценности;
  • модель атрибуции – система правил, по которым присваивается это значение;
  • тип атрибуции (или атрибутирования) – выбор свода правил, на которые будет опираться система автоматической аналитики при распределении данных по источникам.

У Google Analytics и Яндекс.Директ используются не только разные типы атрибуции. Технически (логически) у них по-разному реализован сам процесс атрибутирования. К этому остается добавить, что владелец сайта тоже не избавлен от риска допустить ошибку. Он может для конкретного случая просто выбрать неверную модель распределения посетителей по источникам.

  • Яндекс атрибутирует лиды по переходам:
    • последнему;
    • последнему из Яндекс.Директ;
    • последнему значимому;
    • первому.
  • Google атрибутирует по ряду показателей:
    • последнему клику;
    • первому клику;
    • с учетом давности перехода;
    • с учетом позиции;
    • в режиме линейной модели.

Используются не просто разные поведенческие метрики, но и различная логика их учета. Именно поэтому смешивать анализ источников трафика на Яндекс и Google не стоит. Его всегда надо проводить отдельно. Возможно, в порядке экспериментальной смены моделей атрибуции для получения объективного среза.

Для наглядности: показатель отказов в Яндекс и Google

Яркий пример разницы подходов к оценке действий посетителей – показатель отказов. Оба сервиса считают его как отношение числа отказов к количеству всех посещений. При этом Google Analytics под отказом понимает переход, просмотр 1 страницы и вызов 1 события. А Яндекс – переход и присутствие на странице менее 15 секунд.

Соответственно, там, где Директ Яндекса покажет 5% отказов, Google Analytics выдаст все 25%. Новичку, который не понимает логики учета данных, впору запутаться. Куда проще рассматривать эти показатели по отдельности, учитывая конкретные действия, на которые они указывают.

Код аналитики

Скрипт, благодаря которому программа – система аналитики сайта – получает доступ к статистике его посещений, может банально «слететь». Чаще всего это случается, когда меняется оформление ресурса, он переносится на другую систему управления (CMS) или более продвинутый протокол. Проще говоря, любые технические корректировки – от интеграции с CRM до смены темы дизайна или установки новых плагинов – могут привести к потере данных.

Если в аналитике резко «просели» переходы по ряду ранее эффективных каналов привлечения трафика, именно этот скрипт (код аналитики) надо проверить в первую очередь. Еще один верный знак того, что с ним не все в порядке, – резкий перекос трафика в пользу одного указанного источника.

Понятно, что если скрипт в шаблон вообще не добавлен, то говорить об объективности собираемых данных о его посещении нет смысла. В этом случае остается только спрашивать у каждого покупателя, откуда он пришел в магазин, чтобы прикинуть, в какие каналы вкладывать больше средств.

«Козни» недоброжелателей

Чем острее конкурентная борьба, тем больше «серых» или «черных» ее методов будут использовать конкуренты. С одной стороны, опыт многократно показал, что скликивание переходов по рекламе соперников де-факто не дает прироста трафика на собственный сайт. С другой, – всегда остаются личные мотивы и жажда экспериментов.

Впрочем, скликивание – далеко не единственный метод нечестной конкуренции, с которым может столкнуться рекламная кампания. Есть еще:

  • накрутка иных метрик, кроме показов (отказов, например, когда конкурент сам переходит по рекламе, и пробыв на сайте 5 секунд, уходит);
  • откровенное мошенничество (создание сайтов с очень похожим названием);
  • звонки с подменных номеров и т. д.

Защититься от «темной стороны» конкуренции не так просто, как хотелось бы. Нужен специальный софт (при подозрении на скликивание, хотя оно сегодня остается редкостью), контроль поведения и статистики конкурента, диалог с покупателями, проверка наличия в сети «имитаторов» – сайтов и компаний с названием, как у рекламодателя (разница в 1–2 буквах или знаках).