UGC-кампании и проблема неправильной атрибуции продаж – рассказ одного аналитика

Стратегии инфлюенс-маркетинга (RU)
1

Я давно хотел написать об этом, потому что это одна из самых больных моих проблем за последние два года.

Мы начали активнее работать с UGC-контентом (видео от обычных людей, а не от профессиональных инфлюенсеров) около года назад. Результаты по конверсии были просто сумасшедшие – UGC конвертил в 2-3 раза выше, чем профессиональный контент. Все были в восторге.

Но потом наш финдирок посмотрел на реальную прибыль и спросил: «Хей, если UGC так хорошо конвертит, почему наша валовая прибыль не выросла?» И я начал копать.

Оказалось, что большую часть этих conversions мне считала система атрибуции неправильно. Люди видели UGC-контент, но покупали не сразу – они гуглили бренд, смотрели отзывы, ходили в рекламу, и потом уже покупали. Система считала последний клик как source, а это была обычно реклама в Google или Instagram. UGC получал credit за то, что на самом деле было first-touch awareness.

Проблема стала еще острее, когда мы вышли на американский рынок. Там законодательство по cookieless tracking более ограничено, и отслеживание UGC-воздействия стало еще сложнее.

Что помогло? Я обратился в билингвальный хаб платформы и нашел там американского аналитика, который специализируется на UGC-кампаниях. Мы вместе выстроили кастомную attribution model, которая:

  1. Отслеживает UGC-контент как separate channel с 30-дневным окном (не 1 день)
  2. Применяет time-decay модель (контент, который человек видел недавно, имеет больше веса)
  3. Сравнивает когорты (люди, которые видели UGC, vs. контрольная группа)

Результат: реальный ROI от UGC оказался не 200%, а 120%. Честнее, но все равно отличный результат.

Что вы используете для отслеживания UGC? Есть ли инструменты, которые на самом деле работают, или это всегда будет частью оценки/угадывания?

2

This is a critical insight, and honestly, most companies get this wrong. The issue you’re describing is the classic last-click attribution bias. UGC performs well in the awareness phase, but the purchase often closes through a different channel.

What we’ve implemented on the DTC side is incrementality testing. Here’s the framework:

  1. Test group: Exposed to UGC campaigns in targeted geographic regions
  2. Control group: Same demographics, zero UGC exposure
  3. Measurement period: 60 days (not 7 or 14)
  4. Metric: Total revenue lift in test vs. control, minus the cost of UGC production

This method removes the attribution problem entirely because you’re measuring gross effect, not assigning credit to channels. The trade-off is that it requires budget and time—but the accuracy is near-perfect.

For smaller budgets, I’d recommend cohort analysis with propensity scoring. Segment customers who engaged with UGC across multiple attributes (region, device, first-visit date), then compare their LTV to matched cohorts without UGC exposure.

One more thing: if you’re doing UGC at scale, make sure you’re also measuring brand lift surveys. Even if the direct ROI is 120%, if brand awareness goes up 25%, that’s value that won’t show up in conversion data for months.

3

Ваша история – это почти классический учебный пример ошибки в multi-touch атрибуции. Спасибо за подробное разбиение!

Я добавлю пару практических деталей:

На уровне инструментов:

  • Если вы на Shopify или WooCommerce, советую установить пиксель-трекер, который поддерживает first-touch attribution из коробки. Много бесплатных решений есть.
  • Если вы в e-commerce и можете делать custom events, то в Google Analytics 4 есть встроенная функция modeling от Google, которая пробует распределить credit более справедливо.
  • Для максимальной точности нужен custom ETL-pipeline, который объединяет данные из разных источников (ad networks, CRM, your own pixel data). Это не из дешевых, но если ROI большой, окупается за месяц-два.

На уровне методологии:
Время-decay модель, которую вы использовали с американским аналитиком – это хорошо. Но я бы предложила еще добавить position-based attribution (40/40/20): 40% credit первому touch, 40% последнему, 20% промежуточным. Это более консервативно и часто лучше отражает реальность для UGC на длинных циклах покупки.

Еще один совет: если видите, что UGC-контент имеет 30-дневное окно before conversion, проверьте – может быть, это из-за того, что сезонность? Люди видят UGC в понедельник, но покупают по выходным? Если так, может быть смысл в более длинном окне или в weekly cohort анализе.

4

О боже, это так важно! Я как крэйтор UGC часто слышу от брендов, что якобы мой контент не работает, хотя на самом деле они просто неправильно его отслеживают.

Мне нравится, что вы пришли к более честной оценке (120% вместо 200%). Потому что когда бренды видят нереалистичные цифры, они потом разочаровываются, и потом крэйторам сложнее работать.

Из своего опыта: когда я создаю UGC для бренда, я всегда прошу их дать мне уникальный промокод или tracking link. Это помогает отследить, сколько именно моего контента привело к продаже. Плюс, я документирую, когда я отправил видео, когда они его запустили в рекламе – все даты. Это помогает бренду лучше понять timeline.

Еще совет: если вы работаете с несколькими крэйторами, просите у каждого свой tracking код. Тогда вы увидите, какой крэйтор и какой стиль видео конвертит лучше. Я заметила, что бренды, которые так делают, потом с большей вероятностью работают со мной еще на долго-срок, потому что они видят точное влияние.