Как я наконец перестала гадать, какой инфлюенсер на самом деле сделал продажу—и построила систему, которая работает

Кейсы и истории успеха
1

Я аналитик в e-commerce компании, и эту проблему я решала ровно полтора года. Постоянно было неясно: у нас работает 15-20 инфлюенсеров одновременно, партнерства в разных языках, разные платформы, и я вот должна была объяснить руководству: на сколько процентов продажи дает инфлюенсер А, а на сколько инфлюенсер B?

Стандартные подходы не работали. Покупатель может нажать на ссылку инфлюенсера, но потом прийти через поиск. Или прийти через рекламу, которую я запустила. Или просто купить потому что друг порекомендовал. Как это атрибутировать одному конкретному инфлюенсеру?

Я пробовал разные подходы: UTM параметры (не все инфлюенсеры их используют корректно), уникальные коды (люди их теряют), cookies (не работает кроссплатформенно). И потом я понял: атрибуция—это не про идеальную точность. Атрибуция—это про сокращение неопределенности.

Я построил многоточечную модель атрибуции, которая соединяет несколько сигналов. Я смотрю не только на финальный клик, но и на весь путь пользователя. Кто первый? Кто последний? Кто был в середине? Потом я применяю модель, которая распределяет credit в зависимости от позиции. Но главное—я добавляю factor ‘качество взаимодействия’. Если я знаю, что инфлюенсер обычно привлекает качественных покупателей (которые не возвращают товар, которые покупают снова), этот инфлюенсер получает больше credit.

Это была месячная работа по сбору данных и построению системы. Но потом я начал видеть паттерны. Я понял, что три инфлюенсера принесли 60% наших продаж, а остальные 12—это просто ‘шум’. Мы переаллоцировали бюджет, и результаты улучшились.

Самое мощное: я начал использовать эту систему в обратном направлении. Вместо того чтобы выбирать новых инфлюенсеров на основе их follows или engagement rate, я выбираю их на основе того, похожи ли они на моих top performers. Какой у них аудитория? Какой у них engagement pattern? Мой новый инфлюенсер—это статистическая копия моего top performer.

Вопрос: как вы справляетесь с multi-touch attribution в своих кампаниях? Особенно когда вы работаете кроссмаркетно и у вас есть инфлюенсеры на разных языках и платформах—как вы убеждаетесь, что вашаи система справедлива к каждому инфлюенсеру и что вы не переплачиваете за шум?

2

Это такая важная тема для меня, потому что я вижу эту проблему с другой стороны. Инфлюенсеры часто жалуются, что их не справедливо оценивают. Они говорят: ‘я создал отличный контент, но мне говорят, что я не принес результатов’. Это происходит потому что компаниям не хватает правильной системы атрибуции. Мне нравится твой подход—использовать качество аудитории, а не только цифры. Это более честно для инфлюенсеров. И когда я работаю с брендами, я стараюсь объяснить им именно это. Инфлюенсер может быть очень ценен, даже если он не ‘последний клик’.

3

Я бы хотела, чтобы ты создала какие-то guidelines для сообщества о том, как справедливо оценивать вклад инфлюенсера. Много людей до сих пор смотрят только на последний клик. Образование в этом вопросе критически важно.

4

Отличный кейс. Я согласен, что многоточечная атрибуция—это правильный подход. Но я бы добавил важный момент: многоточечная атрибуция только работает, если у тебя есть чистые данные. Я видел много компаний, которые пытались построить такую систему, но данные были грязные: некорректные UTM, дублирующиеся события, потерянные сессии. Поэтому перед тем как озадачиваться моделью атрибуции, убедись, что твой tracking code правильный. Я рекомендую провести полный audit данных перед тем как что-либо менять.

Второй момент: я обычно строю несколько моделей атрибуции и смотрю, насколько они согласны друг с другом. Если первый клик, последний клик, и линейная модель дают похожие результаты для top performers—это хороший знак. Если они дают совсем разные результаты—это означает, что какая-то часть твоих данных невнятная.

5

Я предлагаю добавить в систему также анализ ‘cohort quality’. Для каждого инфлюенсера смотри не только конверсию, но и lifetime value покупателя. Инфлюенсер может привести много заказов, но если у тебя высокий return rate—это не очень ценно. Я видел случаи, когда инфлюенсер с меньшей конверсией на самом деле более ценен, потому что он приносит качественных покупателей. Это completely меняет allocation.

6

Когда я расширялся на европейский рынок, я столкнулся с похожей проблемой, но в другом контексте. У нас было несколько партнерских компаний, которые привлекали пользователей через разные каналы. Я не знал, кто на самом деле принес value. Я начал with простого: я попросил каждого партнера предоставить мне список пользователей, которых они привели. Потом я я сравнил это с моей базой пользователей и увидел перекрытие. Потом я посмотрел, какие партнеры привели больше всего NEW users (не перекрытие). Это не идеально, но это лучше, чем гадать. И когда я выделил the top 2-3 партнеров, я переаллоцировал бюджет, и результаты улучшились значительно.

7

Твой подход с ‘качеством аудитории’ мне нравится. Я добавил бы еще один фактор: долгосрочность отношений. Некоторые партнеры принесли результаты один раз, а потом нет. Другие стабильны. Я включил ‘stability score’ в мою модель—инфлюенсер, который приносит результаты месяц за месяцем, получает более высокую оценку, чем тот, который один раз создал большой spike. Это помогает мне выбирать долгосрочных партнеров, а не гнаться за одноразовыми петардами.

8

Я справляюсь с этим через technology. Я инвестировал в правильный CDP и marketing automation platform, которая может trackить пользователя кроссплатформенно. Да, это стоит денег, но это экономит мне намного больше на неправильных решениях. Кроме того, я требую от инфлюенсеров использовать уникальные коды—не просто UTM, а коды, которые я отслеживаю в CRM. Это не идеально (не все уникальные коды используются), но это дает мне достаточно данных для того чтобы делать умные выводы.

9

Я также использую ‘revenue per influencer hour’. Это метрика, которую я считаю для каждого инфлюенсера. Это не только про объем продаж, но про эффективность. Сколько часов контента этот инфлюенсер создал, и сколько это генерировало выручки? Некоторые инфлюенсеры очень эффективны на час, но приносят мало volume. Другие—наоборот. Когда я смотрю на обе метрики вместе, я вижу картину четко. И я могу сказать какого типа инфлюенсеров мне нужно нанимать в масштабе.

10

Я бы добавила еще: когда вы строите модель атрибуции, пожалуйста, не забывайте о том, что контент—это долгосрочный asset. Мой видео может приносить результаты месяцами. Я создал его раз, и люди находят его через поиск полгода спустя. Как это атрибутировать? Большинство систем даёт credit только на день публикации. Это не справедливо.

11

One tactical recommendation: build a ‘holdout test’ quarterly. Stop sending traffic through your best-performing influencer for one week and measure what happens. Do sales drop? If not, maybe they’re not as valuable as your model thinks. If they drop dramatically, your model is undervaluing them. This gives you ground truth to calibrate against. Also critical: document your model assumptions explicitly. In 6 months, you or your successor might ask: why did we weight position 40-30-30? Write it down now. Attribution models need to be living documents that evolve as you learn.