Маркетплейсы / Понимать источник заказа
Как понять, откуда пришли продажи на Wildberries: роль ИИ
ИИ-атрибуция на Wildberries связывает каждый заказ с конкретным источником трафика — рекламным кабинетом, органической выдачей или внешней площадкой. Система анализирует клики, переходы и поведение пользователя, чтобы точно определить, откуда пришёл покупатель, и помогает перераспределять рекламный бюджет на самые эффективные каналы.
Проблема
Почему это важно
Продавец на Wildberries видит заказы, но не всегда понимает, какой канал их принёс: реклама в кабинете, органическая выдача, внешний блог или соцсети. Без точной атрибуции сложно оценить, куда вкладывать бюджет, и часто деньги уходят на неэффективные источники.
Почему возникает
- Мультиканальные переходы: покупатель сначала видит рекламу, потом возвращается через органику — какой источник считать?
- Данные Wildberries не дают полной картины по внешним источникам, только по внутренней рекламе.
- Ручная атрибуция по UTM-меткам не учитывает повторные визиты и офлайн-влияние.
Риски и потери
- Перерасход рекламного бюджета на каналы, которые не приводят к продажам.
- Неверная оценка эффективности маркетинга и потеря прибыли.
- Невозможность масштабировать успешные источники трафика.
Что влияет на результат
- Клики по рекламным объявлениям
- Переходы по внешним ссылкам
- Поведение пользователя на сайте (время, страницы)
- История визитов до покупки
Типичные ошибки ручного подхода
- Приписывание заказа последнему клику, игнорируя предыдущие касания.
- Потеря данных о внешних источниках из-за отсутствия UTM-меток.
- Ошибки в ручной сверке данных из разных кабинетов.
Определение
Что важно понимать
Атрибуция заказа
Определение того, какой маркетинговый канал привёл к покупке.
Позволяет оценить эффективность каждого канала и оптимизировать бюджет.Мультиканальная атрибуция
Учёт всех точек касания пользователя с брендом до покупки, а не только последнего клика.
Даёт более точную картину, чем модель последнего клика, и помогает справедливо распределять ценность каналов.ИИ-атрибуция
Применение алгоритмов машинного обучения для анализа больших данных о поведении пользователей и автоматического определения вклада каждого канала.
Повышает точность атрибуции, особенно при большом количестве каналов и сложных путях покупки.Данные
Какие данные нужны
Данные о кликах и переходах
Фиксируют взаимодействие пользователя с рекламными объявлениями и внешними ссылками.
- источник перехода
- UTM-метки
- время клика
- ID пользователя
Данные о заказах
Позволяют связать покупку с конкретным пользователем и временем.
- ID заказа
- ID пользователя
- дата и время заказа
- сумма заказа
Поведенческие данные на сайте
Помогают понять путь пользователя до покупки: какие страницы смотрел, сколько времени провёл.
- просмотренные товары
- время на странице
- глубина просмотра
- действия (добавление в корзину)
Данные о рекламных кампаниях
Содержат информацию о расходах и настройках кампаний для оценки эффективности.
- ID кампании
- бюджет
- ставки
- показы
Методология
Как ИИ определяет источник заказа на Wildberries
Принципы
- Сбор данных о всех касаниях пользователя с брендом до покупки.
- Использование алгоритмов машинного обучения для выявления закономерностей в путях покупки.
- Распределение ценности заказа между каналами на основе их вклада в конверсию.
Допущения
- У пользователя есть уникальный идентификатор, позволяющий связать его действия на разных площадках.
- Данные о кликах и заказах собираются с достаточной полнотой и точностью.
Ошибки
- Использование только модели последнего клика, которая игнорирует предыдущие касания.
- Недостаточная очистка данных от ботов и невалидных переходов.
- Игнорирование офлайн-влияния, например, когда пользователь увидел рекламу, а потом пришёл напрямую.
Роль ИИ
Как ИИ решает задачу
Классификация источников трафика
Данные на входе: Данные о кликах и переходах, UTM-метки, История посещений
Что делает модель: Определяет, к какому каналу относится каждый переход (реклама, органика, внешний сайт, прямой заход).
Результат: Метка источника для каждого визита пользователя.
Как используется: Система использует метки для последующей атрибуции заказов.
Построение путей пользователя
Данные на входе: История визитов пользователя, Временные метки, Данные о заказах
Что делает модель: Связывает все визиты пользователя до покупки в единый путь и определяет последовательность касаний.
Результат: Список путей с указанием каналов и их порядка.
Как используется: Используется для расчёта вклада каждого канала в конверсию.
Расчёт вклада каналов (атрибуция)
Данные на входе: Пути пользователей, Данные о заказах, Расходы на рекламу
Что делает модель: Применяет алгоритмы (например, Shapley value или марковские цепи) для распределения ценности заказа между каналами.
Результат: Доля каждого канала в каждой продаже.
Как используется: Маркетолог видит, какой канал приносит больше продаж, и корректирует бюджет.
Выявление аномалий в данных
Данные на входе: Данные о трафике и заказах, Исторические показатели
Что делает модель: Обнаруживает резкие изменения в конверсии или аномальные всплески трафика, которые могут указывать на ошибки атрибуции или мошенничество.
Результат: Уведомление о подозрительных изменениях.
Как используется: Маркетолог проверяет данные и при необходимости корректирует настройки.
Разбор
Как это работает
- 1
Вход: данные о кликах, заказах и поведении пользователей. Действие: система собирает и объединяет данные из разных источников (рекламный кабинет, аналитика сайта, CRM). Результат: единая база данных о взаимодействиях с пользователями.
- 2
Вход: история визитов пользователя. Действие: алгоритм строит путь пользователя от первого касания до покупки. Результат: последовательность каналов, которые видел пользователь.
- 3
Вход: пути пользователей и данные о заказах. Действие: модель машинного обучения рассчитывает вклад каждого канала в конверсию. Результат: атрибуция заказа по каналам.
- 4
Вход: результаты атрибуции и данные о расходах. Действие: система формирует отчёт о эффективности каналов. Результат: дашборд с показателями ROI по каждому каналу.
- 5
Вход: отчёт и исторические данные. Действие: система выявляет аномалии и предлагает рекомендации по перераспределению бюджета. Результат: уведомление с конкретными действиями.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Вклад каждого канала в продажи
- Стоимость привлечения заказа (CPO) по каналам
- Динамика конверсии по каналам
Какие риски учтены
- Резкие изменения в поведении пользователей
- Сезонные колебания спроса
- Возможные ошибки в данных
Какие варианты рассматривались
- Оставить бюджет как есть, если нет явных выигрышных каналов
- Протестировать новый канал с небольшим бюджетом
Выбран канал с наибольшим вкладом в продажи при наименьшей стоимости привлечения.
Если бы данные показали, что реклама в кабинете даёт лучший CPO, рекомендация была бы другой.
Результат
Что видит пользователь
Дашборд с атрибуцией заказов
Таблица, где каждый заказ сопоставлен с источником трафика, и сводные показатели по каналам.
Маркетолог видит, какие каналы приносят продажи, и может перераспределять бюджет.Отчёт об эффективности каналов
Графики и метрики: CPO, ROI, доля заказов по каналам.
Позволяет принимать решения о масштабировании или отключении каналов.Уведомления об аномалиях
Сообщение о резком изменении конверсии или всплеске трафика.
Позволяет быстро реагировать на проблемы и корректировать настройки.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и объединение данных из разных источников
- Построение путей пользователя
- Расчёт атрибуции заказов
- Формирование отчётов и дашбордов
Требует настройки
- Настройка интеграций с рекламными кабинетами и аналитикой
- Определение правил атрибуции (окно атрибуции, веса каналов)
- Настройка порогов для уведомлений об аномалиях
Остаётся за человеком
- Утверждение изменений бюджета
- Проверка подозрительных аномалий
- Выбор стратегии атрибуции (модель)
Внедрение
Как внедрить решение
Быстрый запуск
- Собрать данные о кликах и заказах в таблицу
- Вручную проставить UTM-метки на внешние ссылки
- Использовать простую модель атрибуции (последний клик) в Excel
Рабочая система
- Настроить автоматический сбор данных из рекламного кабинета и аналитики
- Загрузить данные в базу данных
- Разработать скрипт для расчёта атрибуции по правилам
- Создать дашборд в BI-системе
Расширенный вариант
- Внедрить модель машинного обучения для атрибуции
- Подключить данные о поведении пользователей на сайте
- Настроить сценарный анализ и прогнозирование эффективности каналов
Подготовка
Чек-лист перед запуском
- 1
Определить, какие источники трафика нужно отслеживать
- 2
Настроить UTM-метки для всех внешних ссылок
- 3
Настроить интеграцию с рекламным кабинетом Wildberries
- 4
Настроить сбор данных о поведении пользователей на сайте
- 5
Определить окно атрибуции (например, 7 дней)
- 6
Выбрать модель атрибуции (последний клик, линейная, на основе ИИ)
- 7
Проверить качество данных: удалить ботов и невалидные переходы
- 8
Создать дашборд для визуализации атрибуции
- 9
Настроить уведомления об аномалиях
- 10
Провести тестовый период и сравнить результаты с ручной атрибуцией
Вывод
Главное
Точная атрибуция заказов на Wildberries требует учёта всех касаний пользователя, а не только последнего клика.
Основные данные — клики, заказы, поведение пользователей; расчёты — вклад каналов в продажи и CPO.
ИИ автоматизирует сбор данных, строит пути пользователей и рассчитывает атрибуцию, повышая точность и экономя время.
Начните с настройки UTM-меток и сбора данных о кликах и заказах в единую таблицу.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как строить обучение вокруг бизнес-проблемы и автоматизации. В рамках практикума участники учатся настраивать сбор данных и создавать работающие решения, что применимо и к задаче атрибуции продаж на маркетплейсах.
В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.
Посмотреть программу практикумаВопросы
Что обычно уточняют
Не проще ли считать атрибуцию вручную по последнему клику?
Ручной подход по последнему клику игнорирует предыдущие касания и занижает вклад внешних каналов. ИИ учитывает весь путь пользователя, что даёт более точную картину и помогает не терять бюджет на неэффективных каналах.
Насколько точна ИИ-атрибуция на Wildberries?
Точность зависит от полноты данных и качества модели. При корректной настройке ИИ-атрибуция значительно точнее ручной, особенно при большом количестве каналов и сложных путях покупки.
Какие данные нужны для ИИ-атрибуции?
Нужны данные о кликах, заказах, поведении пользователей на сайте и расходах на рекламу. Чем больше данных, тем точнее модель.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться настраивать ИИ-атрибуцию для вашего магазина на Wildberries? Приходите на бесплатный вебинар ReMetod.