За последние годы CPA-маркетинг (от англ. Cost Per Action — оплата за действие) на рынке СНГ набрал неплохие обороты. Такая модель интернет-рекламы достаточно эффективна и при грамотном использовании может приносить до 20% от всего трафика на сайте. Однако в ней есть свои подводные камни. Например, партнеры, которые приводят некачественный трафик или откровенно мошенничают. В статье мы расскажем о примерах нечестной работы веб-мастеров, с которыми сталкивались сами, и покажем, как вовремя обнаружить такие кейсы. Но сперва немного матчасти.
Рекламодатель — заказчик, сайт, чьи товары и услуги нужно рекламировать.
Веб-мастер — исполнитель, который размещает рекламу на баннерах, в соцсетях, email-рассылках, на собственном сайте и т.д.
CPA-сеть (партнерская сеть) — посредник между первым и вторым, который принимает заказы (офферы) от рекламодателей, подбирает веб-мастеров и занимается организационными вопросами: заключение договоров, учет выполненной работы, выплата вознаграждений.
Итак, заказчик и исполнитель находят друг друга на площадке партнерской сети и договариваются о сотрудничестве. Веб-мастер размещает на своем сайте или в другом канале партнерскую ссылку, которая содержит его метки. Когда человек переходит по такой ссылке на сайт рекламодателя и выполняет конверсионное действие (покупка, бронирование, регистрация и т.д.), веб-мастер получает за это деньги.
Какие сложности могут возникнуть при работе с CPA-сетями
Здесь работает принцип «доверяй, но проверяй». Естественно, не все партнеры пытаются обмануть своих рекламодателей, но если не контролировать качество affiliate трафика, то вероятность столкнуться с мошенничеством значительно увеличивается. К тому же, игнорируя деятельность недобросовестных веб-мастеров, вы не только теряете деньги, но и рискуете испортить отношения с партнерами, которые работают честно. Ведь это их труд мошенники присваивают себе. Давайте разберемся, как именно они это делают.
Примеры обмана рекламодателей в CPA-маркетинге
Контекст на бренд
Веб-мастер размещает контекстную рекламу, используя в ключевых словах название компании-заказчика. Когда пользователь кликает по такому объявлению, он попадает на сайт веб-мастера, там его помечают партнерскими метками и перенаправляют на сайт рекламодателя. Если человек в итоге оформит заказ, то веб-мастер получит за нее вознаграждение. Почему это плохо? Да потому, что интернет-магазину приходится платить за привлечение клиентов, которые и так собирались сделать в нем покупку без какой-либо рекламы. К тому же в таких случаях повышаются ставки по ключевым словам и рекламодателю приходится тратить больше на собственные кампании с брендовыми запросами.
Кликандер (ClickUnder)
Человек заходит на какой-нибудь сайт, например, для онлайн-просмотра сериалов и кликает мышкой в любой его области. В этот момент в новой вкладке открывается сайт рекламодателя и пользователь помечается партнерскими куками (cookies). Если через время этот пользователь зайдет на сайт рекламодателя через organic или type-in и совершит конверсию, то веб-мастер получит за нее деньги.
Открытие сайтов во фрейме
Этот способ очень похож на кликандер с той лишь разницей, что партнерские сайты открываются не в новых вкладках, а в страницах размером 1×1 пиксель, незаметных человеческому глазу. Происходит это благодаря тегу <iframe>, который позволяет загружать одну страницу внутри другой.
Тулбары
Это расширения к браузерам, которые предлагают дополнительные возможности, например, возвращают часть суммы от онлайн-покупок, блокируют рекламу, показывают погоду и т.д. Когда пользователь заходит на сайт рекламодателя, такие расширения могут подставлять партнерские куки или перенаправлять пользователя на этот же сайт, но с UTM-метками веб-мастера. Если человек что-то покупает на сайте, то продажа идет в зачет партнеру, хотя на самом деле клиента привел другой канал.
Перезаписывание source/medium
Интересный кейс, с которым мы недавно столкнулись в своей работе. Один ретаргетинг сервис, работающий по CPA-модели, перед отправкой хита в Google Analytics добавлял свои метки type-in пользователям. В итоге отчеты Google Analytics показывали, что клиента привел CPA-источник. Партнер объяснил это тем, что помечает таким образом только своих пользователей, чтобы было удобнее считать post-view конверсии. Однако, если между просмотром партнерского баннера и прямым заходом на сайт (direct трафик) был другой источник, например google/cpc, то он перезаписывался.
Что может быть тревожным звоночком
Основные маркеры того, что партнер ведет нечестную игру:
Разные CPA-партнеры выставляют вам счет за одну и ту же транзакцию.
Расходы по affiliate трафику резко выросли, а доход остался прежним.
Увидеть это можно в стандартных отчетах Google Analytics: «Источники трафика» — «Весь трафик» — «Источник/канал» («Acquisition» — «All Traffic» — «Source/Medium»).
Наблюдаются частые разрывы сессий перед заказом.
Это также можно проверить в Google Analytics. Заходим в отчет «Аудитория» — «Статистика по пользователям», кликаем на ID клиента и видим в истории взаимодействий пользователя с сайтом такую картину:
На скриншоте видно, что в 7:59 человек перешел на сайт из платного источника. Меньше чем через минуту (в 8:00) этот же человек заходит на сайт уже через affiliate и совершает покупку. То есть клиент сайт не покидал, а источник перезаписался. Такой способ позволяет точечно проверить историю пользователей, но не решает задачу в целом. Давайте разберемся, как сделать универсальное и масштабируемое решение.
Как настроить CPA-отчеты
Создать отчеты, которые помогут контролировать работу CPA-партнеров, можно с помощью разных инструментов (об этом чуть ниже). Условно выделим три основных шага:
Сбор сырых данных о действиях посетителей сайта.
Выборка подозрительных сессий, когда промежуток между ними меньше 60 секунд, при этом источник трафика меняется на affiliate.
Построение отчетов.
Шаг 1. Собираем сырые данные
Чтобы обнаружить кукистаффинг, нам понадобятся для анализа полные, несемплированные данные о действиях пользователей на сайте. По нашему опыту, их удобнее всего собирать и обрабатывать с помощью SQL-запросов в облачном хранилище Google BigQuery.
Для импорта данных с сайта в Google BigQuery можно использовать:
OWOX BI Pipeline —
такое решение позволяет передавать сырые данные практически в реальном времени.
Есть несколько моментов, на которые обязательно стоит обратить внимание в таблице с данными о поведении пользователей:
Наличие и корректная передача Client ID, User ID или другого идентификатора пользователя. Поскольку все запросы будут базироваться на этом параметре, важно, чтобы он был корректным и уникальным для каждого посетителя сайта.
Чтобы проверить, нет ли проблем с передачей этого параметра, вы можете сформировать в Google Analytics сегмент пользователей, у которых есть User ID, и посмотреть в динамике за последние несколько месяцев, как количество таких пользователей коррелируется с общим числом посетителей сайта.
Если в данных встречаются ошибки и вы не можете исправить их с помощью SQL-запроса (например, отфильтровать аномальные транзакции и пользователей), для анализа лучше брать только период с корректными данными.
Примечание: для тех, кто не использует Google BigQuery, есть альтернативное решение. С помощью языка R можно выгрузить из Google Analytics или Яндекс.Метрики в Google Sheets список всех пользователей, у которых на одной и той же странице в течение 60 секунд менялся источник трафика. Подробнее об этом вы можете почитать в блоге Дмитрия Осиюка.
Шаг 2. Выбираем подозрительные сессии
Далее на основании данных о поведении пользователей необходимо сформировать выборку со следующим набором полей:
Дата.
Идентификатор пользователя (Client ID или User ID).
Источник и канал сессии.
Время между двумя сессиями.
Стартовый и конечный URL каждой сессии.
Кроме того в SQL-запросе нужно задать условия, которые помогут понять, что произошла подмена источников. Эти условия можно кастомизировать под ваш бизнес. Например, в нашем совместном кейсе с одним из клиентов они были такими:
Между двумя сессиями проходит меньше 60 секунд.
При смене источника не меняется страница.
В последней сессии была покупка.
Последний канал — affiliate. Тут нужно учесть, что в некоторых проектах CPA источник определяется иначе, например, cpa или aff.
В результате у вас получится примерно такая таблица с информацией о клиентах, у которых менялся источник трафика, а время между сессиями не превышало 60 секунд:
Но сперва немного матчаст
Шаг 3. Строим отчеты
Данные, полученные с помощью SQL-запроса, можно оформить в отчет любым удобным для вас способом.
Способ 1. Импортировать данные из Google BigQuery в Google Sheets с помощью бесплатного аддона
OWOX BI BigQuery Reports.
Далее эти данные можно оформить, к примеру, в такой сводный отчет, который поможет мониторить статистику по affiliate партнерам:
На скриншоте мы видим, что больше всего подозрительных транзакций было у affiliate партнеров под номерами 3,4,5 и 8. При этом чаще всего на CPA заменяли такие источники как CPC и Organic.
Способ 2. Вы можете импортировать данные из Google BigQuery в Google Data Studio, Power BI, Tableau или любой другой сервис для визуализации данных, с которым привыкли работать.
Способ 3. Использовать сервис
OWOX BI Smart Data.
Наши клиенты периодически сталкиваются с фродом в CPA-маркетинге и обращаются к нам за помощью. Поэтому мы добавили в BI Smart Data целый набор отчетов на эту тему. В сервисе можно ввести вопрос человеческим языком (не используя SQL) и тут же получить ответ в виде таблицы, графика или диаграммы.
Что вы можете сделать с помощью CPA-отчетов в BI Smart Data
1. Выявить подмену источников трафика.
Этот отчет показывает, сколько было транзакций со сменой источника по каждой кампании. Например, на скриншоте мы видим, что у кампаний 3, 5 и 4 был самый большой процент транзакций с промежутком между сессиями меньше 1 минуты. Чем выше доля таких транзакций, тем выше вероятность подмены источника. Поэтому стоит уделить больше внимания работе партнеров, которые запускали эти кампании.
2. Узнать, какие источники и каналы недополучают ценность из-за фрода.
Этот отчет показывает источники и каналы, которые стояли в воронке перед партнерским источником. Например, на скриншоте выше мы видим, что у кампаний 1 и 4 перед сессиями с CPA-транзакциями были платные каналы (facebook/cpm и bing/cpc). Разница между сессиями в 17 и 18 секунд говорит нам о вероятном кукистаффинге. Из этого делаем вывод, что рекламные кампании в Bing и Facebook недооцениваются.
3. Узнать, какие партнеры используют в рекламе брендовые запросы.
Если вы введете в BI Smart Data вопрос «Как количество CPA-сессий распределено по посадочным страницам и ключевым словам?», то получите отчет, как на скриншоте выше. Чтобы узнать, используют ли партнеры название вашей компании, просто укажите его в фильтре для столбца «Ключевые слова» (Keyword).
4. Понять, кому платить деньги, если одна и та же транзакция дублируется у разных партнеров.
Если несколько веб-мастеров выставили вам счет за одну и ту же покупку, то этот отчет поможет разобраться, чей именно источник был последним в цепочке перед заказом.
По нашему опыту, в случаях дублирования транзакций вознаграждение получает последний источник.
Полный список CPA-отчетов, которые доступны в BI Smart Data, вы можете посмотреть в нашем справочном центре.
Выводы
В заключение хотим сказать, что мы ни в коем случае не призываем отказаться от affiliate трафика или снизить расходы на его привлечение. Наоборот, простые антифрод-отчеты, описанные в этой статье, помогут вам:
Эффективнее работать с честными веб-мастерами.
Сделать максимально прозрачными взаиморасчеты с CPA-партнерами.
Оценить полезность affiliate трафика, сколько он приносит денег и как влияет на другие источники. Например, если мы говорим о кукистаффинге, то можно недооценивать источники, которые были перезаписаны
Избавиться от ручной работы, настроив автоматизированные отчеты для проверки партнерской рекламы.
Чтобы обнаружить подмену cookies, достаточно собрать полные данные о поведении пользователей с помощью OWOX BI Pipeline и применить к ним SQL-запрос. Заполните форму, и мы пришлем вам на email текст такого запроса.
