Что такое Последний переход из Директа и как использовать модели атрибуции Агентство Finepromo

Модель атрибуции — это правило, по которому присваивается ценность конверсии переходу, определенному рекламодателем. Необходимо выбрать атрибуцию, которая наиболее полно отразит вклад источника в полезное действие.

Оставить заявку

Агентство Finepromo > Блог > Что такое атрибуция «Последний переход из Директа»

Сейчас в Яндекс Директе 4 типа атрибуций. Модель атрибуции «Последний переход из Директа» была добавлена последней, 30 июля 2019 года. Начиная с этой даты, появилась возможность учитывать в качестве значимого источника только переходы из Яндекс Директа.

Использование разных моделей атрибуции в аналитике позволяет рекламодателю в полной мере оценить отдачу от рекламных кампаний, распределение вклада в совершение пользователем целевого действия.

«Последний переход из Директа» предоставляет более полную статистику по Яндекс Директу для услуг и продуктов, которым присущ длинный цикл покупки.

Например, при выборе пользователями недвижимости или автомобиля.

Как пишет сам Яндекс, «Последний переход из Директа — из всех последних значимых переходов за 90 дней учитывается только Директ. Если пользователь хотя бы раз перешел на сайт по объявлению в Директе, то именно этот переход считается источником всех последующих визитов — пока пользователь не перейдет по объявлению еще раз. Эта модель помогает увидеть все визиты, связанные с Директом, в том числе те, которые в других моделях атрибуции были бы отнесены к другим источникам.»

Наиболее близкой можем считать атрибуцию «Последний значимый переход», так как модели отличаются лишь правилом отнесения источников визита в категорию «значимых». Группу «незначимых» источников составляют прямые переходы на сайт с адресной строки, со страницы сайта, с сохраненной в Интернет браузере закладки.

На этой схеме видно, по каким правилам визит присваивается источнику при использовании модели атрибуции Последний переход из Яндекс Директа:

атрибуция последний переход из яндекс директ

Первый, последний, последний значимый переход и последний с Директа: какую модель атрибуции выбрать?

Существенное различие у рассматриваемой модели с атрибуциями «Первый переход» и «Последний переход». При учете только последних переходов, история визитов не принимается во внимание. Однако, использование такой атрибуции позволит проследить за тем, какой источник конвертировал пользователя. Данная атрибуция применяется для товаров и услуг с коротким циклом покупки. Если в цепочке визитов пользователя нет рекламного объявления Яндекс Директа, при использовании атрибуции по последнему переходу из него, будет учитываться последний переход.

Атрибуция «Первый переход» применяется наравне с «Последним переходом из Директа» для продвижения, нацеленного на длинный цикл покупки. Однако модель «Первый переход» ориентирована на оценку источников, приобщивших пользователя к бренду компании. Применяется в анализе медийной рекламы.

О том, почему важно учесть разные модели атрибуции в рекламе, мы писали в статье про эффективность РСЯ

Атрибуция «Последний переход из Директа» помогает оценить влияние рекламных кампаний на каждый из этапов воронки продаж без учета сторонних источников.

Случаи, в которых использование других атрибуций приведет к выводам об отсутствии конверсий по объявлениям Яндекс Директа, будут интерпретироваться иначе.

Например, рекламное объявление первым привело пользователя на сайт и познакомило с брендом. При использовании «Последнего перехода» или «Последнего значимого перехода» статистика по данной ситуации не будет учтена.

Вторым вариантом исключительного применения атрибуции «Последний переход из Директа» является ситуация, когда клик по рекламному объявлению был совершен в середине пути к конверсии. Отследить влияние Директа в этом случае возможно только при использовании указанной модели атрибуции.

В каких случаях использовать атрибуцию «Последний переход из Директа»

Модель атрибуции «Последний переход из Директа» необходимо использовать при анализе эффективности рекламных кампаний и объявлений из Яндекс Директа. Она незаменима в ситуациях, когда следует оценить вклад рекламной кампании в поддержание воронки продаж на должном уровне.

Однако, стоит учитывать, что особенно актуальна данная атрибуция будет для товаров и услуг с длинным циклом покупки.

Обращайтесь, если вам нужна реклама в Яндекс Директ, основанная на данных

Агентство Finepromo > Блог > Что такое атрибуция «Последний переход из Директа»

Сделаем рекламу прибыльной

Сообщение

Делимся опытом

в Telegram

Модели атрибуции в Яндекс Метрике

Модель атрибуции — это модель, исходя из которой Яндекс Метрика будет присваивать каждому каналу ценность. Проще говоря, Метрика будет решать, какой канал оказался определяющим при привлечении конверсионного пользователя.

• Какие есть модели атрибуции

  • Последний переход

  • Последний значимый переход

  • Последний переход из Директа

  • Первый переход

• Что дает опция «Кросс-девайс»

• Какую модель атрибуции выбрать

Какие есть модели атрибуции

Всего моделей атрибуции в Метрике четыре. Выбрать их можно в верхнем меню страницы с отчетом. Здесь же включается опция «кросс-девайс», которая позволяет учитывать визиты пользователя с других устройств. Опция стала доступна для всех моделей атрибуции с ноября 2021 года.

Последний переход

Самая простая модель, при которой вся ценность присваивается последнему источнику.

Пример. Пользователь зашел на сайт четыре раза: через органику, рекламу в Директе, из сообщества во ВКонтакте и по рекламе, запущенной из myTarget. После этого он делает заказ.

Метрика посчитает ценным переход из рекламы myTarget.

В этом есть логика: хотя пользователь уже знал о бренде, именно последнее объявление подтолкнуло его к заказу.

Однако модель «Последний переход» используется редко, потому что она не учитывает значимость предыдущих источников.

Другой пример. Пользователь, опять-таки, зашел на сайт несколько раз. В последний раз — по рекламе myTarget. Он перешел по объявлению, решил сделать заказ, но не сделал, а сохранил себе ссылку и ушел на час.

Через час пользователь зашел по прямой ссылке и оформил заказ.

Очевидно, что на решение повлияла реклама. Но модель «Последний переход» будет считать конверсионным именно прямой заход по ссылке.

Это серьезный недостаток «Последнего перехода».

Зато модель хорошо подходит для технического аудита сайта. Бывает, что на сайте есть страницы без счетчика Яндекс Метрики, и нужно их найти. Тогда мы поставим модель атрибуции «Последний переход» и проанализируем все внутренние переходы. Если мы переходим со страницы, на которой нет счетчика Яндекс Метрики, на страницу со счетчиком, засчитается новый визит с источником «Внутренний переход».

Последний значимый переход

Эта модель атрибуции отличается от модели «Последний переход» тем, что она игнорирует только незначимые источники.

Пример. Вернемся к последнему примеру, где пользователь пришел на сайт по рекламе myTarget, но отвлекся и потом совершил прямой заход. В случае с моделью «Последний значимый переход» система среагирует корректно и посчитает ценным заход с рекламы.

Кроме прямых заходов Метрика считает незначимыми источниками внутренние переходы и переходы с сохраненных страниц.

Схема из справки Яндекс Метрики

Модель «Последний значимый переход» отлично подходит для анализа рекламных активностей — так мы сможем проанализировать, какая реклама привела пользователя к конверсии, и исключим прочие переходы, которые не влияют на принятие решения.

Последний переход из Директа

Эта модель позволяет оценить эффективность рекламы в Яндекс Директе, игнорируя ее положение в цепочке визитов.

Пример. Пользователь заходил на сайт по разным источникам четыре раза, Яндекс.Директ был вторым источником. Конверсия будет приписана Директу.

Если же пользователь переходит из Яндекс Директа несколько раз, конверсия будет приписана последнему визиту из Директа.

Эта модель искажает реальное положение вещей и приписывает Директу больше конверсий, чем следует.

Рекомендую использовать эту модель атрибуции только для понимания того, в каком количестве цепочек Директ участвовал. Принимать решения по распределению бюджетов на основе этой модели точно не стоит.

Первый переход

Эта модель позволяет проанализировать первый контакт с пользователем.

Пример. Пользователь искал какой-то товар в поисковой выдаче и попал на ваш сайт. Ему понравился товар, условия доставки и цены. Пользователь решил, что купит у вас, но сейчас ему не хватало времени, и он отложил покупку до выходных.

После этого вы дважды привлекли его на сайт с помощью рекламы.

В выходной день пользователь, как и планировал, зашел на сайт по прямой ссылке и заказал товар.

Модель «Первый переход» в таком случае припишет конверсию поисковой выдаче.

В этом примере Метрика проанализировала поведение пользователя корректно. Но он мог решиться на покупку и позже, когда вы показали ему рекламу, приняв решение за короткие сроки.

Поэтому модель «Первый переход» в основном применяют для бизнесов с долгим сроком принятия решения: например, для недвижимости и B2B. В таком случае с большей вероятностью можно сказать, что первый переход и был самым значимым, а оставшееся время пользователь решался на заказ.

Что дает опция «Кросс-девайс»

Если включен переключатель у опции «Кросс-девайс», все визиты кросс-девайсных пользователей будут объединены в одну цепочку.

Пример. В Метрике выбрана модель атрибуции «Последний значимый переход».

Пользователь на смартфоне искал товар, после чего вы еще два раза привели его на сайт с помощью рекламы. Последний рекламный источник — myTarget. После этого пользователь решился на покупку и еще раз зашел на сайт по прямой ссылке с мобильного. Но сделать заказ ему было удобнее с ноутбука, поэтому он открыл сайт на нем и купил товар.

При включенном кросс-девайсном анализе конверсия будет приписана myTarget, так как следующие источники были незначительными.

Что будет, если мы выключим кросс-девайс?

Метрика будет думать, что к конверсии привел прямой заход, и обесценит вклад рекламных кампаний.

Таким образом, включать опцию «Кросс-девайс» есть смысл в подавляющем большинстве случаев. Люди используют сразу несколько устройств и могут переходить с одного на другое. Так происходит и в e-commerce, и в B2B-нишах со сложными продуктами.

При включенном «кросс-девайсе» рекламе будет приписываться больше конверсий, а прямым заходам — меньше. И так ваша аналитика станет точнее.

В некоторых проектах окажется так, что пользователей на самом деле не так много, просто они часто заходят с разных устройств.

Насколько сильно влияет включение «кросс-девайса», вы можете понять, включив метрику «Посетители кросс-девайс» в отчетах.

Какую модель атрибуции выбрать

Три главных вывода:

1. Для анализа performance-рекламы рекомендую использовать модель атрибуции «Последний значимый переход».

2. Для анализа трафика в нишах с долгим сроком принятия решения рекомендую использовать две модели атрибуции одновременно:

   1. «Первый переход» определит источники, которые эффективнее втягивают пользователя в воронку маркетинга и продаж.

   2. «Последний значимый переход» определит источники, которые лучше закрывают на конверсию.

3. Включать «кросс-девайс» рекомендую всегда — это сделает аналитику точнее.

И напоследок. Хотя атрибуция в Яндекс Метрике и закрывает большинство вопросов, в Google Analytics 4 выбор моделей атрибуции больше, и они позволяют анализировать сложные маркетинг-миксы. Например, в GA4 можно распределять ценность конверсии по долям между несколькими источниками, которые привели пользователя на сайт.

О моделях атрибуции в Google Analytics 4 — в другой статье.

разбираемся что это, настраиваем и выбираем лучшую

73% розничных потребителей используют несколько каналов для совершения покупок. В среднем перед покупкой они совершают 9,5 визитов на сайт продавца. Некоторые эксперты считают, что потенциальный клиент должен хотя бы 7 раз увидеть ваше предложение, чтобы оно смогло его заинтересовать.

Все эти цифры говорят об одном: перед конверсией пользователю требуется много шагов, и определить, какой из них сильнее повлиял на его выбор, не так-то просто. Решить эту проблему помогают модели атрибуции Google Analytics и Яндекс.Метрики. Разберемся, что они из себя представляют.

Что такое атрибуция

Модели атрибуции Google Analytics

1. Последнее взаимодействие

2. По последнему непрямому клику

3. Последний клик в Google Ads

4. Первое взаимодействие

5. Линейная модель

6. С учетом давности взаимодействий

7. С привязкой к позиции

Модели атрибуции Яндекс.Метрики

1. Последний переход

2. Первый переход

3. Последний значимый переход

4. Последний переход из Директа

Атрибуция с учетом переходов со всех устройств

Выбираем лучшую модель атрибуции для вашего бизнеса по схеме

Что такое атрибуция

Модель атрибуции – это набор правил, позволяющих распределить вклад разных источников трафика в конверсию.

Рассмотрим простой пример.

Пользователь впервые зашел на ваш сайт по объявлению Google Ads и запомнил название бренда. Затем он решил сравнить вас с конкурентами в поиске и совершил еще один визит через органическую выдачу. Спустя какое-то время ему выпало таргетированное объявление ВКонтакте, по которому он кликнул, уже будучи заинтересованным в покупке. Наконец, что-то отвлекло его от заказа, и он вернулся к нему позже, введя адрес в строке браузера. На схеме его путь к конверсии можно изобразить так:

Если система аналитики засчитает конверсию по последнему источнику трафика, картина окажется сильно искажена. Данные будут выглядеть так, как будто заказ вам принес прямой заход на сайт, а все усилия в контексте, SEO и социальных сетях не сыграли никакой роли.

Очевидно, что это не так, и ценность конверсии нужно каким-то образом разделить между всеми участвовавшими в ней каналами. Именно этим и занимаются модели атрибуции в Google Analytics и Яндекс.Метрике.

Модели атрибуции Google Analytics

Google предлагает на выбор 7 моделей атрибуции.

1. Последнее взаимодействие

Описание

Вся ценность конверсии присваивается последнему источнику трафика. В нашем примере это прямой заход, ничего не говорящий об истории взаимодействия с сайтом. Здесь такая модель – не лучший выбор.

Когда использовать

Модель атрибуции Google «Последнее взаимодействие» стоит использовать:

• если реклама направлена на мгновенную покупку, период конверсии короткий и / или у товара невысокая цена;
• при проведении двух независимых рекламных кампаний с разными предложениями на разных площадках;
• чтобы выяснить, какие источники трафика чаще оказываются последним шагом перед конверсией;
• в ходе технического аудита сайта: например, помогает выявить страницы без кода отслеживания, переход между которыми засчитывается как внешний.

Отследить весь путь пользователя с момента первого посещения сайта до момента покупки позволяет отслеживание многоканальных последовательностей. Как работать с отчетами этой группы, читайте в статье «Многоканальные последовательности Google Analytics: как они помогают оптимизировать рекламу».

2. По последнему непрямому клику

Описание

Вся ценность конверсии присваивается последнему источнику трафика, не являющемуся прямым переходом. В нашем примере она устраняет проблему предыдущей модели и засчитывает конверсию клику ВКонтакте как решающему перед покупкой.

Когда использовать

Модель атрибуции Google «По последнему непрямому клику» стоит использовать:

• когда вы знаете (или предполагаете), что посетители по прямой ссылке – это пользователи, ранее привлеченные другими маркетинговыми каналами;
• чтобы исключить из источников конверсий прямой трафик: в Google Analytics эта модель атрибуции включена по умолчанию для всех отчетов, кроме Многоканальных последовательностей.

3. Последний клик в Google Ads

Описание

100% ценности конверсии присваиваются последнему клику по объявлению Google Ads. На картинке им окажется первый клик, поскольку больше переходов из контекстной рекламы не было.

Когда использовать

Модель атрибуции Google «Последний клик в Google Ads» стоит использовать:

• когда в приоритете реклама в Google Ads, и вы хотите определить объявления или ключевые слова, которые приносят больше конверсий.

4. Первое взаимодействие

Описание

Ценность конверсии полностью приписывается первому каналу в цепочке переходов. В нашем примере это вновь переход по объявлению в Google.

Когда использовать

Модель атрибуции Google «Первое взаимодействие» стоит использовать:

• для товаров с долгим периодом конверсии, например, дорогостоящих или с длинным жизненным циклом;
• если хотите узнать, какие источники трафика приносят вам больше новых клиентов, в этом случае первый переход фиксирует момент их знакомства с брендом.

5. Линейная модель

Описание

Всем каналам в цепочке взаимодействий присваивается одинаковая ценность. Каждый из источников трафика на картинке получит по 1/4 ценности конверсии.

Когда использовать

«Линейную» модель атрибуции Google стоит использовать:

• для товаров и услуг по подписке, например, SaaS или доставка продуктов;
• если вы используете много одинаково важных маркетинговых каналов (контекстную рекламу, дисплей, социальные сети, SEO и т .д.) и вам необходим постоянный контакт с аудиторией.

Google Analytics и Яндекс.Метрика – это не единственные системы веб-аналитики. У них есть достойные конкуренты. Какие именно, читайте в нашем обзоре «7 альтернатив Яндекс.Метрике и Google Analytics».

6. С учетом давности взаимодействий

Описание

Чем ближе переход к конверсии, тем большую ценность он получает. Визит за 7 дней до покупки в 2 раза менее ценен, чем тот, что был зафиксирован за день до нее. За 14 дней ценность снижается в 4 раза, за 30 дней полностью обнуляется. Период «полураспада», в течение которого ценность сокращается вдвое, можно настроить вручную.

Когда использовать

Модель атрибуции Google «С учетом давности взаимодействий» стоит использовать:

• для лидогенерации при коротком цикле продаж, например, реклама пакетов страхования; через месяц источник, который привел пользователя первым, перестанет учитываться как не сработавший.
• чтобы разделить маркетинговые каналы по уровням воронки продаж: те, что получают меньше всего ценности, находятся «наверху», больше всего – «внизу».

7. С привязкой к позиции

Описание

Гибрид «Первого взаимодействия» и «Последнего взаимодействия», где 40% ценности получают первый и последний переходы в цепочке, а 20% распределяется равномерно между остальными.

Когда использовать

Модель атрибуции Google «С привязкой к позиции» стоит использовать:

• в кампаниях, направленных на импульсивные покупки – в beauty-сегменте, одежде, товарах повседневного спроса;
• чтобы выделить лучшие каналы для лидогенерации и конвертации лидов в клиентов.

Google Analytics также поддерживает создание собственных моделей.

Модели атрибуции Яндекс.Метрики

Всего в Яндекс.Метрике используется 4 модели атрибуции. Рассмотрим, как Яндекс учитывает визиты пользователей на том же примере, что и для Google Ads. Последовательность действий такая: пользователь перешел по объявлению на поиске Яндекса и запомнил название магазина. Затем совершил визит через органическую выдачу, потом пришел на сайт по таргетированной рекламе, а последний переход на сайт был прямым – человек ввел адрес сайта в строке браузера.

1. Последний переход

Описание

Учитывается только последний визит пользователя перед конверсией, предыдущие не рассматриваются.

Когда использовать

Модель атрибуции Яндекса «Последний переход» стоит использовать аналогично «Последнему взаимодействию» в Google:

• для быстрых покупок;
• для недорогих товаров;
• в ходе технического аудита сайта.

Яндекс.Метрика постоянно расширяет возможности для оценки посещаемости веб-сайта и анализа поведения посетителей. Один из инструментов – сквозная аналитика. Какие возможности представляет этот инструмент, читайте в статье «Сквозная аналитика в Яндекс.Метрике: главное, что нужно знать про новинку».

2. Первый переход

Описание

Вся ценность конверсии присваивается первому посещению сайта вне зависимости от того, откуда произошел переход. В нашем примере пользователь совершил переход по объявлению на поиске Директа.

Когда использовать

Модель атрибуции Яндекса «Первый переход» стоит использовать аналогично «Первому взаимодействию» в Google:

• для отложенных конверсий;
• для определения лучших каналов лидогенерации.

3. Последний значимый переход

Описание

Яндекс делит источники трафика на значимые и незначимые. К незначимым источникам относятся прямые заходы, внутренние переходы и переходы с сохраненных страниц. Ценность конверсии полностью присваивается последнему значимому каналу. Таким образом, модель похожа на атрибуцию в Google Analytics «По последнему непрямому клику».

В нашем примере четвертый переход на сайт был осуществлен напрямую, поэтому он является незначимым. Таким образом последним значимым стал переход с таргетированной рекламы Вконтакте.

Когда использовать

Модель атрибуции Яндекса «Последний значимый переход» стоит использовать:

• при коротком цикле продаж;
• для очистки данных от искажений прямым трафиком.

4. Последний переход из Директа

Описание

Вся ценность конверсии присваивается переходу по рекламе Директа. Даже если в цепочке было много переходов из разных источников, то все визиты привязываются к последнему переходу из Яндекс.Директа.

Если пользователь несколько раз перешел по рекламе Директа, вся ценность будет присвоена последнему визиту. Например, человек сначала кликнул на рекламу на поиске, а затем через некоторое время совершил переход на сайт по баннеру и сделал покупку. Последний значимый переход будет присвоен клику по баннеру.

Модель атрибуции Яндекса «Последний переход из Директа» стоит использовать:

• для оценки эффективности рекламы Яндекс.Директа;
• если стоит задача определить, какие объявления или ключевые слова приносят больше конверсий.

В Яндекс.Метрике эта модель атрибуции используется по умолчанию. В тех ситуациях, когда переходов из Яндекса не было зарегистрировано, в отчете Яндекс.Метрики «Источники, сводка» применяется модель атрибуции «Последний значимый переход».

Атрибуция с учетом переходов со всех устройств

Перечисленные модели атрибуции учитывают переходы только по одному типу устройств. Но с 14 октября 2021 года при настройке кампаний в интерфейсе Яндекс.Директа появилась возможность подключить функцию «Кросс-девайс»:

При подключении этой функции система учитывает все устройства, которые пользователь применял при переходе на сайт. Результат – можно точнее определить источник, который привел к конверсии.

Например, посетитель перешел по рекламе на поиске Яндекса с компьютера. Затем на компьютере кликнул по медийной рекламе. А потом запомнил сайт, зашел напрямую и совершил заказ. В этом случае при применении модели атрибуции «Последний переход из Яндекса кросс-девайс» визит засчитается последнему переходу по рекламе Директа, который был осуществлен со смартфона.

Для отслеживания визитов с разных устройств в отчетах Яндекс.Метрики настраивается метрика «Посетители кросс-девайс». Покажем, как ее добавить.

В главном меню выбираем «Отчеты» – «Источники, сводка».

Для отображения информации по кросс-девайсам проводим в отчете следующие настройки. Кликаем на «Метрики»:

В меню устанавливаем галочку напротив пункта «Посетители кросс-девайс» и кликаем «Применить»:

В отчете появится столбец с соответствующими данными:

Теперь в отчете можно посмотреть, сколько посетителей заходило на сайт с разных устройств, и сравнить эти данные с общим количеством посещений сайта.

Выбираем лучшую модель атрибуции для вашего бизнеса по схеме

Объединим наши наблюдения в одну небольшую и наглядную схему. Она не претендует на исчерпывающий алгоритм подбора оптимальной модели атрибуции, но может служить хорошей подсказкой.

Не забывайте: даже если вы уверены, что не используете никакие модели атрибуции в аналитике, вы все равно их используете.

По умолчанию все конверсии присваиваются последнему переходу в Метрике и последнему непрямому переходу в Analytics. Таким образом, лучше задуматься о выборе правильной модели атрибуции сейчас, чем продолжать получать некорректные данные, которые грозят неправильными решениями.

Помогаете клиентам настраивать и управлять контекстной рекламой? Регистрируйтесь в Click.ru, используйте инструменты автоматизации для запуска рекламных кампаний, принимайте участие в партнерской программе и получайте вознаграждение в размере до 18%.

Запустить рекламную кампанию

Аттрибуционная переподготовка — NCTN

Почему атрибутивная переподготовка важна для студентов, переходящих в колледж?

Одной из самых больших проблем для учителей и консультантов является то, как побудить студентов, переходящих в колледж, продолжить увлекательный, но долгий академический путь, который их ждет впереди. Текущие исследования показывают, что для академически неподготовленных или недостаточно подготовленных учащихся черты в так называемой «аффективной области», такие как степень мотивации или уровень тревожности, являются более важными предикторами успеваемости учащихся, чем черты в «когнитивной области», такие как академические способности. способность (Хилл, 2004). Атрибуционная переподготовка (AR) предназначена для повышения мотивации и поощрения достижений путем изменения того, как учащиеся думают о своих академических успехах и неудачах, чтобы их убеждения работали на их шансы на академический успех, а не препятствовали ему.

Таксономия образовательных целей (Таксономия Блума)

Домен	Навыки
Познавательный	знание, понимание, применение, анализ, синтез, оценка
Аффективный	чувства, отношения, убеждения, предпочтения, ценности
Психомоторный	восприятие, физические навыки

 

Что такое атрибутивная переподготовка (AR)?

АР исходит из атрибуционной теории (Heider, 1958; Weiner, 1985), теории мотивации. Согласно теории атрибуции, люди ищут причины для объяснения результатов и событий в их окружении, особенно неожиданных, важных или негативных. В академической среде, согласно теории, учащиеся будут искать причины своих академических успехов и неудач, и выявленные ими причины будут формировать то, как они оценивают свою собственную академическую компетентность. Атрибутивная переподготовка предназначена для замены бесполезных объяснений учащегося о его или ее академической успеваемости объяснениями, поддерживающими мотивацию.

Например, учащийся может объяснить плохую оценку за тест врожденным отсутствием способностей. Если учащийся считает, что у него просто нет «всего, что нужно» для академического успеха, у него, естественно, будет меньше мотивации продолжать стремиться к успеху. В этом примере учитель может указать, что тест оказался сложнее, чем ожидал ученик, и перейти к обсуждению стратегий подготовки к тесту, которые можно будет использовать в следующий раз. В целом, те учащиеся, которые чувствуют, что они в некоторой степени контролируют свои успехи в учебе, с большей вероятностью оправятся от неудач в учебе.

Что современные исследования говорят о атрибутивной переподготовке?

Большинство исследований дополненной реальности в академических условиях включают разовые вмешательства. Например, в нескольких исследованиях первокурсники колледжа, находящиеся в группе риска, просматривали видеозапись, на которой выпускники колледжей рассказывали о том, как изменение их отношения к первоначальным академическим неудачам улучшило их успеваемость. Пожилые люди подчеркнули, что изначально они объясняли свои академические проблемы низкими способностями, но в конце концов поняли, что использование системы поддержки колледжа и изменение своих учебных привычек привели к успеху. Вмешательства AR-видеозаписи в исследованиях коррелировали с повышением итоговой оценки за курс, повышением среднего балла и/или снижением отчислений из колледжа в конце семестра (см. подробный обзор исследований в Perry, Hechter, Menec & Weinberg, 19).93).

Несмотря на то, что трудно найти исследования AR, специально посвященные выпускникам GED и Adult Diploma Programme (ADP), большинство исследований сосредоточено на поступающих в колледжи студентах, которым требуется развивающее образование, и в эту группу часто входят взрослые с нетрадиционными дипломами.

Исследования показали, что дополненная реальность работает лучше всего при следующих обстоятельствах:

• когда учащиеся из группы риска находятся ниже, но близко к академическому стандарту колледжа
• в сочетании с качественным обучением, включая обучение навыкам обучения и ведению конспектов
• как часть возможностей испытать успех
• с курсовой работой, в которой нет «мифа о врожденных способностях» — например, предположение, что некоторые люди просто лучше разбираются в математике
• когда успешное обучение рассматривается как мастерство в течение долгого времени, а не зависит от одного конкретного теста или действия

Как может выглядеть дополненная реальность на практике?

Обсуждение.  Чему учащийся приписывает свои академические успехи или неудачи? Является ли это чем-то, над чем студент имеет контроль? Учитывает ли атрибуция всю картину? Столкнувшись с такими утверждениями, как «Я недостаточно умен, чтобы сдать экзамен», отвечайте, исследуя множество причин, по которым студенты терпят неудачу. Предложите учащимся поразмыслить и обсудить свое восприятие. Объясните важность их восприятия.

Ролевая игра.  Используйте сценарии ролевых игр, чтобы познакомить учащихся с различными способами мышления о плохой успеваемости.

Педагогическое моделирование.   В ходе обычного общения со студентами расскажите, как вам удалось изменить свое отношение к своим успехам и неудачам. Например: «Когда я был новым учителем и мне было трудно придумывать занятия, которые хорошо работали бы в классе, сначала я думал, что это из-за того, что я не создан для того, чтобы быть учителем, но позже я понял, что обратившись за помощью к другим, более опытным учителям, я смогла улучшить свои навыки планирования уроков».

Студенческое моделирование.   Пригласите выпускников вашей программы, которые сейчас учатся в колледже, вернуться и сделать короткую презентацию для ваших нынешних студентов. Попросите их рассказать о том, что они думали о своих академических способностях в начале колледжа и как это понимание изменилось с течением времени.

Анализ успеха.   Хотя большинство учащихся сосредотачиваются на своих неудачах, важно также изучить причины успеха. Какие стратегии полезны и почему и для кого?

Стратегии обучения, повышающие контроль учащихся. Это может включать в себя чтение тематических исследований, утверждения, поощрение студентов стремиться к мастерству, а не просто сдать экзамен, а также помощь учащимся предвидеть и подготовиться к тому, что будет сложно в колледже, путем обсуждения и моделирования среды колледжа.

Предостережение. Приписывание причин, особенно отказа, может служить самозащитной цели. Хотя учителя и консультанты могут не захотеть услышать, что учащийся приписывает неудачи событиям, не зависящим от учащегося, таким как плохой учитель или неудача, это может быть «безопаснее», чем высказывать беспокойство по поводу низких способностей. И иногда академическая успеваемость учащегося снижается из-за плохого преподавания, и это важно признать. Вместо того, чтобы отрицать законные внешние факторы, AR помогает учащимся определить способы, с помощью которых они могут улучшить свою успеваемость, несмотря на внешние факторы.

---

Авторы
Силья Калленбах и Синтия Заффт
National College Transition Network @ World Education, Inc.
Boston, MA

Ссылки
Heider, F. (1958). Психология межличностных отношений.  Нью-Йорк: Wiley.

Хилл, А.Б. (2004). Эмоциональные корреляты успеваемости учащихся в области развития: обзор литературы. Исследования в области развивающего обучения, 18 (4), 1-4. Краткий и интересный обзор, который охватывает ряд аффективных компонентов обучения для студентов в развивающей курсовой работе.

Перри, Р. П. (2003). Воспринимаемый (академический) контроль и причинно-следственное мышление в условиях достижений. Canadian Psychology/Psychologie Canadienne, 44 (4), 312-331.

Перри, П.П., Хехтер, Ф. Дж., Менек, В.Х., и Вайнберг, Л.Х. (1993). Повышение мотивации достижений и успеваемости у студентов колледжей: точка зрения атрибутивного переобучения. Исследования в области высшего образования, 34 (6), 687-723.

Вамбах, Калифорния (1993). Мотивационные темы и академические успехи первокурсников группы риска. Journal of Developmental Education, 16 (3), 8-10, 12, 37.

Weiner, B. (1985). Атрибуционная теория мотивации достижения и эмоций. Психологический обзор, 92 (4), 548-573.

Transitions – Центр письма • Университет Северной Каролины в Чапел-Хилл

О чем эта брошюра

В нашем сумасшедшем, запутанном мире переходы склеивают воедино наши идеи и наши эссе. Этот раздаточный материал познакомит вас с некоторыми полезными переходными выражениями и поможет вам эффективно их использовать.

Функция и значение переходов

Как в академическом, так и в профессиональном письме ваша цель состоит в том, чтобы передать информацию ясно и лаконично, если не склонить читателя к вашему образу мыслей.

Переходы помогают вам достичь этих целей, устанавливая логические связи между предложениями, абзацами и разделами ваших документов. Другими словами, переходы говорят читателям, что делать с информацией, которую вы им представляете. Будь то отдельные слова, короткие фразы или полные предложения, они функционируют как знаки, указывающие читателям, как думать, организовывать и реагировать на старые и новые идеи, когда они читают то, что вы написали.

Переходы сигнализируют об отношениях между идеями — таких отношениях, как: «Подходит еще один пример — будьте начеку!» или «Вот исключение из моего предыдущего утверждения» или «Хотя эта идея кажется верной, вот реальная история». По сути, переходы дают читателю указания, как собрать воедино ваши идеи в логически последовательную аргументацию. Переходы — это не просто словесные украшения, которые украшают вашу статью, делая ее лучше звучащей или читаемой. Это слова с особым значением, которые заставляют читателя думать и реагировать определенным образом на ваши идеи.

Предоставляя читателю эти важные подсказки, переходы помогают читателю понять логику того, как ваши идеи сочетаются друг с другом.

Признаки того, что вам может понадобиться поработать над переходами

Как определить, нужно ли вам работать над переходами? Вот несколько возможных подсказок:

• Ваш инструктор написал такие комментарии, как «прерывистый», «дерганый», «резкий», «поток», «нужны указатели» или «как это связано?» на ваших бумагах.
• Ваши читатели (инструкторы, друзья или одноклассники) говорят вам, что им было трудно понять вашу организацию или ход мыслей.
• Вы склонны писать так, как думаете, и ваш мозг часто довольно быстро перескакивает с одной идеи на другую.
• Вы написали свою статью несколькими отдельными «фрагментами», а затем склеили их вместе.
• Вы работаете над групповой работой; черновик, над которым вы работаете, был создан путем склеивания фрагментов, написанных несколькими людьми.

Организация

Поскольку ясность и эффективность ваших переходов во многом зависит от того, насколько хорошо вы организовали свою статью, вы можете оценить организацию своей работы, прежде чем работать над переходами. На полях вашего черновика подведите итог одним словом или короткой фразой, о чем каждый абзац или как он вписывается в ваш анализ в целом. Это упражнение должно помочь вам более четко увидеть порядок и связь между вашими идеями.

Если после выполнения этого упражнения вы обнаружите, что по-прежнему испытываете затруднения в последовательном связывании своих идей, возможно, ваша проблема связана не с переходами, а с организацией. Для получения помощи в этой области (и более подробного объяснения техники «обратного наброска», описанной в предыдущем абзаце), пожалуйста, обратитесь к раздаточному материалу Центра письма по организации.

Как работают переходы

Организация вашей письменной работы включает два элемента: (1) порядок, в котором вы решили представить различные части вашего обсуждения или аргумента, и (2) отношения, которые вы строите между этими частями. Переходы не могут заменить хорошую организацию, но они могут сделать вашу организацию более четкой и понятной. Взгляните на следующий пример:

Эль-Паис , латиноамериканская страна, имеет новое демократическое правительство после многолетней диктатуры. Предположим, вы хотите возразить, что El Pais не настолько демократичен, как нам кажется.

Одним из способов эффективной организации вашей аргументации было бы представить традиционную точку зрения, а затем предоставить читателю ваш критический ответ на эту точку зрения. Итак, в параграфе А вы должны перечислить все причины, которые кто-то может счесть El Pais весьма демократичен, а в пункте Б вы бы опровергли эти пункты. Переход, который устанавливал бы логическую связь между этими двумя ключевыми элементами вашей аргументации, указывал бы читателю, что информация в абзаце Б противоречит информации в абзаце А. В результате вы могли бы организовать свою аргументацию, включая переход, который связывает абзац А с пунктом Б следующим образом:

Пункт A: баллов, подтверждающих мнение о том, что новое правительство El Pais очень демократично.

Переход: Несмотря на предыдущие аргументы, есть много причин полагать, что новое правительство El Pais не так демократично, как принято считать.

Пункт B: пунктов, которые противоречат мнению, что новое правительство El Pais очень демократично.

В этом случае переходные слова «Несмотря на предыдущие аргументы» предполагают, что читатель не должен верить параграфу А, а вместо этого должен рассмотреть причины, по которым автор считает демократию El Pais подозрительной.

Как видно из примера, переходы могут помочь укрепить основную логику организации вашей статьи, предоставляя читателю важную информацию о взаимосвязи между вашими идеями. Таким образом, переходы действуют как клей, который связывает компоненты вашего аргумента или обсуждения в единое, последовательное и убедительное целое.

Типы переходов

Теперь, когда у вас есть общее представление о том, как разработать эффективные переходы в письме, давайте кратко обсудим типы переходов, которые будут использоваться в вашем письме.

Типы доступных вам переходов так же разнообразны, как и обстоятельства, в которых вам нужно их использовать. Переход может быть отдельным словом, фразой, предложением или целым абзацем. В каждом случае он работает одинаково: во-первых, переход либо непосредственно резюмирует содержание предшествующего предложения, абзаца или раздела, либо подразумевает такое обобщение (напоминая читателю о том, что было до него). Затем это помогает читателю предвидеть или понять новую информацию, которую вы хотите представить.

1. Переходы между разделами: В частности, в более объемных работах может оказаться необходимым включить переходные абзацы, которые обобщают для читателя только что пройденную информацию и указывают на актуальность этой информации для обсуждения в следующем разделе.
2. Переходы между абзацами: Если вы хорошо расположили абзацы таким образом, чтобы содержание одного логично вело к следующему, переход подчеркнет уже существующую взаимосвязь, резюмируя предыдущий абзац и намекая на содержание предыдущего абзаца. следующий за ним абзац. Переходом между абзацами может быть слово или два (впрочем, например, аналогично), словосочетание или предложение. Переходы могут быть в конце первого абзаца, в начале второго абзаца или в обоих местах.
3. Переходы внутри абзацев: Как и в случае переходов между разделами и абзацами, переходы внутри абзацев действуют как подсказки, помогая читателям предвидеть то, что произойдет, прежде чем они прочитают это. Внутри абзацев переходы, как правило, представляют собой отдельные слова или короткие фразы.

Переходные выражения

Эффективное построение каждого перехода часто зависит от вашей способности идентифицировать слова или фразы, которые укажут читателю на тип логических отношений, которые вы хотите передать. В приведенной ниже таблице вам будет легче найти эти слова или фразы. Всякий раз, когда у вас возникают проблемы с поиском слова, фразы или предложения, которые могли бы служить эффективным переходом, обратитесь за помощью к информации в таблице. Посмотрите в левой колонке таблицы тип логической связи, которую вы пытаетесь выразить. Затем найдите в правой колонке таблицы примеры слов или словосочетаний, выражающих эту логическую связь.

Имейте в виду, что каждое из этих слов или фраз может иметь несколько иное значение. Обратитесь к словарю или справочнику писателя, если вы не уверены в точном значении слова или фразы.

ЛОГИЧЕСКАЯ СВЯЗЬ	ПЕРЕХОДНОЕ ВЫРАЖЕНИЕ
Подобие	так же, точно так же, так же, так же, подобно
Исключение/контраст	но, однако, вопреки, с одной стороны … с другой стороны, тем не менее, тем не менее, несмотря на, напротив, наоборот, еще, все же
Последовательность/порядок	первый, второй, третий, … следующий, затем, наконец
Время	после, после, наконец, до, в настоящее время, во время, ранее, тотчас же, после, тем временем, теперь, недавно, одновременно, впоследствии, тогда
Пример	например, например, а именно конкретно для иллюстрации
Акцент	даже, действительно, на самом деле, конечно, действительно
Место/должность	вверху, рядом, внизу, за, здесь, спереди, сзади, поблизости, там
Причина и следствие	соответственно, следовательно, следовательно, таким образом, таким образом
Дополнительная поддержка или доказательства	вдобавок, снова, также, а также, кроме того, столь же важно, кроме того, вдобавок, сверх того, затем
Заключение/Резюме	наконец, вкратце, вкратце, вкратце, в заключении, в конце, в конечном счете, в целом, таким образом, заключать, резюмировать, подытожить, резюмировать, подытожить

---

Эта работа находится под лицензией Creative Commons Attribution-NonCommercial-NoDerivs 4. 0 License.
Вы можете воспроизводить его для некоммерческого использования, если вы используете весь раздаточный материал и указываете источник: The Writing Center, University of North Carolina at Chapel Hill

Сделайте подарок

Получите больше от GA4: ключевые понятия атрибуции

Google Analytics (GA4) — это новейшая версия Google Analytics, которая должна заменить Universal Analytics 1 июля 2023 года. прекратите сбор новых данных, и в будущем для всех целей отслеживания Google Analytics потребуется GA4.

В GA4 реализовано множество новых и улучшенных возможностей, таких как:

• Анализ данных на основе машинного обучения
• Предиктивная аудитория
• Моделирование преобразования
• Отчет о жизненном цикле клиента
• Элементы управления детализированными пользовательскими данными
• И многое другое!

Ниже мы рассмотрим некоторые из них, включая модели атрибуции GA4 и другие ключевые концепции.

Во-первых, если вы еще не внедрили GA4, вам нужно сделать это как можно скорее. Крайний срок для создания бесшовных данных в годовом исчислении в GA4 был 1 июля 2022 года. Чем раньше вы наладите отслеживание и запустите его, тем больше данных у вас будет, когда Universal Analytics завершит свою работу.

Данные UA нельзя импортировать в GA4, а исторические данные UA будут удалены в 2024 году. Полная реализация и настройка вашего ресурса GA4 требует времени и требует продуманного и преднамеренного плана проектирования.

В повторе вебинара «Получение большего от GA4» вы сможете изучить все эти темы, а также получить практическое руководство по созданию отчетов в GA4. Посмотрите видео , чтобы узнать мнение наших экспертов, которое поможет вам добиться успеха на новой платформе.

Что такое объем в GA4?

Начнем с масштаба — что он означает и как влияет на данные, которые вы видите?

Область применения — это характеристика, описывающая степень применимости метрики или параметра. Это позволяет рекламодателям присваивать кредит на разных уровнях детализации. С помощью масштаба бренды могут видеть, что сгенерировало событие или сеанс, а затем уменьшить масштаб, чтобы увидеть, что изначально привело пользователя, сгенерировавшего сеанс.

В отчетах Google Analytics 4 вы найдете три основных типа области действия. Каждому из них назначена модель атрибуции, которая используется, когда к отчету применяется параметр соответствующей области:

• Область действия пользователя: Модель первого непрямого взаимодействия (например, кампания Google Ads для первого пользователя)
• Объем сеанса: Последняя модель непрямого взаимодействия (например, сеанс кампании Google Ads)
• Область действия: Модель атрибуции, выбранная в настройках ресурса (например, кампания Google Ads)

Изменения модели атрибуции в отчетах имеют обратную силу, но применимы только к параметрам и показателям, связанным с событиями.

Что такое модели атрибуции GA4?

Что такое атрибуция и как она применяется к отчетности GA4?

Атрибуция — это действие по присвоению ценности конверсиям различным объявлениям, кликам и факторам на пути пользователя к совершению конверсии.

Модель атрибуции может быть правилом, набором правил или управляемым данными алгоритмом, который определяет, как ценность конверсий присваивается точкам взаимодействия на путях конверсии.

Примеры моделей атрибуции GA4 включают:

• На основе данных
• Последний клик
• Последний клик, предпочитаемый рекламой
• Первый щелчок
• Линейный
• На основе позиции
• Затухание времени

GA4 позволяет администраторам учетных записей переключаться между отчетными моделями атрибуции и задним числом изменять применимые показатели в соответствии с выбранной моделью. Модель атрибуции отчетов применяется к параметрам и показателям, связанным с событиями. Данные пользователя и сеанса не затрагиваются.

Давайте углубимся в различные типы моделей атрибуции!

Модели атрибуции на основе данных

Это модель атрибуции GA4, которую мы рекомендуем брендам. Этот тип модели распределяет дробный кредит конверсии на основе данных для каждого события конверсии — обычного, платного поиска, электронной почты или прямого. Это особенно мощная модель, поскольку она использует фактические данные из вашей учетной записи, чтобы определить наиболее подходящую атрибуцию для каждого клика или точки взаимодействия.

Во всех моделях атрибуции прямой трафик игнорируется и не учитывается для оценки атрибуции, если весь путь конверсии не состоит из прямых посещений.

Модели атрибуции по последнему клику

Модели атрибуции по последнему клику приписывают 100% ценности конверсии последнему каналу, по которому щелкнул клиент перед конверсией.

Модели атрибуции по последнему клику, предпочитаемые рекламой

Этот тип модели приписывает 100 % ценности конверсии последнему каналу Google Рекламы, по которому клиент щелкнул перед конверсией. Если на пути нет кликов Google Рекламы, модель атрибуции возвращается к последнему многоканальному клику.

Модели атрибуции по первому клику

Модели атрибуции по первому клику отдают всю ценность конверсии первому каналу, по которому клиент щелкнул перед конверсией.

Модели линейной атрибуции

Модели линейной атрибуции распределяют ценность конверсии поровну по всем каналам, по которым клиент щелкнул перед конверсией. Например, если пользователь взаимодействовал с вашим брендом через обычный поиск, платный поиск и электронную почту, каждый клик будет получать примерно 33% ценности конверсии.

Модели атрибуции на основе позиции

Этот тип модели приписывает 40% ценности первому и последнему взаимодействию, а оставшиеся 20% ценности равномерно распределяются между промежуточными взаимодействиями. Например, если пользователь сначала взаимодействовал с вашим брендом через органическую рекламу, затем снова взаимодействовал через платную рекламу и в конечном итоге совершил конверсию по электронной почте, органическая и электронная почта получит 40% кредита, а платный поиск получит 20%.

Модели атрибуции Time Decay

Модели атрибуции Time Decay придают большее значение точкам взаимодействия, которые произошли ближе по времени к конверсии. Кредит распределяется с использованием семидневного периода полураспада. Это означает, что клик за восемь дней до конверсии оценивается вдвое меньше, чем клик за день до конверсии.

Окна ретроспективного анализа в GA4

Окно ретроспективного анализа определяет, насколько далеко в прошлое Google Analytics будет рассматривать событие для атрибуции. Как только период ретроспективного анализа определен, модель атрибуции применяется в течение этого периода времени.

Вот несколько заметных отличий от периодов ретроспективного анализа GA4:

Окна ретроспективного анализа Universal Analytics:

• Максимальный срок ретроспективного анализа — два года (по умолчанию — шесть месяцев)
• Предлагает полную настройку, вплоть до 9 минут0058
• Изменения окна ретроспективного анализа не имеют обратной силы

Окна ретроспективного анализа GA4:

• Максимальное окно ретроспективного анализа 90 дней (90 дней по умолчанию)
• Предлагает предустановленные параметры на 30, 60 и 90 дней
• Изменения окна ретроспективного анализа не имеют обратной силы
• Вводит концепцию событий-конверсий приобретения с предустановленными параметрами 30 или 7 дней (применимо только к событиям first_open и first_visit)

GA4 Хранение данных

Наконец, срок хранения данных — это время, в течение которого данные на уровне пользователя и уровне событий, хранящиеся в GA4, автоматически удаляются с серверов Analytics. В GA4 это влияет только на исследования и не влияет на стандартные агрегированные отчеты.

Рекомендуемый срок хранения данных о событиях — 14 месяцев. Это позволяет составлять годовые отчеты по пользовательским данным и данным на уровне событий.

Вот некоторые особенности хранения данных в GA4 по сравнению с Universal Analytics:

Хранение данных Universal Analytics:

• Позволяет хранить данные на неопределенный срок
• Также предлагаются варианты на 14, 26, 38 и 50 месяцев
• Изменение параметра хранения не влияет на данные, которые были захвачены при применении старого параметра

Хранение данных GA4:

• Позволяет хранить данные до 14 месяцев
• Также предлагается вариант на 2 месяца
• Изменение параметра хранения также применяется к уже собранным данным
• GA4 360 позволяет хранить до 50 месяцев; Google Signals имеет 26-месячный период хранения
.