Наскрізна аналітика - це спосіб аналізу ефективності рекламних кампаній з урахуванням безпосередніх продажів після цієї кампанії. Іншими словами, наскрізна аналітика допомагає звести всі розрізнені метрики разом, простежити шлях клієнта від самого початку до теперішнього моменту і не втратити жодної канал взаємодії.
У цій статті ми розповімо, навіщо нам наскрізна аналітика і як ми її впроваджуємо, тобто пов'язуємо всі дії клієнта від першого разу, коли він побачив нашу рекламу, до самої покупки.

Ми почали впроваджувати наскрізну аналітику, так як хотіли звести все метрики разом, щоб розуміти, наскільки добре ми працюємо по OKR . Це метод постановки цілей і завдань, який допомагає всій команді працювати злагоджено, але при цьому дає достатньо свободи для побудови власного маршруту досягнення мети. У нас є одна спільна мета (Х платять клієнтів), а далі кожна команда визначає, який внесок вона вносить для досягнення цієї мети і на які метрики впливає.

Наскрізна аналітика дає нам відповіді на наступні питання:

• Як активується в сервісі користувачі з різних каналів трафіку?
• Як платять користувачі з різних каналів?
• Скільки грошей приносить нам кожен канал?
• Який з каналів найефективніший?
• Скільки і куди потрібно витрачати на рекламу?

Впровадження наскрізний аналітики

Зараз дані про дії користувача збираються в три бази даних, з яких ми повинні зібрати одну наскрізну воронку:

1. Реєстрація, в якій містяться всі дані про користувачів до реєстрації (Джерела трафіку, кількість користувачів, досягнення кожного кроку реєстрації)
2. Активація, в якій містяться всі дані про користувачів до оплати (активація в окремі розділи сайту)
3. Оплати, в якій містяться всі дані про оплати користувачів

Коли ми говоримо про реєстрацію, ми дивимося на кожну конкретну людину, який стає нашим користувачем. Так як один користувач може працювати з декількома сайтами за допомогою Carrot quest (тобто створити кілька акаунтів) і навпаки - в одному акаунті може бути багато операторів (Тобто користувачів), активацію ми вважаємо за акаунтів. Оплати в свою чергу вважаються за транзакціями і пов'язані з акаунтами. Один користувач може бути творцем кількох акаунтів і робити з них різні оплати.

Всі цифри різні. Для того, щоб можна було робити воронку від реєстрації до оплати, необхідно привести всі наявні дані до одного виду. Ми вирішили, що нашим спільним знаменником будуть користувачі, але тільки ті, хто створив обліковий запис. Характеристики створених акаунтів і транзакцій будемо вважати властивостями цих користувачів. В такому випадку ми зможемо пов'язати джерела трафіку і кінцеві гроші, які ми отримуємо з користувачів.

Прототіпіруем таблицю звіту

Першу версію звіту ми зібрали вручну, щоб подивитися, як сходяться цифри і які проблеми можуть виникнути при автоматизації. Після обкатки будемо налаштовувати збір автоматично.

Спочатку ми звели все в одну велику таблицю. Просто оціните масштаб. Зараз розберемо по частинах.

Для прикладу візьмемо платні канали, органічний і прямий трафік за травень (це перший стовпець, результати за більш пізні місяці вище в таблиці).

Коли ми бачимо аномалії в конверсії, наприклад, в активації , Насамперед ми дивимося на канали. Причину більшості викидів можна визначити, подивившись, з якого каналу прийшли "аномальні" клієнти. Наприклад, це може бути неякісні рекламні кампанії. Якщо в аномалію не вдається визначити відразу, то підключаємо до аналізу інші джерела трафіку.

Далі йдуть частини воронки реєстрації, активації і продажів. Ось список по порядку кроків:

• Кількість лидов (це відправна точка, беремо її за 100%);
• Воронка реєстрації:
  • Зайшов на сторінку реєстрації;
  • Завершила реєстрацію;
  • Створив аккаунт;
• Воронка активації:
  • Конверсія в активацію (зараз в наскрізний аналітиці ми враховуємо активацію тільки в один головний крок - встановлення нашого коду на сайт. Далі плануємо додати більше);
• Воронка продажів:
  • Конверсія в першу покупку (у відсотках);
  • Кількість транзакцій;
  • Число платять клієнтів;
  • виручка;
  • прибуток;
  • ROI;

Також в таблиці вважаємо unit-економіку:

Більш докладно про метрики для Saas можна почитати в цієї статті .

Налаштування наскрізний аналітики: атрибуція трафіку

Оцінюючи, який з джерел трафіку працює краще, варто розуміти, що таке атрибуція і яка вона буває.

Атрибуція - правило, за яким розподіляється цінність серед шляхів джерел трафіку. Наприклад, вперше користувач перейшов на сайт через органічний пошук, потім зайшов через рекламу в соціальних мережах і в підсумку зробив замовлення, перейшовши по контекстній рекламі. Як правильно вважати, який з каналів приніс гроші? Модель атрибуції визначає, як розподілити отриманий дохід і витрати за цими джерелами.

Від того, наскільки правильно ми зможемо зрозуміти цінність каналу, буде залежати ефективність розподілу бюджету і правильність вибудовування маркетингової стратегії.

Види моделей атрибуції

Моделі атрибуції бувають декількох видів:

• Last interaction - вважається, що рішення про покупку клієнт приймає після останнього взаємодії, вся цінність покупки віддається останньому каналу;
• First interaction - перший канал найважливіший, він визначає, чи заплатить клієнт, все 100% доходу приписуються першому каналу взаємодії;
• Linear - все взаємодії однаково важливі, дохід розподіляється рівномірно між усіма каналами;
• Position Based - це гібрид моделей "Перше взаємодія" і "Останнє взаємодія". Замість того, щоб привласнювати всю цінність першому або останньому каналу, можна поділити її між ними. Зазвичай вона розподіляється наступним чином: по 40% першому і останньому каналу і 20% - всім іншим.
• Time Decay - вважається, що рішення про покупку акумулюється з кожним взаємодією, тому цінність каналу збільшується від каналу до каналу.
• Customized - кастомними атрибуція підійде, якщо ви самі знаєте вага кожного каналу в прийнятті рішень.

Зараз ми вважаємо і по First interaction, і по Last interaction. По-перше, обидва типи легко розрахувати. По-друге, ми їх порівнюємо, щоб не зробити хибних висновків про ефективність. Дивіться, ось клієнт прийшов до нас з реклами, а купив після підігріває листи. Якщо будемо дивитися на Last click, вирішимо, що реклама не працює, відключимо її і почнемо втрачати клієнтів. Якщо будемо дивитися на First click, то не будемо враховувати вплив "дотискати" каналів. Ось чому ми дивимося на обидві ці цифри.

Автоматизація звітів наскрізний аналітики

Після того, як ми зрозуміли які звіти нам потрібні ми стали автоматизувати звіти. Для автоматизації ми вирішили використовувати Rick.

Rick - це сервіс наскрізний аналітики. Рік оцінює ефективність реклами, сайтів, Лендінзі і відділу продажів. Аналізує когорти, воронки і сегменти. Можливо, ви знайомі з AppCraft - це він і є, просто хлопці вирішили змінити ім'я. Даний сервіс ми вибрали тому, що для його можна було швидко інтегрувати, був зручний функціонал з побудови звітів. А ще Rick вирішував основну проблему Google Analytics.

Проблема полягає в тому, що Google Analytics Вважаю сесії, а не користувачів . Зв'язки з цим, робити висновки на основі даних Google Analytics стає складно і навіть небезпечно. Rick вирішує цю проблему і будує звіти по користувачах, коректно пов'язуючи їх з джерелами. Для нас же Google Analytics стає тільки сховищем даних про джерела трафіку, відвідані сторінки і події на стороні Carrot quest, які ми посилаємо в Google Analytics.

Передача даних працює наступним чином. Подія виникає в Carrot quest і по Webhooks передається в AWS Lambda . Lambda же відправляє події через datalayer в Google Analytics, а звідти вони надходять в Rick.

Варто відзначити, що дані про транзакції ми шлемо безпосередньо з нашого бекенда. Їх Rick пов'язує після того, як агрегує дані з Google Analytics до користувачів.

Після того, як відправили всі події в Rick, ми налаштували наступні групи звітів:

• Джерела трафіку - звіти, де пов'язані джерела трафіку і реєстрації з них;

• Лендінзі - різноманітні зрізи, через які можна зрозуміти наскільки ефективні Лендінзі;
• Активація - на скільки глибоко користувачі активуються в різні розділи Carrot quest;
• Робота відділу продажів і партнерської програми;
• Оплати - щоб розуміти з яких джерел трафіку платять користувачі;

Нижче ми покажемо за прикладом з кожної групи звітів:

Воронка від реєстрації до активації Воронка трафіку по каналах Воронка по Лендінзі Частина воронки активації Воронка відділу продажів Оплати по каналах

висновок

Процес впровадження наскрізної аналітики вимагає багато ресурсів і часу, але в підсумку дає розуміння, які канали дають якусь ефективність. Наскрізна аналітика дозволяє дивитися воронки реєстрації, активації і оплати. У нашому випадку ми почали з прототипу звіту, зрозуміли основні зрізи, які нам потрібні і стали інтегруватися з Rick для автоматизації цих звітів.

Далі у нас в планах порахувати LTV по когортам і впровадження скорингових моделей для складання сценаріїв для кожної аудиторії.

Як у вас зроблена наскрізна аналітика? Якщо немає, що заважає вам її зробити? Будемо вдячні за зворотній зв'язок.

4.8 / 5 (10)

Будь ласка, оцініть статтю

Автор: Михайло Меркур'єв

Гойдаюся в аналітиці та аналізі продукту.