Studi kasus: Cara menyiapkan analitik lanjutan untuk layanan streaming film online

Sejumlah besar studi kasus ditulis tentang cara menyiapkan analitik lanjutan dalam proyek e-niaga biasa dengan corong AIDA. Banyak bisnis tahu cara melakukan ini dan tidak memiliki masalah dalam menyiapkan corong. Tetapi kesulitan muncul ketika Anda memiliki saluran penjualan yang kompleks dan tidak jelas, banyak jenis konversi, dan tindakan yang ditargetkan. Mari kita lihat bagaimana kita bisa membawa semua data kita ke dalam satu dashboard untuk bioskop online?

Di layanan pindahan online, kami memiliki dua jenis transaksi, dan keduanya tidak setara karena transaksi biasanya dalam e-commerce. Ada transaksi video on demand (TVOD) (menyewa atau membeli film) yang langsung kita terima uangnya, sedangkan transaksi video on demand (SVOD) langganan (langganan dan uji coba) melibatkan pembayaran rutin yang berulang.

Setiap bulan, pengguna dapat memperbarui atau tidak memperbarui langganan mereka. Masuk akal bagi kami untuk fokus pada pertumbuhan nilai umur pelanggan (LTV) dan bukan pada transaksi satu kali, dan mekanisme bekerja dengan LTV berbeda dari mekanisme bekerja dengan metrik lainnya.

Untuk mengontrol konversi, kami menempatkan uji coba di grup terpisah. Faktanya, uji coba sama dengan langganan, hanya saja ditawarkan secara gratis atau seharga 1 rubel. Uji coba dapat diubah menjadi langganan berbayar di akhir periode promosi (7 atau 14 hari). Sangat penting bagi kami untuk memantau konversi tersebut.

Plus, ada juga pembelian dan persewaan — pengguna dapat membeli konten yang tidak tersedia sebagai bagian dari langganan utama, seperti film baru, atau mendapatkan akses sementara ke konten selama 48 jam.

Departemen pemasaran bertujuan untuk melipatgandakan jumlah pengguna yang membayar dengan CAC maksimum tetap. Namun, saluran penjualan yang tidak biasa dan sejumlah besar tindakan yang ditargetkan sangat memperumit manajemen dan evaluasi kampanye iklan. Untuk mencapai tujuan ini, mereka membutuhkan alat yang memungkinkan kami mengevaluasi saluran periklanan secara objektif, dengan mempertimbangkan semua jenis transaksi. Analisis yang dibangun berdasarkan penyimpanan internal dan solusi mereka sendiri tidak cukup.

Ada juga pertanyaan tentang kualitas data yang dianalisis. Tidak semua pengiriman formulir berlangganan dilacak di situs web, dan data yang diunduh dari CRM berisi kunci untuk mencocokkan data dalam format yang berbeda dari situs web. Untuk meningkatkan proporsi pencocokan data dan, dengan demikian, kualitas data, diperlukan alat pemantauan yang akan menunjukkan skala dan dinamika penyimpangan dan memungkinkan untuk mengidentifikasi masalah di situs web.

Untuk mendapatkan laporan tentang semua jenis transaksi dan alat untuk memantau kualitas data secara otomatis, keputusannya adalah mengonfigurasi analitik lanjutan berdasarkan Google BigQuery.

Untuk mengumpulkan data dari situs web dan layanan periklanan di Google BigQuery, tim menggunakan Google Analytics 360 dan OWOX BI. Analis OWOX membantu mengembangkan dan menerapkan sistem metrik yang mempertimbangkan fitur model bisnis layanan streaming film online, memeriksa kualitas data online, dan menggabungkannya dengan data dari sistem CRM karena mereka perlu melihat pengguna yang membayar dalam laporan dan ini informasi hanya di CRM.

Cara menggabungkan data untuk dasbor:

1. Impor data biaya secara otomatis dari layanan periklanan ke Google Analytics dan Google BigQuery menggunakan OWOX BI Pipeline.
2. Kumpulkan data perilaku pengguna di situs dan kirimkan ke Google BigQuery menggunakan Google Analytics 360.
3. Unggah data penjualan dari CRM ke BigQuery menggunakan solusi khusus.
4. Siapkan model atribusi berbasis corong berdasarkan data menggunakan Atribusi OWOX BI.
5. Di Google BigQuery, gabungkan data situs, data layanan periklanan, dan hasil penghitungan atribusi menjadi satu tampilan.
6. Transfer data dari tampilan BigQuery ke dasbor Google Data Studio.

1. Hasilnya, kami mendapat saluran penjualan. Kami sekarang melihat konversi ke setiap target untuk setiap saluran dan dapat menarik kesimpulan tentang efektivitas skenario yang berbeda.

Misalnya, laporan kinerja dengan metrik keseluruhan membantu melihat kontribusi objektif dari sumber, saluran, dan kampanye pada berbagai jenis konversi (uji coba, uji coba yang diaktifkan, langganan, pembelian, persewaan):

Dasbor memiliki banyak opsi untuk memudahkan pekerjaan pemasar. Misalnya, ada filter untuk menganalisis data pada film atau produk tertentu dan melacak status pengguna. Misalnya, pengguna mungkin sedang dalam uji coba dan berlangganan setelah kampanye. Ada banyak status serupa: status tersebut membantu mengevaluasi cara kampanye yang ditujukan untuk pengguna tertentu dan hasil yang berhasil di segmen tertentu.

Misalnya, bagan di bawah ini menunjukkan bagaimana pembelian film Soul mengalir ke rental setelah pemutaran perdana saat popularitas mulai turun dari puncaknya:

Ada halaman yang menunjukkan tingkat konversi sesi ke uji coba dan uji coba ke langganan. Sebelum menyiapkan analitik lanjutan, sulit bagi tim untuk melacak informasi ini.

Ada juga halaman terpisah untuk pengeluaran dan semua jenis transaksi di mana pemasar dapat melihat informasi yang lebih rinci.

2. Menghitung metrik dan skenario saja tidak cukup jika Anda ingin menemukan titik pertumbuhan dalam kampanye. Oleh karena itu, atribusi berbasis corong dari OWOX berdasarkan data yang dikumpulkan di BigQuery telah disiapkan:

Dan berdasarkan data atribusi, tim membuat laporan ini:

Dalam laporan, Anda dapat melihat nilai saluran (jumlah konversi) untuk semua jenis transaksi (Uji Coba, Uji Coba Diaktifkan, Langganan, Data untuk Milik, Sewa, dll.). Semua metrik dalam laporan kinerja dihitung menurut dua model atribusi: Klik Non-Langsung Terakhir dan Atribusi Berbasis Corong ML dari OWOX BI.

Di tangkapan layar, Anda dapat melihat persentase deviasi antara model atribusi ini untuk semua jenis konversi. Laporan tersebut membantu pemasar melacak saluran yang dinilai terlalu tinggi atau terlalu rendah menurut model Klik Non-Langsung Terakhir dan mengalokasikan anggaran iklan.

3. Pertanyaan yang wajar adalah Bagaimana kita dapat mengontrol kualitas data dari begitu banyak sumber dan untuk begitu banyak metrik? Tim telah membangun dasbor terpisah yang menunjukkan kualitas pencocokan data untuk membuat keputusan:

Pencocokan adalah proses pengumpulan data transaksi dari situs web dan membandingkannya dengan data di CRM. Biasanya, data CRM ditautkan ke data online dengan ID transaksi. Sebelum layanan mulai bekerja dengan OWOX, mereka tidak mentransfer sekitar 60% ID transaksi. Artinya, pangsa pencocokan adalah sekitar 40%.

Kepercayaan pada data itu penting. Jika input untuk analisis menggunakan data berkualitas buruk yang tidak sesuai dengan gambaran sebenarnya, maka hasil pada output hampir tidak dapat dipercaya.

Sebelumnya, tim menghabiskan banyak waktu untuk memeriksa persentase pertandingan. Sekarang mereka memiliki alat yang dengan jelas menunjukkan persentase transaksi yang telah dievaluasi. Mereka dapat melihat kapan saja seberapa banyak mereka mencocokkan data dari CRM dengan data online dan tidak membuang waktu tambahan untuk itu. Jika tiba-tiba ada sesuatu yang jatuh dalam data online, itu segera terlihat.

Dengan menerapkan logika penautan data tambahan (yang dibantu oleh rekan OWOX), tim menaikkan rasio pencocokan dari 40% menjadi 85% yang dapat diterima. Dan karena laporan ini memberikan umpan balik tentang tindakan di ujung depan, di beberapa titik mereka dapat memperbaiki bug utama di situs web dan mendapatkan rasio pencocokan 90%.

4. Saat mengerjakan proyek ini, tim layanan menghadapi tugas lain: mengendalikan biaya Google BigQuery .

Kualitas data bukan satu-satunya objek penting dari kontrol harian. Layanan streaming film online memberdayakan puluhan karyawan dengan data. Dan penanganan permintaan yang buruk secara tak terduga dapat meningkatkan pengeluaran perusahaan untuk dukungan analitik.

Untuk menjaga tangan kita tetap aktif, mereka menggunakan dua solusi:

1. Dasbor untuk memantau jumlah data (dalam GB) yang diproses oleh Google BigQuery, beserta biaya terkait:

Di sini Anda dapat melihat di akun mana data paling banyak diproses dan memperingatkan manajer tertentu yang melebihi batas.

2. Chatbot dengan pesan jika laporan tidak diperbarui atau melebihi pengeluaran yang direncanakan di Google BigQuery. Ini membantu merencanakan biaya pemrosesan data bulanan. Bot yang sama segera memperingatkan setelah memperbarui data dari semua sumber dalam laporan sehingga tim tidak membuang waktu untuk membandingkan dan dapat segera mulai menganalisis kampanye.

Tim menggunakan dasbor yang dihasilkan dalam semua proses reguler untuk mengelola kampanye kinerja. Di masa depan, mereka berencana untuk membuat aplikasi seluler dan memecahkan masalah atribusi lintas perangkat, serta menilai dampak kampanye media dalam analisis.