사례 연구: 온라인 영화 스트리밍 서비스에 대한 고급 분석을 설정하는 방법

AIDA 퍼널이 있는 일반 전자 상거래 프로젝트에서 고급 분석을 설정하는 방법에 대한 많은 사례 연구가 작성되었습니다. 많은 기업이 이를 수행하는 방법을 알고 있으며 깔때기를 설정하는 데 문제가 없습니다. 그러나 복잡하고 불분명한 판매 유입경로, 다양한 전환 유형 및 타겟 액션이 있는 경우 어려움이 발생합니다. 온라인 영화를 위해 모든 데이터를 하나의 대시보드로 가져오는 방법을 살펴보겠습니다.

온라인 이사 서비스에는 두 가지 유형의 거래가 있으며 일반적으로 전자 상거래에서의 거래와 동일하지 않습니다. 주문형 비디오(TVOD) 거래(영화 대여 또는 구매)에 대해 즉시 돈을 받는 반면 주문형 구독 비디오(SVOD) 거래(구독 및 평가판)에는 정기적으로 반복적으로 지불해야 합니다.

매달 사용자는 구독을 갱신하거나 갱신하지 않을 수 있습니다. 일회성 거래가 아니라 고객평생가치(LTV)의 성장에 초점을 맞추는 것이 논리적이며 LTV를 사용하는 메커니즘은 다른 메트릭을 사용하는 메커니즘과 다릅니다.

전환을 제어하기 위해 별도의 그룹에 시도를 배치합니다. 실제로 평가판은 구독과 동일하며 무료 또는 1루블만 제공됩니다. 평가판은 프로모션 기간(7일 또는 14일)이 끝나면 유료 구독으로 전환할 수 있습니다. 이러한 전환을 모니터링하는 것은 매우 중요합니다.

또한 구매 및 대여도 있습니다. 사용자는 새 영화와 같이 기본 구독의 일부로 사용할 수 없는 콘텐츠를 구매하거나 48시간 동안 콘텐츠에 임시로 액세스할 수 있습니다.

마케팅 부서는 고정된 최대 CAC로 유료 사용자 수를 3배로 늘리는 것을 목표로 합니다. 그러나 비정형적인 판매 유입경로와 수많은 표적 행동은 광고 캠페인의 관리와 평가를 크게 복잡하게 만듭니다. 이 목표를 달성하려면 모든 유형의 거래를 고려하여 광고 채널을 객관적으로 평가할 수 있는 도구가 필요했습니다. 내부 스토리지와 자체 솔루션을 기반으로 구축된 분석으로는 충분하지 않았습니다.

분석된 데이터의 품질에 대한 질문도 있었다. 모든 구독 양식 제출이 웹사이트에서 추적되는 것은 아니며 CRM에서 다운로드한 데이터에는 웹사이트와 다른 형식의 데이터 일치를 위한 키가 포함되어 있습니다. 일치하는 데이터의 비율과 그에 따른 데이터 품질을 높이려면 편차의 규모와 역학을 보여주고 웹사이트에서 문제를 식별할 수 있는 모니터링 도구가 필요했습니다.

모든 유형의 트랜잭션에 대한 보고서와 데이터 품질을 자동으로 모니터링하는 도구를 얻기 위해 Google BigQuery를 기반으로 고급 분석을 구성하기로 결정했습니다.

Google BigQuery의 웹사이트 및 광고 서비스에서 데이터를 수집하기 위해 팀은 Google Analytics 360 및 OWOX BI를 사용했습니다. OWOX 분석가는 보고서에서 유료 사용자를 확인해야 하기 때문에 온라인 영화 스트리밍 서비스 비즈니스 모델의 기능을 고려하고 온라인 데이터의 품질을 확인하고 CRM 시스템의 데이터와 결합하는 메트릭 시스템을 개발 및 구현하는 데 도움을 주었습니다. 정보는 CRM에만 있습니다.

대시보드의 데이터를 결합하는 방법:

1. OWOX BI Pipeline을 사용하여 광고 서비스에서 Google Analytics 및 Google BigQuery로 비용 데이터를 자동으로 가져옵니다.
2. 웹사이트에서 사용자 행동 데이터를 수집하고 Google Analytics 360을 사용하여 Google BigQuery로 전송합니다.
3. 맞춤형 솔루션을 사용하여 CRM에서 BigQuery로 판매 데이터를 업로드합니다.
4. OWOX BI Attribution을 사용하여 데이터 기반 깔때기 기반 기여 모델을 설정합니다.
5. Google BigQuery에서 웹사이트 데이터, 광고 서비스 데이터 및 속성 계산 결과를 하나의 보기로 결합합니다.
6. BigQuery 보기에서 Google 데이터 스튜디오 대시보드로 데이터를 전송합니다.

1. 결과적으로 우리는 판매 깔때기를 얻었습니다. 이제 각 채널에 대한 각 대상으로의 전환을 확인하고 다양한 시나리오의 효율성에 대한 결론을 도출할 수 있습니다.

예를 들어 전체 측정항목이 포함된 실적 보고서는 다양한 유형의 전환(시험, 활성화된 시험, 구독, 구매, 대여)에 대한 소스, 채널 및 캠페인의 객관적인 기여도를 확인하는 데 도움이 됩니다.

대시보드에는 마케터의 작업을 용이하게 하는 많은 옵션이 있습니다. 예를 들어 특정 영화나 제품에 대한 데이터를 분석하고 사용자의 상태를 추적하는 필터가 있습니다. 예를 들어, 사용자는 평가판을 사용 중이고 캠페인 후에 구독할 수 있습니다. 유사한 상태가 많이 있습니다. 특정 사용자를 대상으로 하는 캠페인과 특정 세그먼트에서 결과가 어떻게 작동하는지 평가하는 데 도움이 됩니다.

예를 들어, 아래 차트는 인기가 정점에서 떨어지기 시작하는 초연 후 영화 Soul 구매가 대여로 유입되는 방식을 보여줍니다.

세션에서 평가판으로, 평가판에서 구독으로의 전환율을 보여주는 페이지가 있습니다. 고급 분석을 설정하기 전에는 팀에서 이 정보를 추적하기가 어려웠습니다.

마케터가 더 자세한 정보를 볼 수 있는 비용 및 모든 유형의 거래에 대한 별도의 페이지도 있습니다.

2. 캠페인에서 성장 포인트를 찾고자 할 때 지표와 시나리오를 계산하는 것만으로는 충분하지 않습니다. 따라서 BigQuery에서 수집된 데이터를 기반으로 OWOX의 깔때기 기반 어트리뷰션이 설정되었습니다.

그리고 기여 데이터를 기반으로 팀은 이 보고서를 만들었습니다.

보고서에서 모든 유형의 거래(평가판, 활성화된 평가판, 구독, 소유 데이터, 대여 등)에 대한 채널 가치(전환 수)를 볼 수 있습니다. 성능 보고서의 모든 측정항목은 OWOX BI의 마지막 간접 클릭 및 ML 유입경로 기반 기여라는 두 가지 기여 모델에 따라 계산됩니다.

스크린샷에서 모든 전환 유형에 대한 이러한 기여 모델 간의 백분율 편차를 볼 수 있습니다. 이 보고서는 마케터가 Last Non-Direct Click 모델에 따라 과대평가되거나 과소평가된 채널을 추적하고 광고 예산을 할당하는 데 도움이 됩니다.

3. 공정한 질문은 많은 소스와 많은 메트릭 의 데이터 품질을 어떻게 제어할 수 있습니까? 팀은 결정을 내리기 위해 일치하는 데이터의 품질을 보여주는 별도의 대시보드를 구축했습니다.

매칭은 웹사이트에서 거래 데이터를 수집하고 이를 CRM의 데이터와 비교하는 프로세스입니다. 일반적으로 CRM 데이터는 트랜잭션 ID로 온라인 데이터와 연결됩니다. 서비스가 OWOX와 함께 작업을 시작하기 전에는 트랜잭션 ID의 약 60%를 전송하지 않았습니다. 즉 매칭 비율이 40% 정도였다.

데이터에 대한 신뢰가 중요합니다. 분석을 위한 입력이 실제 그림과 일치하지 않는 낮은 품질의 데이터를 사용하는 경우 출력의 결과를 거의 신뢰할 수 없습니다.

이전에는 팀에서 경기 비율을 확인하는 데 많은 시간을 보냈습니다. 이제 그들은 평가된 트랜잭션의 비율을 명확하게 보여주는 도구를 갖게 되었습니다. 그들은 CRM의 데이터를 온라인 데이터와 얼마나 일치시키는지 언제든지 확인할 수 있으며 추가 시간을 낭비하지 않습니다. 온라인 데이터에서 갑자기 무언가가 떨어지면 즉시 볼 수 있습니다.

OWOX 동료들이 도움을 준 추가 데이터 연결 논리를 적용하여 팀은 일치 비율을 40%에서 허용 가능한 85%로 높였습니다. 그리고 이 보고서는 프런트 엔드에서의 작업에 대한 피드백을 제공하기 때문에 어느 시점에서 웹사이트의 주요 버그를 수정하고 90%의 일치율을 얻을 수 있었습니다.

4. 이 프로젝트를 진행하는 동안 서비스 팀은 Google BigQuery 비용 관리 라는 또 다른 작업에 직면했습니다.

데이터 품질은 일상적인 제어의 유일한 중요한 대상이 아닙니다. 온라인 영화 스트리밍 서비스는 수십 명의 직원에게 데이터를 제공합니다. 또한 요청을 제대로 처리하지 못하면 분석 지원에 대한 회사의 지출이 예기치 않게 증가할 수 있습니다.

맥박을 유지하기 위해 두 가지 솔루션을 사용합니다.

1. 관련 비용과 함께 Google BigQuery에서 처리하는 데이터 양(GB)을 모니터링하기 위한 대시보드:

여기에서 가장 많은 데이터가 처리된 계정을 확인하고 한도를 초과한 특정 관리자에게 경고할 수 있습니다.

2. 보고서가 업데이트되지 않았거나 Google BigQuery에서 계획된 비용을 초과하는 경우 메시지가 포함된 챗봇. 이는 월별 데이터 처리 비용을 계획하는 데 도움이 됩니다. 보고서의 모든 소스에서 데이터를 업데이트한 직후 동일한 봇이 경고하므로 팀은 비교에 시간을 낭비하지 않고 즉시 캠페인 분석을 시작할 수 있습니다.

팀은 성과 캠페인을 관리하기 위해 모든 정규 프로세스에서 결과 대시보드를 사용합니다. 앞으로 모바일 응용 프로그램을 만들고 교차 장치 속성 문제를 해결하고 분석에서 미디어 캠페인의 영향을 평가할 계획입니다.