Jak korzystać z analizy kohorty klientów do mierzenia skuteczności reklam

W dzisiejszych czasach firmy działają w cyfrowym świecie, mając ogromne ilości danych klientów do zebrania, zapisania i szczegółowej analizy. Nie jest to łatwa opcja nawet dla małych firm, nie mówiąc już o dużych przedsiębiorstwach. Wraz z rozwojem firmy dochodzi również do zrozumienia, że ​​można skuteczniej reklamować się i optymalizować budżet reklamowy.

W tym przypadku opisujemy rozwiązanie dostarczone przez zespół OWOX BI dla dużej firmy dostarczającej zintegrowany pakiet produktów dla biznesu. Pakiet zawiera narzędzia do zarządzania projektami, dokumentacji, CRM, telefonii, kalendarzy i nie tylko. Klient ten miał problemy z efektywniejszym wydatkowaniem budżetu reklamowego oraz przeprowadzeniem analizy kohorty klientów.

Ponieważ głównym wyzwaniem dla specjalistów ds. marketingu było dotarcie do większej liczby klientów, zrobiono wszystko, aby uzyskać jak najwięcej rejestracji usług. Po zdobyciu w bazie wielu aktywnych klientów pojawiła się konieczność usprawnienia cyklu życia klienta. Eksperci od marketingu chcieli skierować swoje zasoby reklamowe tylko na grupę docelową gotową do zakupu ich produktu, ponieważ koszty pozyskania klienta rosły wraz z konkurencją biznesową. W związku z tym większość działań reklamowych zaczyna zwracać się dwa miesiące lub dłużej po zakupie, ponieważ większość klientów płaci za subskrypcję co miesiąc.

Dlatego, aby efektywniej wydać budżet reklamowy, postanowiono przeprowadzić analizę kohortową klientów. Kohorta to grupa użytkowników o wspólnych cechach. Grupując użytkowników w kohorty na podstawie czasu ich pierwszej rejestracji, marketerzy szukali bardziej szczegółowych informacji o tym, co robią ich klienci po zarejestrowaniu się w witrynie. Analiza kohortowa pomaga również obliczyć przychody z każdej kohorty, ocenić skuteczność kampanii pozyskiwania klientów i zoptymalizować koszty reklamy. Ponadto porównywanie danych behawioralnych dla kohort w różnych źródłach, kanałach i kampaniach pomaga zrozumieć, które kampanie lepiej sprawdzają się w pozyskiwaniu klientów, a które poprawiają wskaźnik retencji i motywują użytkowników do zarejestrowania wielu portali.

Ponieważ istniała potrzeba zapewnienia skutecznej analizy kohortowej, wszystkie dane powinny zostać połączone w jeden system. Kolejnym wyzwaniem było ciągłe próbkowanie danych podczas pracy z bezpłatną wersją Google Analytics. Analitycy chcieli uniknąć lub przynajmniej zminimalizować próbkowanie danych bez konieczności ich codziennego eksportu.

Ponadto w raporcie z analizy kohortowej należało uwzględnić szereg określonych metryk:

• Liczba rejestracji — liczba zarejestrowanych portali.
• MAU — liczba aktywnych użytkowników miesięcznie.
• CR to MAU — liczba aktywnych użytkowników miesięcznie w stosunku do liczby zarejestrowanych użytkowników.
• Utrzymanie 2 dzień — liczba klientów, którzy wrócili drugiego dnia po zarejestrowaniu nowego portalu.
• Udział retencji 2. dzień — odsetek klientów, którzy ponownie odwiedzają serwis drugiego dnia po rejestracji.
• Użytkownicy płacący — liczba płacących klientów.
• CR to Paying — liczba płacących użytkowników w porównaniu do liczby zarejestrowanych użytkowników.
• SUM przychodów — łączne przychody wygenerowane przez kohortę.
• Wskaźnik rezygnacji — procent rezygnacji klientów.
• ROMI — zwrot z inwestycji marketingowej, liczony jako przychody/koszty × 100%.

Cel został osiągnięty dzięki wykorzystaniu bazy danych Google BigQuery w chmurze w następujący sposób:

1. Konfiguracja importu danych o zachowaniach klientów i danych o kosztach marketingu do Google BigQuery za pomocą OWOX BI Pipeline.
2. Wysyłanie danych użytkownika i transakcji do Google BigQuery za pośrednictwem protokołu Measurement Protocol.
3. Grupowanie użytkowników według kohort w Google BigQuery i wybieranie wszystkich niezbędnych danych.
4. Wysyłanie danych z Google BigQuery do Arkuszy Google i tworzenie raportów analizy kohortowej.

Poniższy schemat przedstawia przepływ danych:

Przyjrzyjmy się teraz szczegółowo każdemu krokowi.

Po rozważeniu wszystkich alternatywnych platform firma wybrała Google BigQuery do łączenia danych. Dane dotyczące zachowań użytkowników sieci zostały zaimportowane do Google BigQuery przy użyciu OWOX BI Pipeline. Oto zalety tego rozwiązania:

• Brak próbkowania danych i ograniczeń liczby wymiarów i danych w raportach Google Analytics. Więcej informacji o ograniczeniach znajdziesz tutaj.
• Dane ze strony pojawiają się w Google BigQuery w ciągu zaledwie 5 minut.
• Przychody i koszty reklamy można porównywać według sesji i użytkowników, zapewniając lepszy wgląd w rentowność kohorty. OWOX BI Pipeline pozwala zobaczyć, ile pieniędzy wydano na pozyskanie każdego użytkownika, rozkładając koszty reklamy na sesje użytkowników.

Również za pomocą OWOX BI Pipeline dane z usług reklamowych są importowane najpierw do Google Analytics, a następnie do Google BigQuery. Wyjątek dotyczy AdWords, ponieważ Google Analytics ma z nim natywną integrację.

Dane o klientach gromadzone są w systemie CRM. Tak więc dane o użytkownikach, którzy ponownie odwiedzili witrynę drugiego dnia po zarejestrowaniu portalu, są eksportowane do Google BigQuery. Dane o aktywnych użytkownikach i transakcjach są również eksportowane do Google BigQuery za pośrednictwem protokołu Measurement Protocol.

Po zebraniu wszystkich niezbędnych danych w Google BigQuery utworzono kohorty i obliczono wybrane dane dla każdej z kohort.

Ponieważ klienci płacą za produkty co miesiąc, okres analizy został ustalony na miesiąc. Kohorty zostały utworzone na podstawie czasu pierwszej rejestracji. Oznacza to, że wszyscy użytkownicy, którzy się zarejestrowali, powiedzmy w lipcu, należą do tej samej kohorty. W przypadku danych obliczonych w Google BigQuery tabela ma następującą strukturę:

Ponieważ dane zostały wyeksportowane z Google BigQuery (poprzez dodatek OWOX BI BigQuery Reports), zostały zwizualizowane w Arkuszach Google. Dane te są codziennie automatycznie aktualizowane i mogą być filtrowane według kanału, źródła, kampanii i treści reklam.

Raport pokazuje, że inicjatywy reklamowe nie tylko pomagają pozyskać nowych klientów, ale także zwiększają życiową wartość klienta, przywracając już pozyskanych klientów, którzy chcą dodać kolejny portal.

W większości przypadków inwestycje w reklamę zaczynają zwracać się po trzech miesiącach.

Choć stworzenie raportu było trudnym zadaniem z wieloma zmiennymi czynnikami, wynik zdecydowanie był tego wart. Dla działu marketingu stworzono zestaw regularnych automatycznych raportów. Wcześniej specjaliści od marketingu musieli tworzyć takie raporty ręcznie, wszystko sprawdzać dwukrotnie i poświęcać dużo czasu i wysiłku.

Dzięki nowym doniesieniom doszło również do kilku ciekawych odkryć. Na przykład stwierdzono, że reklama nie tylko działa na pozyskiwanie klientów, ale także przyczynia się do utrzymania klientów i pomaga uzyskać więcej rejestracji od tego samego klienta.

• Firma ma teraz zestaw w pełni zautomatyzowanych raportów, które pomagają co miesiąc mierzyć skuteczność kanałów reklamowych, źródeł i kampanii w kohortach klientów.
• Wiedząc, jak skuteczne są ich reklamy, specjaliści ds. marketingu mogą teraz optymalizować koszty, aby zwiększyć łączne przychody z każdej z kohort i zmniejszyć wskaźnik rezygnacji.
• Za pomocą analizy kohorty można teraz określić źródła, które przyciągają najbardziej lojalnych klientów. Dane te mogą być również wykorzystywane do remarketingu.