Studium przypadku: Jak skonfigurować zaawansowaną analitykę usługi przesyłania strumieniowego filmów online

Napisano wiele studiów przypadku o tym, jak skonfigurować zaawansowaną analitykę w zwykłym projekcie e-commerce z lejkiem AIDA. Wiele firm wie, jak to zrobić i nie ma problemów z konfiguracją lejka. Ale trudności pojawiają się, gdy masz złożony i nieoczywisty lejek sprzedaży, wiele typów konwersji i ukierunkowane działania. Zobaczmy, jak możemy zebrać wszystkie nasze dane w jednym panelu dla kina online?

W usłudze przeprowadzek online mamy dwa rodzaje transakcji, które nie są równoważne, ponieważ transakcje są zwykle dokonywane w handlu elektronicznym. Istnieją transakcje transakcyjne wideo na żądanie (TVOD) (wypożyczenie lub zakup filmu), za które od razu otrzymujemy pieniądze, natomiast transakcje abonamentowe wideo na żądanie (SVOD) (subskrypcje i wersje próbne) wiążą się z regularnymi, powtarzającymi się płatnościami.

Co miesiąc użytkownik może odnowić lub nie odnowić swojej subskrypcji. Logiczne jest, że skupiamy się na wzroście wartości życiowej klienta (LTV), a nie na jednorazowych transakcjach, a mechanika pracy z LTV różni się od mechaniki pracy z innymi wskaźnikami.

Aby kontrolować konwersje, umieszczamy próby w osobnej grupie. W rzeczywistości wersje próbne są takie same jak subskrypcje, tyle że są oferowane za darmo lub za 1 rubel. Okres próbny można zamienić na płatną subskrypcję na koniec okresu promocyjnego (7 lub 14 dni). Monitorowanie takich konwersji jest dla nas bardzo ważne.

Poza tym są też zakupy i wypożyczanie — użytkownicy mogą kupować treści niedostępne w ramach głównej subskrypcji, takie jak nowe filmy, lub uzyskiwać tymczasowy dostęp do treści przez 48 godzin.

Dział marketingu dąży do potrojenia liczby płacących użytkowników przy ustalonym maksymalnym CAC. Jednak nietypowy lejek sprzedażowy i duża liczba ukierunkowanych działań znacznie komplikuje zarówno zarządzanie, jak i ocenę kampanii reklamowych. Aby osiągnąć ten cel, potrzebowali narzędzia, które pozwoli nam obiektywnie ocenić kanały reklamowe z uwzględnieniem wszelkiego rodzaju transakcji. Analityki zbudowane w oparciu o pamięć wewnętrzną i własne rozwiązania nie były wystarczające.

Pojawiły się również pytania o jakość analizowanych danych. Nie wszystkie przesłane formularze subskrypcji były śledzone w serwisie, a dane pobierane z CRM zawierały klucze do dopasowania danych w formacie innym niż strona internetowa. Aby zwiększyć proporcję dopasowanych danych, a tym samym jakość danych, potrzebne było narzędzie monitorujące, które pokazywałoby skalę i dynamikę odchyleń oraz pozwalało identyfikować problemy na stronie.

Aby uzyskać raport o wszystkich typach transakcji oraz narzędzie do automatycznego monitorowania jakości danych, podjęto decyzję o skonfigurowaniu zaawansowanej analityki opartej na Google BigQuery.

Do zbierania danych z serwisu i usług reklamowych w Google BigQuery zespół wykorzystał Google Analytics 360 oraz OWOX BI. Analitycy OWOX pomogli w opracowaniu i wdrożeniu systemu metryk, który uwzględnia cechy modelu biznesowego usługi strumieniowania filmów online, sprawdza jakość danych online i łączy je z danymi z systemu CRM, ponieważ muszą widzieć płacących użytkowników w raportach i to informacje znajdują się tylko w CRM.

Jak połączyć dane dla dashboardu:

1. Automatycznie importuj dane o kosztach z usług reklamowych do Google Analytics i Google BigQuery za pomocą OWOX BI Pipeline.
2. Zbieraj dane o zachowaniach użytkowników na stronie i przesyłaj je do Google BigQuery za pomocą Google Analytics 360.
3. Przesyłaj dane sprzedaży z CRM do BigQuery za pomocą niestandardowego rozwiązania.
4. Skonfiguruj oparty na danych model atrybucji oparty na ścieżce przy użyciu atrybucji OWOX BI.
5. W Google BigQuery połącz dane witryny, dane usług reklamowych i wyniki obliczeń atrybucji w jednym widoku.
6. Przenieś dane z widoku BigQuery do panelu Studia danych Google.

1. W rezultacie otrzymaliśmy lejek sprzedażowy. Widzimy teraz konwersje do każdego celu dla każdego kanału i możemy wyciągnąć wnioski na temat skuteczności różnych scenariuszy.

Na przykład raport skuteczności z ogólnymi danymi pomaga zobaczyć obiektywny udział źródeł, kanałów i kampanii w różnych typach konwersji (próbki, aktywowane wersje próbne, subskrypcje, zakupy, wypożyczenia):

Dashboard posiada wiele opcji ułatwiających pracę marketerom. Na przykład istnieją filtry do analizy danych na temat konkretnego filmu lub produktu i śledzenia statusu użytkownika. Na przykład użytkownik może wypróbować i zasubskrybować po kampanii. Podobnych statusów jest wiele: pomagają ocenić, jak kampanie skierowane do określonych użytkowników i wyniki sprawdzają się w poszczególnych segmentach.

Na przykład poniższy wykres pokazuje, jak zakupy filmu Soul wpływają do wypożyczeń po jego premierze, gdy popularność zaczyna spadać ze szczytu:

Istnieje strona, która pokazuje współczynnik konwersji sesji na wersje próbne i wersji próbnych na subskrypcje. Przed skonfigurowaniem zaawansowanej analityki zespół miał trudności ze śledzeniem tych informacji.

Istnieją również oddzielne strony dotyczące wydatków i wszystkich rodzajów transakcji, na których marketerzy mogą przeglądać bardziej szczegółowe informacje.

2. Nie wystarczy wyliczyć metryki i scenariusze, jeśli chcesz znaleźć punkty wzrostu w kampaniach. Dlatego skonfigurowano atrybucję na podstawie lejka z OWOX na podstawie danych zebranych w BigQuery:

Na podstawie danych atrybucji zespół stworzył ten raport:

W raporcie możesz zobaczyć wartość kanałów (liczbę konwersji) dla wszystkich typów transakcji (Wersje próbne, Wersje próbne aktywowane, Subskrypcje, Dane własne, Wypożyczenia itp.). Wszystkie dane w raporcie skuteczności są liczone według dwóch modeli atrybucji: ostatniego kliknięcia niebezpośredniego i atrybucji opartej na ścieżce ML z OWOX BI.

Na zrzucie ekranu widać procentowe odchylenie między tymi modelami atrybucji dla wszystkich typów konwersji. Raport pomaga marketerom prześledzić przeszacowane lub niedoszacowane kanały zgodnie z modelem ostatniego kliknięcia niebezpośredniego i przydzielić budżet reklamowy.

3. Słuszne pytanie brzmi: Jak możemy kontrolować jakość danych z tak wielu źródeł i dla tak wielu wskaźników? Zespół zbudował osobny pulpit nawigacyjny, który pokazuje jakość dopasowania danych do podejmowania decyzji:

Dopasowywanie to proces zbierania danych transakcyjnych ze strony internetowej i porównywania ich z danymi w CRM. Zazwyczaj dane CRM są połączone z danymi online za pomocą identyfikatora transakcji. Zanim serwis zaczął współpracować z OWOX, nie przekazywał około 60% identyfikatorów transakcji. Oznacza to, że udział dopasowania wyniósł około 40%.

Zaufanie do danych jest ważne. Jeśli dane wejściowe do analizy wykorzystują dane niskiej jakości, które nie zgadzają się z rzeczywistym obrazem, trudno jest ufać wynikom na wyjściu.

Wcześniej zespół spędzał dużo czasu na sprawdzaniu procentów meczów. Teraz mają narzędzie, które jasno pokazuje, jaki procent transakcji został oceniony. W każdej chwili mogą zobaczyć, na ile dopasowują dane z CRM do danych online i nie marnują na to dodatkowego czasu. Jeśli nagle coś w danych online wypadnie, jest to od razu widoczne.

Stosując dodatkową logikę łączenia danych (w której pomogli koledzy z OWOX), zespół podniósł współczynnik dopasowania z 40% do akceptowalnego 85%. A ponieważ ten raport zawiera informacje zwrotne na temat działań w interfejsie, w pewnym momencie udało im się naprawić główne błędy w witrynie i uzyskać współczynnik dopasowania wynoszący 90%.

4. Pracując nad tym projektem, zespół serwisowy stanął przed kolejnym zadaniem: kontrolowaniem kosztów Google BigQuery .

Jakość danych nie jest jedynym ważnym przedmiotem codziennej kontroli. Usługa strumieniowego przesyłania filmów online zapewnia dziesiątkom pracowników dostęp do danych. A słaba obsługa zgłoszeń może nieoczekiwanie zwiększyć wydatki firmy na wsparcie analityczne.

Aby utrzymać naszą rękę na pulsie, stosują dwa rozwiązania:

1. Pulpit nawigacyjny do monitorowania ilości danych (w GB) przetwarzanych przez Google BigQuery wraz z powiązanymi kosztami:

Tutaj możesz zobaczyć, z którego konta zostało przetworzonych najwięcej danych i ostrzec konkretnego menedżera, który przekroczył limit.

2. Chatbot z wiadomościami, jeśli raport nie jest aktualizowany lub przekracza planowane wydatki w Google BigQuery. Pomaga to zaplanować miesięczne koszty przetwarzania danych. Ten sam bot alarmuje natychmiast po zaktualizowaniu danych ze wszystkich źródeł w raporcie, dzięki czemu zespół nie traci czasu na porównania i może natychmiast rozpocząć analizę kampanii.

Zespół wykorzystuje powstały panel we wszystkich zwykłych procesach do zarządzania kampaniami efektywnościowymi. W przyszłości planują stworzyć aplikację mobilną i rozwiązać problem atrybucji na różnych urządzeniach, a także ocenić wpływ kampanii mediowych na analizę.