Estudo de caso: como configurar análises avançadas para um serviço de streaming de filmes online

Um grande número de estudos de caso é escrito sobre como configurar análises avançadas em um projeto regular de comércio eletrônico com um funil AIDA. Muitas empresas sabem como fazer isso e não têm problemas para configurar o funil. Mas as dificuldades surgem quando você tem um funil de vendas complexo e não óbvio, muitos tipos de conversão e ações direcionadas. Vamos ver como podemos trazer todos os nossos dados em um painel para cinema online?

No serviço de mudança online, temos dois tipos de transações, e elas não são equivalentes como as transações normalmente são no e-commerce. Existem transações de vídeo sob demanda (TVOD) transacionais (aluguel ou compra de um filme) para as quais recebemos dinheiro imediatamente, enquanto as transações de vídeo sob demanda por assinatura (SVOD) (assinaturas e avaliações) envolvem pagamentos recorrentes regulares.

A cada mês, um usuário pode renovar ou não sua assinatura. É lógico para nós focar no crescimento do valor da vida útil do cliente (LTV) e não em transações únicas, e a mecânica de trabalhar com LTV é diferente da mecânica de trabalhar com outras métricas.

Para controlar as conversões, colocamos os testes em um grupo separado. Na verdade, as avaliações são iguais às assinaturas, mas são oferecidas gratuitamente ou por 1 rublo. Uma avaliação pode ser convertida em uma assinatura paga no final do período promocional (7 ou 14 dias). É muito importante para nós monitorarmos essas conversões.

Além disso, também há compras e aluguéis – os usuários podem comprar conteúdo que não está disponível como parte da assinatura principal, como novos filmes, ou obter acesso temporário ao conteúdo por 48 horas.

O departamento de marketing visa triplicar o número de usuários pagantes com um CAC máximo fixo. No entanto, um funil de vendas atípico e um grande número de ações direcionadas dificultam muito tanto a gestão quanto a avaliação das campanhas publicitárias. Para atingir esse objetivo, eles precisavam de uma ferramenta que nos permitisse avaliar de forma objetiva os canais de publicidade, levando em consideração todos os tipos de transações. As análises construídas com base no armazenamento interno e suas próprias soluções não foram suficientes.

Também houve questionamentos sobre a qualidade dos dados analisados. Nem todos os envios de formulários de inscrição foram rastreados no site, e os dados baixados do CRM continham chaves para correspondência de dados em um formato diferente do site. Para aumentar a proporção de dados correspondentes e, consequentemente, a qualidade dos dados, era necessária uma ferramenta de monitoramento que mostrasse a escala e a dinâmica dos desvios e permitisse identificar problemas no site.

Para obter um relatório de todos os tipos de transações e uma ferramenta para monitorar automaticamente a qualidade dos dados, a decisão foi configurar análises avançadas com base no Google BigQuery.

Para coletar dados do site e serviços de publicidade no Google BigQuery, a equipe utilizou o Google Analytics 360 e o OWOX BI. Os analistas da OWOX ajudaram a desenvolver e implementar um sistema de métricas que considera as características do modelo de negócios do serviço de streaming de filmes online, verifica a qualidade dos dados online e os combina com os dados do sistema CRM, pois eles precisam ver os usuários pagantes em relatórios e isso as informações estão apenas no CRM.

Como combinar dados para o painel:

1. Importe automaticamente dados de custo de serviços de publicidade para o Google Analytics e Google BigQuery usando o OWOX BI Pipeline.
2. Colete dados de comportamento do usuário no site e transmita-os ao Google BigQuery usando o Google Analytics 360.
3. Faça upload de dados de vendas do CRM para o BigQuery usando uma solução personalizada.
4. Configure um modelo de atribuição baseado em funil orientado a dados usando o OWOX BI Attribution.
5. No Google BigQuery, combine dados do site, dados de serviços de publicidade e os resultados dos cálculos de atribuição em uma visualização.
6. Transfira dados da visualização do BigQuery para o painel do Google Data Studio.

1. Como resultado, conseguimos um funil de vendas. Agora vemos as conversões para cada destino para cada canal e podemos tirar conclusões sobre a eficácia de diferentes cenários.

Por exemplo, o relatório de desempenho com métricas gerais ajuda a ver a contribuição objetiva de origens, canais e campanhas em diferentes tipos de conversão (testes, avaliações ativadas, assinaturas, compras, aluguéis):

O painel tem muitas opções para facilitar o trabalho dos profissionais de marketing. Por exemplo, existem filtros para analisar dados de um determinado filme ou produto e rastrear o status de um usuário. Por exemplo, um usuário pode estar em teste e assinar após uma campanha. Existem muitos status semelhantes: eles ajudam a avaliar como as campanhas destinadas a determinados usuários e os resultados funcionam em segmentos específicos.

Por exemplo, o gráfico abaixo mostra como as compras do filme Soul fluem para aluguéis após sua estreia, quando a popularidade começa a cair de seu pico:

Há uma página que mostra a taxa de conversão de sessões para avaliações e avaliações para assinaturas. Antes de configurar a análise avançada, era difícil para a equipe rastrear essas informações.

Há também páginas separadas para despesas e todos os tipos de transações nas quais os profissionais de marketing podem ver informações mais detalhadas.

2. Não basta calcular métricas e cenários quando se quer encontrar pontos de crescimento nas campanhas. Portanto, a atribuição baseada em funil do OWOX com base nos dados coletados no BigQuery foi configurada:

E com base nos dados de atribuição, a equipe criou este relatório:

No relatório, você pode visualizar o valor dos canais (número de conversões) para todos os tipos de transações (Testes, Testes Ativados, Assinaturas, Dados Próprios, Locações, etc.). Todas as métricas no relatório de desempenho são contadas de acordo com dois modelos de atribuição: Último clique não direto e atribuição baseada em funil de ML do OWOX BI.

Na captura de tela, você pode ver o desvio percentual entre esses modelos de atribuição para todos os tipos de conversão. O relatório ajuda os profissionais de marketing a rastrear canais superestimados ou subestimados de acordo com o modelo Último clique não direto e alocar o orçamento de publicidade.

3. Uma pergunta justa é como podemos controlar a qualidade dos dados de tantas fontes e para tantas métricas? A equipe construiu um painel separado que mostra a qualidade da correspondência de dados para tomar decisões:

A correspondência é o processo de coletar dados de transações de um site e compará-los com os dados do CRM. Normalmente, os dados do CRM são vinculados aos dados online pelo ID da transação. Antes do serviço começar a trabalhar com o OWOX, eles não transferiam cerca de 60% dos IDs de transação. Ou seja, a parcela de correspondência foi de cerca de 40%.

A confiança nos dados é importante. Se a entrada para análise usa dados de baixa qualidade que não condizem com a imagem real, os resultados na saída dificilmente serão confiáveis.

Anteriormente, a equipe passava muito tempo verificando as porcentagens de partidas. Agora eles têm uma ferramenta que mostra claramente qual percentual de transações foram avaliadas. Eles podem ver a qualquer momento o quanto estão combinando dados do CRM com dados online e não perder tempo adicional com isso. Se de repente algo cair nos dados online, é imediatamente visível.

Ao aplicar lógica de vinculação de dados adicional (com a qual os colegas da OWOX ajudaram), a equipe aumentou a proporção de correspondência de 40% para 85% aceitáveis. E como esse relatório fornece feedback sobre as ações no front end, em algum momento eles conseguiram corrigir os principais bugs do site e obter uma proporção de correspondência de 90%.

4. Enquanto trabalhava neste projeto, a equipe de serviço enfrentou outra tarefa: controlar os custos do Google BigQuery .

A qualidade dos dados não é o único objeto importante do controle diário. O serviço de streaming de filmes online capacita dezenas de funcionários com dados. E o tratamento inadequado de solicitações pode aumentar inesperadamente os gastos da empresa com suporte analítico.

Para manter nossa mão no pulso, eles usam duas soluções:

1. Painel para monitorar a quantidade de dados (em GB) processados ​​pelo Google BigQuery, juntamente com o custo associado:

Aqui você pode ver em qual conta a maioria dos dados foi processada e avisar um gerente específico que ultrapassou o limite.

2. Chatbot com mensagens caso o relatório não seja atualizado ou exceda as despesas planejadas no Google BigQuery. Isso ajuda a planejar os custos mensais de processamento de dados. O mesmo bot alerta imediatamente após atualizar os dados de todas as fontes no relatório para que a equipe não perca tempo com comparações e possa começar imediatamente a analisar as campanhas.

A equipe usa o painel resultante em todos os processos regulares para gerenciar campanhas de desempenho. No futuro, eles planejam criar um aplicativo móvel e resolver o problema de atribuição entre dispositivos, bem como avaliar o impacto das campanhas de mídia na análise.