Как использовать когортный анализ клиентов для измерения эффективности рекламы

В настоящее время предприятия работают в цифровом мире, имея огромные объемы данных о клиентах, которые нужно собирать, сохранять и тщательно изучать до мельчайших деталей. Это непростая задача даже для небольших компаний, не говоря уже о крупных предприятиях. По мере развития бизнеса приходит и понимание того, что можно более эффективно рекламировать и оптимизировать рекламный бюджет.

В данном случае мы описываем решение, предоставленное командой OWOX BI для крупной компании, поставляющей интегрированный набор продуктов для бизнеса. Пакет включает в себя инструменты для управления проектами, документации, CRM, телефонии, календарей и многого другого. У этого клиента были проблемы с более эффективным расходованием рекламного бюджета, а также с проведением когортного анализа клиентов.

Поскольку основной задачей маркетологов было привлечь больше клиентов, было сделано все, чтобы получить как можно больше регистраций в сервисе. После того, как в базе появилось много активных клиентов, возникла необходимость улучшить жизненный цикл клиента. Специалисты по маркетингу хотели тратить свои рекламные ресурсы только на целевую аудиторию, готовую купить их продукт, так как затраты на привлечение клиентов выросли вместе с конкуренцией в бизнесе. Соответственно, большинство рекламных усилий начинают окупаться через два месяца или более после покупки, так как большинство клиентов платят за подписку ежемесячно.

Поэтому для более эффективного расходования рекламного бюджета было принято решение провести когортный анализ клиентов. Когорта — это группа пользователей, имеющих некоторые общие характеристики. Группируя пользователей в когорты в зависимости от времени их первой регистрации, маркетологи стремились получить более подробную информацию о том, что делают их клиенты после регистрации на веб-сайте. Когортный анализ также помогает рассчитать доход от каждой когорты, оценить эффективность кампаний по привлечению клиентов и оптимизировать расходы на рекламу. Кроме того, сравнение поведенческих данных для когорт по разным источникам, каналам и кампаниям помогает понять, какие кампании лучше работают для привлечения клиентов, а какие улучшают коэффициент удержания и мотивируют пользователей регистрировать несколько порталов.

Поскольку возникла необходимость в проведении эффективного когортного анализа, все данные должны быть объединены в одну систему. Еще одной проблемой была постоянная выборка данных при работе с бесплатной версией Google Analytics. Аналитики хотели избежать или, по крайней мере, свести к минимуму выборку данных без необходимости экспортировать данные по дням.

Кроме того, в отчет о когортном анализе требовалось включить ряд конкретных показателей:

• Количество регистраций — количество зарегистрированных порталов.
• MAU — количество активных пользователей в месяц.
• CR to MAU — количество активных пользователей в месяц по сравнению с количеством зарегистрированных пользователей.
• Retention 2nd day — количество клиентов, которые вернулись на второй день после регистрации нового портала.
• Доля удержания 2-й день — процент клиентов, которые повторно посещают сайт на второй день после регистрации.
• Платящие пользователи — количество платящих клиентов.
• CR to Paying — количество платящих пользователей по сравнению с количеством зарегистрированных пользователей.
• Revenue SUM — общий доход когорты.
• Churn Rate — процент оттока клиентов.
• ROMI — рентабельность инвестиций в маркетинг, рассчитанная как выручка/затраты × 100%.

Цель была достигнута за счет использования облачной базы данных Google BigQuery следующим образом:

1. Настройка импорта данных о поведении клиентов и данных о затратах на маркетинг в Google BigQuery с помощью OWOX BI Pipeline.
2. Отправка данных о пользователях и транзакциях в Google BigQuery через Measurement Protocol.
3. Группировка пользователей по когортам в Google BigQuery и выбор всех необходимых метрик.
4. Отправка данных из Google BigQuery в Google Sheets и создание отчетов по когортному анализу.

На схеме ниже показан поток данных:

Теперь давайте подробно рассмотрим каждый шаг.

Рассмотрев все альтернативные платформы, для объединения данных компания выбрала Google BigQuery. Данные о поведении пользователей в Интернете были импортированы в Google BigQuery с помощью OWOX BI Pipeline. Вот преимущества этого решения:

• Отсутствие выборки данных и ограничений на количество измерений и метрик в отчетах Google Analytics. Более подробную информацию об ограничениях можно найти здесь.
• Данные с сайта появляются в Google BigQuery всего за 5 минут.
• Доходы и затраты на рекламу можно сравнивать по сеансам и пользователям, что позволяет лучше понять прибыльность когорты. OWOX BI Pipeline позволяет увидеть, сколько денег было потрачено на привлечение каждого пользователя, путем распределения расходов на рекламу по сеансам пользователей.

Также с помощью OWOX BI Pipeline данные из рекламных сервисов импортируются сначала в Google Analytics, а затем в Google BigQuery. Исключение составляет AdWords, так как Google Analytics имеет встроенную интеграцию с ним.

Данные о клиентах собираются в CRM-системе. Так, данные о пользователях, повторно зашедших на сайт на второй день после регистрации портала, экспортируются в Google BigQuery. Данные об активных пользователях и транзакциях также экспортируются в Google BigQuery через Measurement Protocol.

Со всеми необходимыми данными, собранными в Google BigQuery, были созданы когорты и рассчитаны выбранные метрики для каждой из когорт.

Так как клиенты платят за продукты ежемесячно, период времени для анализа был установлен в месяц. Когорты были созданы на основе времени первой регистрации. Это означает, что все пользователи, зарегистрировавшиеся, скажем, в июле, принадлежат к одной когорте. С метриками, рассчитанными в Google BigQuery, таблица имеет следующую структуру:

Поскольку данные были экспортированы из Google BigQuery (через модуль OWOX BI BigQuery Reports), они были визуализированы в Google Sheets. Эти данные автоматически обновляются каждый день и могут быть отфильтрованы по каналу, источнику, кампании и содержанию рекламы.

В отчете показано, что рекламные инициативы не только помогают привлечь новых клиентов, но и увеличивают пожизненную ценность клиентов, возвращая уже приобретенных клиентов, которые хотят добавить еще один портал.

В большинстве случаев вложения в рекламу начинают окупаться уже через три месяца.

Хотя создание отчета было сложной задачей с множеством переменных факторов, результат определенно того стоил. Для отдела маркетинга создан набор регулярных автоматизированных отчетов. До этого маркетологам приходилось создавать такие отчеты вручную, все перепроверять и тратить много времени и сил.

Благодаря новым сообщениям, также произошло несколько интересных открытий. Например, было обнаружено, что реклама работает не только на привлечение клиентов, но также способствует их удержанию и помогает получить больше регистраций от одного и того же клиента.

• Теперь у компании есть набор полностью автоматизированных отчетов, которые помогают ежемесячно измерять эффективность рекламных каналов, источников и кампаний среди групп клиентов.
• Зная, насколько хорошо работает их реклама, специалисты по маркетингу теперь могут оптимизировать расходы, чтобы увеличить общий доход от каждой из когорт и снизить уровень оттока.
• С помощью когортного анализа теперь можно определить источники, которые приводят самых лояльных клиентов. Эти данные также можно использовать для ремаркетинга.