Как улучшить внутреннюю аналитику с помощью модели атрибуции на основе воронки машинного обучения

Применяя как можно больше рекламных каналов для охвата клиентов, у бизнеса возникает большая проблема с правильной оценкой эффективности, успешности и, очевидно, роста выручки. Им нужно ответить на следующие вопросы: Какой канал работает лучше? Какой из них следует исключить, а какой обеспечивает квалифицированные лиды? Теперь пришло время ввести в игру модели атрибуции.

В данном случае мы описываем решение, предоставленное командой OWOX BI для крупного онлайн-ритейлера, у которого возникли проблемы с повышением производительности и использованием правильной модели атрибуции.

До сотрудничества с OWOX BI компания использовала модель атрибуции Last Click, которая отдавала всю ценность последнему источнику, игнорируя вклад всех предыдущих шагов перед заказом. Для корректной оценки эффективности рекламных кампаний было принято решение настроить модель атрибуции на основе воронки.

У компании есть множество точек соприкосновения с пользователями: реклама в социальных сетях, веб-сайт сравнения цен, контекстная реклама, веб-сайт, телефонные звонки, прямой маркетинг, центры выполнения и аванпосты. Как и большинство ритейлеров с многоканальным маркетингом, она столкнулась с проблемой разброса данных, поскольку компания собирает и хранит данные в разных системах.

Чтобы оценить вклад каждого канала в путешествие клиентов по воронке, ритейлеру необходимо было объединить данные о поведении пользователей, затратах на рекламу, офлайн-заказах и фактической выручке компании с учетом выполненных заказов. Это означает, что компании нужно было настроить маркетинговую аналитику, выполнив следующие действия:

1. Разработать индивидуальный набор метрик для сбора данных о поведении пользователей с сайта в Google Analytics 360. С помощью стандартного экспорта полные данные можно отправить в Google BigQuery.
2. Настройте OWOX BI Pipeline для сбора данных из рекламных сервисов в Google BigQuery.
3. Настройте экспорт данных о транзакциях из CRM-системы в Google BigQuery.
4. Создайте модель атрибуции на основе воронки машинного обучения на основе объединенных данных в Google BigQuery.
5. Сделайте привязку записей для групп каналов вместе с аналитиками OWOX BI, так как собственные названия групп каналов у ритейлера отличаются от GA 360.
6. Получайте отчеты в Google Sheets для ежемесячного планирования бюджета.

Ниже представлена ​​диаграмма консолидации данных:

Теперь давайте подробнее рассмотрим, как была построена модель атрибуции на основе воронки машинного обучения вместе с отчетами.

Аналитики OWOX BI помогли разработать, настроить и внедрить индивидуальный набор метрик для ритейлера. Более того, наши специалисты регулярно тестируют и обновляют метрическую систему для новых доменов вместе с новыми функциями.

Данные о поведении пользователей на сайте собирались в Google Analytics 360 и ежедневно отправлялись в Google BigQuery для привязки к данным о расходах на рекламу и транзакциях. Компания выбрала платную версию Google Analytics, так как ее сайт имеет высокий уровень посещаемости. Стандартная версия применяет выборку, когда количество пользовательских сеансов превышает 500 000, а Google Analytics 360 позволяет получать точные данные вплоть до обращения.

Данные о расходах AdWords поступают в Google Analytics 360 благодаря встроенной интеграции. В то время как OWOX BI Pipeline используется для отправки данных из Facebook в Google Analytics 360 и для слияния данных о расходах по всем рекламным сервисам в Google BigQuery. В таблице ниже показана структура отправляемых данных:

Для учета данных о возвратах и ​​выполненных заказах аналитики экспортируют данные о транзакциях из CRM-системы в Google BigQuery. Структура данных показана ниже:

Эта структура помогает объединить данные о выполненных заказах с данными о поведении пользователей на сайте, используя ключи user_id и time .

Воронка продаж ритейлера состоит из 5 шагов: посещение, страница товара, добавление в корзину, оформление заказа, покупка. Команда OWOX BI рассчитала среднее время от посещения сайта до покупки и порекомендовала оптимальное окно конверсии и окно транзакции.

На основе этих данных была создана модель атрибуции на основе воронки машинного обучения:

Модель атрибуции на основе воронки оценивает вероятность перехода пользователя с одного шага воронки продаж на другой. Серый столбец демонстрирует значение вероятности. Чем ниже вероятность перехода с одного шага на другой, тем большую ценность получает сессия, в которой пользователь прошел этот шаг. Только сеансы, которые привели к заказу, получат значение. Вы можете узнать больше о логике расчета OWOX BI Attribution в нашем блоге.

Результаты атрибуции используются для создания отчетов, которые мы опишем на шаге 6.

Все источники трафика в отчетах Google Analytics 360 по умолчанию формируются в следующие группы каналов: прямые, органические, электронная почта, рефералы, социальные сети, медийная реклама, цена за клик и другие.

Однако специалисты по маркетингу используют собственные названия групп каналов для внутренних отчетов. Для создания модели атрибуции команда компании использовала уже собранные данные за прошлые периоды с собственными названиями для группировок каналов. Поэтому было слишком поздно менять имена в настройках Google Analytics 360. В связи с этим аналитики OWOX BI провели привязку записей и создали обновляемый список совпавших имен для групп каналов в Google Sheets. В таблице ниже показана структура списка:

Команда OWOX BI создала скрипт для ежемесячного объединения привязки записей в Google BigQuery с результатами атрибуции с использованием ключей источника и носителя .

С помощью аналитиков OWOX BI были созданы два отчета. Первый отчет помог понять, какие партнеры приписывают себе ценность других каналов. Этот отчет доступен в OWOX BI Smart Data. Аналитики экспортировали данные из полученного отчета в Google Sheets с помощью бесплатного модуля OWOX BI BigQuery Reports.

Вот шаги, которые предприняли аналитики OWOX BI для экспорта данных в Google Sheets:

1. Перейдите к Smart Data и спросите , как ценность источников и каналов распределяется между шагами воронки , и откройте отчет.
2. Перейдите в правый верхний угол и выберите «Копировать запрос SQL в буфер обмена» .

1. Создайте новый отчет в Google Таблицах. Для этого откройте меню « Дополнения », затем выберите «Отчеты OWOX BI BigQuery» и «Добавить новый отчет» . Затем выберите существующие проекты Google Cloud Platform, выберите «Добавить новый отчет» и нажмите « Вставить »:

Обратите внимание, что каждый новый отчет создается на новом листе:

Укажите конфигурацию отчета на боковой панели: выберите существующий проект Google Cloud Platform и запрос Google BigQuery, который предоставит данные для загрузки.

Примечание! Вы можете найти более подробную информацию о настройке отчета здесь.

1. Теперь отчет доступен в Google Таблицах. Вы можете запланировать автоматическое обновление отчета для большего удобства. Для этого перейдите к расписанию отчетов в настройках OWOX BI BigQuery Reports:

Установите необходимый период времени для обновления:

Примечание! Чтобы узнать больше о том, как запланировать регулярное обновление отчета, перейдите по этой ссылке.

Специалисты OWOX BI модифицировали запрос и добавили динамические параметры: источник и период анализа.

Примечание! Перейдите по этой ссылке, чтобы узнать больше о динамических параметрах в запросах.

В результате был получен отчет анализа трафика, который демонстрирует, какой шаг воронки получает большее влияние из определенного источника:

Отфильтровав только аффилированных партнеров, компания может определить наиболее ценных на последнем этапе воронки:

Второй отчет демонстрирует фактические затраты, доход и рентабельность инвестиций в рекламные кампании. С помощью этого отчета маркетологи могут узнать, какие источники приносят больше дохода, а какие не окупаются:

• Правильную и гибкую систему сбора данных настроила команда OWOX BI.
• С помощью продуктов OWOX BI и Google процесс сбора данных был автоматизирован. Все данные теперь доступны в едином интерфейсе в режиме реального времени.
• Модель атрибуции на основе воронки помогла компании лучше оценить эффективность рекламных кампаний и каналов.