กรณีศึกษา: วิธีตั้งค่าการวิเคราะห์ขั้นสูงสำหรับบริการสตรีมภาพยนตร์ออนไลน์

มีการเขียนกรณีศึกษาจำนวนมากเกี่ยวกับวิธีการตั้งค่าการวิเคราะห์ขั้นสูงในโครงการอีคอมเมิร์ซปกติด้วยช่องทาง AIDA ธุรกิจจำนวนมากรู้วิธีดำเนินการนี้และไม่มีปัญหาในการตั้งค่าช่องทาง แต่ความยากลำบากจะเกิดขึ้นเมื่อคุณมีช่องทางการขายที่ซับซ้อนและไม่ชัดเจน มี Conversion หลายประเภท และการกระทำที่ตรงเป้าหมาย มาดูกันว่าเราจะนำข้อมูลทั้งหมดของเรามาไว้ในแดชบอร์ดเดียวสำหรับโรงภาพยนตร์ออนไลน์ได้อย่างไร?

ที่บริการขนย้ายออนไลน์ เรามีธุรกรรมสองประเภทและไม่เท่ากันเนื่องจากธุรกรรมปกติอยู่ในอีคอมเมิร์ซ มีธุรกรรมแบบวิดีโอออนดีมานด์ (TVOD) ธุรกรรม (การเช่าหรือซื้อภาพยนตร์) ซึ่งเราได้รับเงินทันที ในขณะที่ธุรกรรมแบบวิดีโอออนดีมานด์ (SVOD) แบบบอกรับสมาชิก (การสมัครสมาชิกและการทดลองใช้) เกี่ยวข้องกับการชำระเงินที่เกิดขึ้นเป็นประจำ

ในแต่ละเดือน ผู้ใช้สามารถต่ออายุหรือไม่ต่ออายุการสมัครสมาชิกได้ เป็นเรื่องสมเหตุผลสำหรับเราที่จะมุ่งเน้นที่การเติบโตของมูลค่าตลอดช่วงชีวิตของลูกค้า (LTV) ไม่ใช่การทำธุรกรรมแบบครั้งเดียว และกลไกการทำงานกับ LTV ก็แตกต่างจากกลไกการทำงานกับเมตริกอื่นๆ

เพื่อควบคุมการแปลง เราแยกการทดลองในกลุ่มแยกต่างหาก อันที่จริง การทดลองใช้เหมือนกับการสมัครรับข้อมูล โดยเสนอให้ฟรีหรือ 1 รูเบิลเท่านั้น การทดลองใช้สามารถเปลี่ยนเป็นการสมัครสมาชิกแบบชำระเงินเมื่อสิ้นสุดระยะเวลาส่งเสริมการขาย (7 หรือ 14 วัน) การตรวจสอบ Conversion ดังกล่าวเป็นสิ่งสำคัญมากสำหรับเรา

นอกจากนี้ยังมีการซื้อและเช่า — ผู้ใช้สามารถซื้อเนื้อหาที่ไม่มีให้บริการในการสมัครรับข้อมูลหลัก เช่น ภาพยนตร์ใหม่ หรือเข้าถึงเนื้อหาชั่วคราวเป็นเวลา 48 ชั่วโมง

ฝ่ายการตลาดตั้งเป้าที่จะเพิ่มจำนวนผู้ใช้ที่ชำระเงินเป็นสามเท่าด้วย CAC สูงสุดคงที่ อย่างไรก็ตาม ช่องทางการขายที่ผิดปกติและการดำเนินการที่ตรงเป้าหมายจำนวนมากทำให้ทั้งการจัดการและการประเมินแคมเปญโฆษณามีความซับซ้อนอย่างมาก เพื่อให้บรรลุเป้าหมายนี้ พวกเขาต้องการเครื่องมือที่ช่วยให้เราสามารถประเมินช่องทางการโฆษณาอย่างเป็นกลาง โดยคำนึงถึงธุรกรรมทุกประเภท การวิเคราะห์ที่สร้างขึ้นโดยใช้ที่จัดเก็บข้อมูลภายในและโซลูชันของตัวเองยังไม่เพียงพอ

นอกจากนี้ยังมีคำถามเกี่ยวกับคุณภาพของข้อมูลที่วิเคราะห์ ไม่มีการติดตามการส่งแบบฟอร์มการสมัครทั้งหมดบนเว็บไซต์ และข้อมูลที่ดาวน์โหลดจาก CRM มีคีย์สำหรับการจับคู่ข้อมูลในรูปแบบที่แตกต่างจากเว็บไซต์ เพื่อเพิ่มสัดส่วนของข้อมูลที่ตรงกันและด้วยเหตุนี้ คุณภาพของข้อมูลจึงจำเป็นต้องมีเครื่องมือตรวจสอบที่จะแสดงขนาดและไดนามิกของการเบี่ยงเบน และช่วยในการระบุปัญหาบนเว็บไซต์

ในการรับรายงานธุรกรรมทุกประเภทและเครื่องมือสำหรับตรวจสอบคุณภาพข้อมูลโดยอัตโนมัติ การตัดสินใจคือการกำหนดค่าการวิเคราะห์ขั้นสูงตาม Google BigQuery

ในการรวบรวมข้อมูลจากเว็บไซต์และบริการโฆษณาใน Google BigQuery ทีมงานใช้ Google Analytics 360 และ OWOX BI นักวิเคราะห์ของ OWOX ได้ช่วยพัฒนาและใช้ระบบเมตริกที่พิจารณาคุณลักษณะของรูปแบบธุรกิจของบริการสตรีมภาพยนตร์ออนไลน์ ตรวจสอบคุณภาพของข้อมูลออนไลน์ และรวมเข้ากับข้อมูลจากระบบ CRM เนื่องจากพวกเขาต้องการดูผู้ใช้ที่จ่ายเงินในรายงานและสิ่งนี้ ข้อมูลอยู่ใน CRM เท่านั้น

วิธีรวมข้อมูลสำหรับแดชบอร์ด:

1. นำเข้าข้อมูลค่าใช้จ่ายจากบริการโฆษณาไปยัง Google Analytics และ Google BigQuery โดยอัตโนมัติโดยใช้ OWOX BI Pipeline
2. รวบรวมข้อมูลพฤติกรรมผู้ใช้บนเว็บไซต์และส่งไปยัง Google BigQuery โดยใช้ Google Analytics 360
3. อัปโหลดข้อมูลการขายจาก CRM ไปยัง BigQuery โดยใช้โซลูชันที่กำหนดเอง
4. ตั้งค่ารูปแบบการระบุแหล่งที่มาตามช่องทางที่ขับเคลื่อนด้วยข้อมูลโดยใช้ OWOX BI Attribution
5. ใน Google BigQuery ให้รวมข้อมูลเว็บไซต์ ข้อมูลบริการโฆษณา และผลการคำนวณการระบุแหล่งที่มาไว้ในมุมมองเดียว
6. โอนข้อมูลจากมุมมอง BigQuery ไปยังแดชบอร์ด Google Data Studio

1. เป็นผลให้เรามีช่องทางการขาย ตอนนี้เราเห็นการเปลี่ยนแปลงไปยังแต่ละเป้าหมายสำหรับแต่ละช่องทาง และสามารถสรุปเกี่ยวกับประสิทธิภาพของสถานการณ์ต่างๆ ได้

ตัวอย่างเช่น รายงานประสิทธิภาพพร้อมเมตริกโดยรวมช่วยให้เห็นการสนับสนุนตามวัตถุประสงค์ของแหล่งที่มา ช่องทาง และแคมเปญใน Conversion ประเภทต่างๆ (การทดลองใช้ การทดลองใช้งานที่เปิดใช้งาน การสมัครรับข้อมูล การซื้อ การเช่า):

แดชบอร์ดมีตัวเลือกมากมายเพื่อช่วยให้นักการตลาดทำงานได้ง่ายขึ้น ตัวอย่างเช่น มีตัวกรองเพื่อวิเคราะห์ข้อมูลในภาพยนตร์หรือผลิตภัณฑ์เฉพาะ และติดตามสถานะของผู้ใช้ ตัวอย่างเช่น ผู้ใช้สามารถทดลองใช้งานและสมัครสมาชิกหลังจากแคมเปญ มีสถานะคล้ายคลึงกันหลายประการ: ช่วยประเมินว่าแคมเปญที่มุ่งเป้าไปที่ผู้ใช้บางรายและผลลัพธ์ทำงานในกลุ่มใดกลุ่มหนึ่งอย่างไร

ตัวอย่างเช่น แผนภูมิด้านล่างแสดงให้เห็นว่าการซื้อภาพยนตร์ Soul หลั่งไหลเข้าสู่การเช่าอย่างไรหลังจากฉายรอบปฐมทัศน์เมื่อความนิยมเริ่มลดลงจากจุดสูงสุด:

มีหน้าที่แสดงอัตราการแปลงของเซสชันเป็นรุ่นทดลองและรุ่นทดลองใช้สำหรับการสมัครรับข้อมูล ก่อนที่จะตั้งค่าการวิเคราะห์ขั้นสูง ทีมติดตามข้อมูลนี้ได้ยาก

นอกจากนี้ยังมีหน้าแยกสำหรับค่าใช้จ่ายและธุรกรรมทุกประเภทที่นักการตลาดสามารถดูข้อมูลโดยละเอียดเพิ่มเติมได้

2. การคำนวณตัวชี้วัดและสถานการณ์เมื่อคุณ ต้องการหาจุดเติบโตในแคมเปญไม่เพียงพอ ดังนั้น การระบุแหล่งที่มาตามช่องทางจาก OWOX ตามข้อมูลที่รวบรวมใน BigQuery จึงถูกตั้งค่า:

และจากข้อมูลการระบุแหล่งที่มา ทีมงานได้สร้างรายงานนี้:

ในรายงาน คุณสามารถดูมูลค่าของแชแนล (จำนวนคอนเวอร์ชัน) สำหรับธุรกรรมทุกประเภท (การทดลองใช้ การทดลองใช้งาน การสมัครรับข้อมูล ข้อมูลสำหรับเจ้าของเอง การเช่า ฯลฯ) เมตริกทั้งหมดในรายงานประสิทธิภาพจะนับตามรูปแบบการระบุแหล่งที่มา 2 รูปแบบ ได้แก่ Last Non-Direct Click และ ML Funnel Based Attribution จาก OWOX BI

ในภาพหน้าจอ คุณสามารถดูเปอร์เซ็นต์ความเบี่ยงเบนระหว่างรูปแบบการระบุแหล่งที่มาเหล่านี้สำหรับ Conversion ทุกประเภท รายงานนี้ช่วยให้นักการตลาดติดตามช่องสัญญาณที่ประเมินค่าสูงไปหรือต่ำไปตามรูปแบบ Last Non-Direct Click และจัดสรรงบประมาณการโฆษณา

3. คำถามที่ยุติธรรมคือ เราจะควบคุมคุณภาพของข้อมูล จากหลายแหล่งและเมตริกจำนวนมากได้อย่างไร ทีมงานได้สร้างแดชบอร์ดแยกที่แสดงคุณภาพของข้อมูลที่ตรงกันเพื่อทำการตัดสินใจ:

การจับคู่คือกระบวนการรวบรวมข้อมูลธุรกรรมจากเว็บไซต์และเปรียบเทียบกับข้อมูลใน CRM โดยทั่วไป ข้อมูล CRM จะเชื่อมโยงกับข้อมูลออนไลน์ตามรหัสธุรกรรม ก่อนที่บริการจะเริ่มทำงานกับ OWOX พวกเขาไม่ได้โอน ID ธุรกรรมประมาณ 60% นั่นคือส่วนแบ่งของการจับคู่ประมาณ 40%

ความไว้วางใจในข้อมูลเป็นสิ่งสำคัญ หากข้อมูลที่ป้อนเพื่อการวิเคราะห์ใช้ข้อมูลคุณภาพต่ำซึ่งไม่สอดคล้องกับภาพจริง ผลลัพธ์ที่เอาท์พุตแทบจะไม่สามารถเชื่อถือได้

ก่อนหน้านี้ทีมใช้เวลามากในการตรวจสอบเปอร์เซ็นต์การแข่งขัน ตอนนี้พวกเขามีเครื่องมือที่แสดงให้เห็นชัดเจนว่ามีการประเมินธุรกรรมกี่เปอร์เซ็นต์ พวกเขาสามารถเห็นได้ตลอดเวลาว่าพวกเขากำลังจับคู่ข้อมูลจาก CRM กับข้อมูลออนไลน์และไม่ต้องเสียเวลาเพิ่มเติมกับมัน หากจู่ๆ มีบางอย่างหลุดออกมาในข้อมูลออนไลน์ ก็มองเห็นได้ทันที

ด้วยการใช้ตรรกะการเชื่อมโยงข้อมูลเพิ่มเติม (ซึ่งเพื่อนร่วมงาน OWOX ช่วยได้) ทีมได้เพิ่มอัตราส่วนการจับคู่จาก 40% เป็น 85% ที่ยอมรับได้ และเนื่องจากรายงานนี้ให้ข้อเสนอแนะเกี่ยวกับการดำเนินการในส่วนหน้า ถึงจุดหนึ่ง พวกเขาสามารถแก้ไขจุดบกพร่องหลักบนเว็บไซต์และรับอัตราส่วนการจับคู่ 90%

4. ขณะทำงานในโครงการนี้ ทีมบริการต้องเผชิญกับงานอื่น: การควบคุมค่าใช้จ่าย Google BigQuery

คุณภาพของข้อมูลไม่ใช่สิ่งสำคัญเพียงอย่างเดียวของการควบคุมรายวัน บริการสตรีมภาพยนตร์ออนไลน์ช่วยให้พนักงานหลายสิบคนมีข้อมูล และการจัดการคำขอที่ไม่ดีอาจทำให้บริษัทใช้เงินสนับสนุนด้านการวิเคราะห์เพิ่มขึ้นโดยไม่คาดคิด

เพื่อให้เราจับชีพจรได้ พวกเขาใช้สองวิธี:

1. แดชบอร์ดสำหรับตรวจสอบปริมาณข้อมูล (เป็น GB) ที่ประมวลผลโดย Google BigQuery พร้อมกับค่าใช้จ่ายที่เกี่ยวข้อง:

ที่นี่คุณสามารถดูภายใต้บัญชีใดที่มีการประมวลผลข้อมูลมากที่สุดและเตือนผู้จัดการเฉพาะที่เกินขีดจำกัด

2. Chatbot พร้อมข้อความหากรายงานไม่อัปเดตหรือเกินค่าใช้จ่ายที่วางแผนไว้ใน Google BigQuery ซึ่งจะช่วยวางแผนค่าใช้จ่ายในการประมวลผลข้อมูลรายเดือน บอทตัวเดียวกันจะแจ้งเตือนทันทีหลังจากอัปเดตข้อมูลจากแหล่งที่มาทั้งหมดในรายงาน เพื่อไม่ให้ทีมเสียเวลาในการเปรียบเทียบ และสามารถเริ่มวิเคราะห์แคมเปญได้ทันที

ทีมงานใช้แดชบอร์ดที่เป็นผลลัพธ์ในกระบวนการปกติทั้งหมดเพื่อจัดการแคมเปญประสิทธิภาพ ในอนาคต พวกเขาวางแผนที่จะสร้างแอปพลิเคชันบนมือถือและแก้ปัญหาการระบุแหล่งที่มาข้ามอุปกรณ์ ตลอดจนประเมินผลกระทบของแคมเปญสื่อในการวิเคราะห์