Bir çevrimiçi film akışı hizmeti için gelişmiş analiz nasıl kurulur?

Bir AIDA hunisi ile normal bir e-ticaret projesinde gelişmiş analitiğin nasıl kurulacağına dair çok sayıda vaka çalışması yazılmıştır. Birçok işletme bunu nasıl yapacağını bilir ve dönüşüm hunisini ayarlamakta sorun yaşamaz. Ancak, karmaşık ve açık olmayan bir satış hunisine, birçok dönüşüm türüne ve hedeflenen eylemlere sahip olduğunuzda zorluklar ortaya çıkar. Çevrimiçi sinema için tüm verilerimizi nasıl tek bir kontrol paneline toplayabileceğimizi görelim.

Çevrimiçi taşıma hizmetinde iki tür işlemimiz vardır ve işlemler genellikle e-ticarette olduğu için bunlar eşdeğer değildir. Hemen para aldığımız isteğe bağlı video (TVOD) işlemleri (film kiralama veya satın alma) vardır, isteğe bağlı video aboneliği (SVOD) işlemleri (abonelikler ve denemeler) düzenli yinelenen ödemeleri içerir.

Her ay, bir kullanıcı aboneliğini yenileyebilir veya yenilemeyebilir. Tek seferlik işlemlere değil, müşteri yaşam boyu değerinin (LTV) büyümesine odaklanmamız mantıklıdır ve LTV ile çalışma mekanizması, diğer metriklerle çalışma mekaniğinden farklıdır.

Dönüşümleri kontrol etmek için denemeleri ayrı bir gruba yerleştiriyoruz. Aslında, denemeler aboneliklerle aynıdır, yalnızca ücretsiz veya 1 ruble karşılığında sunulurlar. Deneme süresi, promosyon süresinin sonunda (7 veya 14 gün) ücretli aboneliğe dönüştürülebilir. Bu tür dönüşümleri izlemek bizim için çok önemli.

Ayrıca, satın alma ve kiralama seçenekleri de vardır; kullanıcılar, yeni filmler gibi ana abonelik kapsamında olmayan içerikleri satın alabilir veya 48 saat boyunca içeriğe geçici olarak erişebilir.

Pazarlama departmanı, sabit bir maksimum CAC ile ödeme yapan kullanıcı sayısını üçe katlamayı hedefliyor. Bununla birlikte, atipik bir satış hunisi ve çok sayıda hedefli eylem, reklam kampanyalarının hem yönetimini hem de değerlendirmesini büyük ölçüde karmaşıklaştırır. Bu amaca ulaşmak için, reklam kanallarını her tür işlemi dikkate alarak objektif olarak değerlendirmemizi sağlayacak bir araca ihtiyaçları vardı. Dahili depolama ve kendi çözümlerine dayalı olarak oluşturulan analitikler yeterli değildi.

Analiz edilen verilerin kalitesi hakkında da sorular vardı. Tüm abonelik formu gönderimleri web sitesinde izlenmedi ve CRM'den indirilen veriler, web sitesindekinden farklı bir formatta eşleştirme verileri için anahtarlar içeriyordu. Eşleşen verilerin oranını ve buna bağlı olarak verilerin kalitesini artırmak için, sapmaların ölçeğini ve dinamiklerini gösterecek ve web sitesindeki sorunları belirlemeye olanak sağlayacak bir izleme aracına ihtiyaç vardı.

Tüm işlem türleri hakkında bir rapor ve veri kalitesini otomatik olarak izlemeye yönelik bir araç almak için karar, gelişmiş analitiği Google BigQuery'ye dayalı olarak yapılandırmaktı.

Ekip, web sitesinden ve Google BigQuery'deki reklamcılık hizmetlerinden veri toplamak için Google Analytics 360 ve OWOX BI'ı kullandı. OWOX analistleri, çevrimiçi film akışı hizmetinin iş modelinin özelliklerini dikkate alan, çevrimiçi verilerin kalitesini kontrol eden ve raporlarda ödeme yapan kullanıcıları görmeleri gerektiğinden bunları CRM sisteminden gelen verilerle birleştiren bir ölçüm sisteminin geliştirilmesine ve uygulanmasına yardımcı oldu. bilgi sadece CRM'dedir.

Pano için veriler nasıl birleştirilir:

1. OWOX BI Pipeline'ı kullanarak reklam hizmetlerinden maliyet verilerini otomatik olarak Google Analytics'e ve Google BigQuery'ye aktarın.
2. Web sitesindeki kullanıcı davranışı verilerini toplayın ve Google Analytics 360 kullanarak Google BigQuery'ye iletin.
3. Özel bir çözüm kullanarak satış verilerini CRM'den BigQuery'ye yükleyin.
4. OWOX BI Atıfını kullanarak veriye dayalı huni tabanlı bir ilişkilendirme modeli kurun.
5. Google BigQuery'de web sitesi verilerini, reklam hizmetleri verilerini ve ilişkilendirme hesaplamalarının sonuçlarını tek bir görünümde birleştirin.
6. Verileri BigQuery görünümünden Google Data Studio kontrol paneline aktarın.

1. Sonuç olarak, bir satış hunimiz var. Artık her kanal için her hedefe yönelik dönüşümleri görüyoruz ve farklı senaryoların etkinliği hakkında sonuçlar çıkarabiliyoruz.

Örneğin, genel metrikleri içeren performans raporu, kaynakların, kanalların ve kampanyaların farklı dönüşüm türleri (denemeler, etkinleştirilen denemeler, abonelikler, satın almalar, kiralamalar) üzerindeki objektif katkısını görmeye yardımcı olur:

Pano, pazarlamacıların işini kolaylaştıracak birçok seçeneğe sahiptir. Örneğin, belirli bir film veya ürünle ilgili verileri analiz etmek ve bir kullanıcının durumunu izlemek için filtreler vardır. Örneğin, bir kullanıcı deneme sürecinde olabilir ve bir kampanyadan sonra abone olabilir. Pek çok benzer durum vardır: belirli kullanıcıları hedefleyen kampanyaların ve sonuçların belirli segmentlerde nasıl çalıştığını değerlendirmeye yardımcı olurlar.

Örneğin, aşağıdaki tablo, Soul filminin satın alımlarının, prömiyerinden sonra popülerlik zirveden düşmeye başladığında kiralamalara nasıl aktığını göstermektedir:

Oturumların denemelere ve denemelerin aboneliklere dönüşüm oranını gösteren bir sayfa var. Gelişmiş analitiği kurmadan önce ekibin bu bilgileri takip etmesi zordu.

Ayrıca, pazarlamacıların daha ayrıntılı bilgilere bakabilecekleri harcamalar ve her türlü işlem için ayrı sayfalar bulunmaktadır.

2. Kampanyalarda büyüme noktaları bulmak istediğinizde metrikleri ve senaryoları hesaplamanız yeterli değildir. Bu nedenle, OWOX'tan BigQuery'de toplanan verilere dayalı huni tabanlı ilişkilendirme ayarlandı:

Ekip, ilişkilendirme verilerine dayanarak şu raporu oluşturdu:

Raporda, tüm işlem türleri (Denemeler, Etkinleştirilmiş Denemeler, Abonelikler, Kendi Verileri, Kiralamalar vb.) için kanalların değerini (dönüşüm sayısı) görüntüleyebilirsiniz. Performans raporundaki tüm metrikler, iki ilişkilendirme modeline göre sayılır: Doğrudan Olmayan Son Tıklama ve OWOX BI'dan ML Dönüşüm Hunisi Tabanlı İlişkilendirme.

Ekran görüntüsünde, tüm dönüşüm türleri için bu ilişkilendirme modelleri arasındaki yüzde sapmayı görebilirsiniz. Rapor, pazarlamacıların Doğrudan Olmayan Son Tıklama modeline göre fazla veya az tahmin edilen kanalları izlemesine ve reklam bütçesini ayırmasına yardımcı olur.

3. Adil bir soru şudur : Bu kadar çok kaynaktan ve bu kadar çok metrik için verilerin kalitesini nasıl kontrol edebiliriz ? Ekip, karar vermek için veri eşleştirme kalitesini gösteren ayrı bir pano oluşturdu:

Eşleştirme, bir web sitesinden işlem verilerinin toplanması ve CRM'deki verilerle karşılaştırılmasıdır. Tipik olarak, CRM verileri çevrimiçi verilere işlem kimliğiyle bağlanır. Hizmet, OWOX ile çalışmaya başlamadan önce, işlem kimliklerinin yaklaşık %60'ını aktarmadılar. Yani eşleştirme payı %40 civarındaydı.

Verilere güven önemlidir. Analiz girdisi, gerçek resimle uyuşmayan düşük kaliteli veriler kullanıyorsa, çıktıdaki sonuçlara pek güvenilemez.

Önceden, ekip maç yüzdelerini kontrol etmek için çok zaman harcıyordu. Artık işlemlerin yüzde kaçının değerlendirildiğini açıkça gösteren bir araca sahipler. CRM'den gelen verileri çevrimiçi verilerle ne kadar eşleştirdiklerini her an görebilirler ve bunun için fazladan zaman kaybetmezler. Çevrimiçi verilerde aniden bir şey düşerse, hemen görünür.

Ekip, ek veri bağlama mantığı uygulayarak (OWOX meslektaşlarının yardımcı olduğu), eşleştirme oranını %40'tan kabul edilebilir bir %85'e çıkardı. Ve bu rapor ön uçtaki eylemler hakkında geri bildirim verdiğinden, bir noktada web sitesindeki ana hataları düzeltebildiler ve %90'lık bir eşleşme oranı elde ettiler.

4. Hizmet ekibi bu proje üzerinde çalışırken başka bir görevle karşı karşıya kaldı: Google BigQuery maliyetlerini kontrol etme.

Günlük kontrolün tek önemli amacı veri kalitesi değildir. Çevrimiçi film akışı hizmeti, düzinelerce çalışana veri sağlar. Ve isteklerin zayıf bir şekilde ele alınması, şirketin analitik desteğine yaptığı harcamaları beklenmedik bir şekilde artırabilir.

Elimizin nabzını tutmak için iki çözüm kullanıyorlar:

1. İlgili maliyetle birlikte Google BigQuery tarafından işlenen veri miktarını (GB olarak) izlemek için gösterge paneli:

Burada en fazla verinin hangi hesap altında işlendiğini görebilir ve limiti aşan belirli bir yöneticiyi uyarabilirsiniz.

2. Rapor güncellenmezse veya Google BigQuery'de planlanan harcamaları aşarsa mesajlı Chatbot. Bu, aylık veri işleme maliyetlerinin planlanmasına yardımcı olur. Aynı bot, rapordaki tüm kaynaklardan gelen verileri güncelledikten hemen sonra uyarı verir, böylece ekip karşılaştırmalarla zaman kaybetmez ve kampanyaları hemen analiz etmeye başlayabilir.

Ekip, performans kampanyalarını yönetmek için tüm normal süreçlerde ortaya çıkan kontrol panelini kullanır. Gelecekte, bir mobil uygulama oluşturup cihazlar arası ilişkilendirme sorununu çözmenin yanı sıra analizde medya kampanyalarının etkisini değerlendirmeyi planlıyorlar.