Örnek olay: Bir çevrimiçi film akışı hizmeti için gelişmiş analitik nasıl kurulur?

AIDA hunisi ile normal bir e-ticaret projesinde gelişmiş analitiklerin nasıl kurulacağı hakkında çok sayıda vaka çalışması yazılmıştır. Birçok işletme bunun nasıl yapılacağını bilir ve huniyi kurarken sorun yaşamaz. Ancak karmaşık ve aşikar olmayan bir satış hunisine, birçok dönüşüm türüne ve hedefli eylemlerinize sahip olduğunuzda zorluklar ortaya çıkar. Bakalım online sinema için tüm verilerimizi tek bir gösterge panosunda nasıl toplayabiliriz?

Çevrimiçi taşıma hizmetinde iki tür işlemimiz vardır ve bunlar, işlemlerin tipik olarak e-ticarette olduğu gibi eşdeğer değildir. İsteğe bağlı video (TVOD) işlemleri (film kiralama veya satın alma) hemen paramızı alırken, isteğe bağlı video abonelik (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 (YBD) büyümesine odaklanmamız mantıklıdır ve LTV ile çalışmanın mekaniği diğer metriklerle çalışma mekaniğinden farklıdır.

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

Ayrıca, satın alma ve kiralama işlemleri de vardır; kullanıcılar, yeni filmler gibi ana aboneliğin bir parçası olarak kullanılamayan içerikleri satın alabilir veya içeriğe 48 saat boyunca geçici erişim sağlayabilir.

Pazarlama departmanı, sabit bir maksimum CAC ile ödeme yapan kullanıcı sayısını üç katına çıkarmayı hedefliyor. Bununla birlikte, tipik olmayan bir satış hunisi ve çok sayıda hedefli eylem, reklam kampanyalarının hem yönetimini hem de değerlendirmesini büyük ölçüde karmaşıklaştırmaktadır. Bu amaca ulaşmak için, her türlü işlemi göz önünde bulundurarak reklam kanallarını objektif olarak değerlendirmemizi sağlayacak bir araca ihtiyaçları vardı. Dahili depolamaya dayalı olarak oluşturulan analitikler ve kendi çözümleri yeterli değildi.

Ayrıca analiz edilen verilerin kalitesiyle ilgili sorular da vardı. Tüm abonelik formu gönderimleri web sitesinde izlenmedi ve CRM'den indirilen veriler, web sitesinden farklı bir biçimde eşleşen veriler için anahtarlar içeriyordu. Eşleşen verilerin oranını ve buna bağlı olarak verilerin kalitesini artırmak için, sapmaların ölçeğini ve dinamiklerini gösterecek ve web sitesindeki sorunları tanımlamaya izin verecek bir izleme aracına ihtiyaç vardı.

Her tür işlem hakkında bir rapor ve veri kalitesini otomatik olarak izlemek için bir araç almak için, Google BigQuery'ye dayalı gelişmiş analitik yapılandırma kararı alındı.

Ekip, Google BigQuery'deki web sitesi ve reklam 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 ödeme yapan kullanıcıları raporlarda görmeleri gerektiğinden bunu CRM sisteminden gelen verilerle birleştiren bir ölçüm sisteminin geliştirilmesine ve uygulanmasına yardımcı oldu ve bu bilgi sadece CRM'dedir.

Pano için veriler nasıl birleştirilir:

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

1. Sonuç olarak bir satış hunimiz oldu. 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 türlerine (denemeler, etkinleştirilen denemeler, abonelikler, satın almalar, kiralamalar) nesnel katkısını görmeye yardımcı olur:

Pano, pazarlamacıların işini kolaylaştırmak için 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 sürümünde olabilir ve bir kampanyadan sonra abone olabilir. Pek çok benzer durum vardır: belirli kullanıcıları hedefleyen kampanyaların ve belirli segmentlerde sonuçların nasıl sonuçlandığını değerlendirmeye yardımcı olurlar.

Örneğin, aşağıdaki çizelge, Soul filminin satın alımlarının, galasından sonra popülerlik zirveden düşmeye başladığında kiralamalara nasıl aktığını gösteriyor:

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

Pazarlamacıların daha detaylı bilgilere bakabileceği harcamalar ve her türlü işlem için ayrı sayfalar da bulunmaktadır.

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

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: OWOX BI'dan Doğrudan Olmayan Son Tıklama ve ML Dönüşüm Hunisine Dayalı İlişkilendirme.

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

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

Eşleştirme, bir web sitesinden işlem verilerini toplama ve bunları CRM'deki verilerle karşılaştırma işlemidir. Tipik olarak, CRM verileri, işlem kimliği ile çevrimiçi verilere bağlanır. Hizmet OWOX ile çalışmaya başlamadan önce işlem kimliklerinin yaklaşık %60'ını transfer etmediler. Yani eşleşme payı %40 civarındaydı.

Verilere güvenmek önemlidir. Analiz için girdi, gerçek resimle uyuşmayan düşük kaliteli veriler kullanıyorsa, çıktıdaki sonuçlara pek güvenilemez.

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

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

4. Bu proje üzerinde çalışırken hizmet ekibi başka bir görevle karşı karşıya kaldı: Google BigQuery maliyetlerini kontrol etmek .

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

Elimizi nabzımız üzerinde tutmak için iki çözüm kullanıyorlar:

1. Google BigQuery tarafından işlenen veri miktarını (GB olarak) ve ilişkili maliyeti izlemek için gösterge tablosu:

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

2. Rapor güncellenmediyse veya Google BigQuery'de planlanan harcamaları aşarsa mesaj içeren sohbet robotu. 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 hemen kampanyaları analiz etmeye başlayabilir.

Ekip, performans kampanyalarını yönetmek için tüm normal süreçlerde ortaya çıkan gösterge tablosunu kullanır. Gelecekte, bir mobil uygulama oluşturmayı ve cihazlar arası ilişkilendirme sorununu çözmeyi ve ayrıca analizde medya kampanyalarının etkisini değerlendirmeyi planlıyorlar.