如何為在線電影流媒體服務設置高級分析

大量案例研究是關於如何使用 AIDA 漏斗在常規電子商務項目中設置高級分析的。 許多企業都知道如何做到這一點，並且在設置渠道方面沒有問題。 但是，當您擁有復雜且不明顯的銷售渠道、多種轉化類型和有針對性的行動時，困難就會出現。 讓我們看看如何將所有數據整合到一個在線影院儀錶盤中？

在在線搬家服務中，我們有兩種類型的交易，它們並不等同於電子商務中的典型交易。 有我們立即收到錢的交易視頻點播 (T​​VOD) 交易（租借或購買電影），而訂閱視頻點播 (SVOD) 交易（訂閱和試用）涉及定期定期付款。

每個月，用戶可以續訂或不續訂。 我們關注客戶生命週期價值 (LTV) 的增長而不是一次性交易是合乎邏輯的，並且使用 LTV 的機制與使用其他指標的機制不同。

為了控制轉化，我們將試驗放在一個單獨的組中。 事實上，試用與訂閱一樣，只是免費或以 1 盧布的價格提供。 試用期可以在促銷期（7 或 14 天）結束時轉換為付費訂閱。 監控此類轉化對我們來說非常重要。

此外，還有購買和租賃——用戶可以購買主訂閱中不可用的內容，例如新電影，或者在 48 小時內臨時訪問內容。

營銷部門的目標是將具有固定最大 CAC 的付費用戶數量增加三倍。 然而，非典型的銷售渠道和大量有針對性的行動使廣告活動的管理和評估變得非常複雜。 為了實現這一目標，他們需要一種工具，使我們能夠客觀地評估廣告渠道，同時考慮所有類型的交易。 基於內部存儲和他們自己的解決方案構建的分析是不夠的。

還有關於分析數據質量的問題。 並非所有提交的訂閱表格都在網站上被跟踪，並且從 CRM 下載的數據包含用於匹配數據的密鑰，格式與網站不同。 為了增加匹配數據的比例並相應地提高數據質量，需要一種監控工具來顯示偏差的規模和動態，並允許識別網站上的問題。

為了獲得有關所有類型交易的報告和自動監控數據質量的工具，決定配置基於 Google BigQuery 的高級分析。

為了從 Google BigQuery 中的網站和廣告服務收集數據，該團隊使用了 Google Analytics 360 和 OWOX BI。 OWOX 分析師幫助開發和實施了一個衡量系統，該系統考慮了在線電影流媒體服務業務模型的特點，檢查在線數據的質量，並將其與來自 CRM 系統的數據相結合，因為他們需要在報告中看到付費用戶，而這信息僅在 CRM 中。

如何為儀表板組合數據：

1. 使用 OWOX BI 管道自動將成本數據從廣告服務導入 Google Analytics 和 Google BigQuery。
2. 收集網站上的用戶行為數據，並使用 Google Analytics 360 將其傳輸到 Google BigQuery。
3. 使用自定義解決方案將銷售數據從 CRM 上傳到 BigQuery。
4. 使用 OWOX BI 歸因設置數據驅動的基於漏斗的歸因模型。
5. 在 Google BigQuery 中，將網站數據、廣告服務數據和歸因計算結果合併到一個視圖中。
6. 將數據從 BigQuery 視圖傳輸到 Google Data Studio 儀表板。

1.結果，我們得到了一個銷售漏斗。 我們現在看到每個渠道的每個目標的轉換，並且可以得出關於不同場景有效性的結論。

例如，包含總體指標的績效報告有助於查看來源、渠道和活動對不同類型轉化（試用、激活試用、訂閱、購買、租賃）的客觀貢獻：

儀表板有許多選項可以減輕營銷人員的工作。 例如，有一些過濾器可以分析特定電影或產品的數據並跟踪用戶的狀態。 例如，用戶可能正在試用並在活動結束後訂閱。 有許多類似的狀態：它們有助於評估針對特定用戶的活動和結果在特定細分市場中的效果。

例如，下圖顯示了電影《靈魂》在首映後人氣從高峰開始下降時的購買量如何流入租金：

有一個頁面顯示會話到試用和試用到訂閱的轉化率。 在設置高級分析之前，團隊很難跟踪此信息。

還有單獨的費用頁面和所有類型的交易，營銷人員可以在這些頁面上查看更詳細的信息。

2.想要在campaigns中尋找增長點，僅僅計算metrics和scenario是不夠的。 因此，OWOX 基於 BigQuery 中收集的數據建立了基於漏斗的歸因：

基於歸因數據，該團隊創建了這份報告：

在報告中，您可以查看所有交易類型（試用、激活試用、訂閱、自有數據、租賃等）的渠道價值（轉化次數）。 性能報告中的所有指標均根據兩個歸因模型進行計算：OWOX BI 的最後非直接點擊和基於 ML 漏斗的歸因。

在屏幕截圖中，您可以看到所有轉化類型的這些歸因模型之間的百分比偏差。 該報告可幫助營銷人員根據最後非直接點擊模型追踪高估或低估的渠道並分配廣告預算。

3. 一個公平的問題是我們如何控制來自這麼多來源和這麼多指標的數據質量？ 該團隊構建了一個單獨的儀表板，顯示數據匹配質量以做出決策：

匹配是從網站收集交易數據並將其與 CRM 中的數據進行比較的過程。 通常，CRM 數據通過交易 ID 鏈接到在線數據。 在該服務開始與 OWOX 合作之前，他們沒有傳輸大約 60% 的交易 ID。 也就是說，匹配的份額約為40%。

對數據的信任很重要。 如果用於分析的輸入使用與真實圖片不符的低質量數據，那麼輸出的結果就很難被信任。

此前，該團隊花費了大量時間來檢查匹配百分比。 現在他們有了一個工具，可以清楚地顯示已評估交易的百分比。 他們可以隨時查看他們將 CRM 中的數據與在線數據進行了多少匹配，而不會在這上面浪費額外的時間。 如果在線數據中突然有什麼東西掉下來，它會立即可見。

通過應用額外的數據鏈接邏輯（在 OWOX 同事的幫助下），該團隊將匹配率從 40% 提高到可接受的 85%。 由於這份報告給出了前端操作的反饋，在某些時候他們能夠修復網站上的主要錯誤並獲得 90% 的匹配率。

4. 在做這個項目的過程中，服務團隊面臨著另一個任務：控制Google BigQuery 成本。

數據質量並不是日常控制的唯一重要對象。 在線電影流媒體服務為數十名員工提供了數據。 請求處理不當可能會意外增加公司在分析支持方面的支出。

為了讓我們緊跟脈搏，他們使用了兩種解決方案：

1. 用於監控 Google BigQuery 處理的數據量（以 GB 為單位）以及相關成本的儀表板：

在這裡，您可以查看在哪個帳戶下處理的數據最多，並警告超出限制的特定經理。

2. 如果報告未更新或超出 Google BigQuery 的計劃開支，聊天機器人會發出消息。 這有助於計劃每月的數據處理成本。 同一機器人在更新報告中所有來源的數據後立即發出警報，這樣團隊就不會浪費時間進行比較，並可以立即開始分析活動。

該團隊在所有常規流程中使用生成的儀表板來管理績效活動。 未來，他們計劃創建一個移動應用程序並解決跨設備歸因問題，以及在分析中評估媒體活動的影響。