案例研究：如何為在線電影流媒體服務設置高級分析

編寫了大量關於如何在具有 AIDA 漏斗的常規電子商務項目中設置高級分析的案例研究。 許多企業都知道如何做到這一點，並且在設置渠道時沒有問題。 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操作時，就會出現困難。 讓我們看看如何將所有數據整合到一個在線影院儀表板中？

在在線搬家服務中，我們有兩種交易類型，它們並不等同於電子商務中的交易。 有交易視頻點播 (T​​VOD) 交易（租借或購買電影），我們會立即收到款項，而訂閱視頻點播 (SVOD) 交易（訂閱和試用）則涉及定期定期付款。

每個月，用戶都可以續訂或不續訂訂閱。 對我們來說，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，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，試用與訂閱相同，只是免費或 1 盧布提供。 試用期可在促銷期（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，還有購買和租賃服務——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。

營銷部門的目標是通過固定的最大 CAC 將付費用戶數量增加三倍。 然而，非典型的銷售漏斗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，讓我們能夠客觀地評估廣告渠道，同時考慮到所有類型的交易。 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。

分析數據的質量也存在問題。 並非所有訂閱表格提交都在網站上進行了跟踪，從 CRM 下載的數據包含用於匹配數據的密鑰，其格式與網站不同。 為了增加匹配數據的比例並相應地提高數據質量，需要一種監測工具來顯示偏差的規模和動態，並允許識別網站上的問題。

為了獲得所有類型交易的報告和自動監控數據質量的工具，決定基於 Google BigQuery 配置高級分析。

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在線電影流媒體服務商業模式特徵的指標系統，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 Pipeline 將廣告服務中的成本數據自動導入 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 Attribution 設置數據驅動的基於渠道的歸因模型。
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 數據洞察信息中心。

1.結果，我們得到了一個銷售漏斗。 我們現在可以看到每個渠道對每個目標的轉化，並可以得出關於不同場景有效性的結論。

例如，具有整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的轉化（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簡化營銷人員的工作。 例如，有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，用戶可以在活動後試用並訂閱。 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，當人氣開始從峰值開始下降時，購買量如何流入租賃：

有一個頁面顯示會話到試用和試用到訂閱的轉換率。 在設置高級分析之前，團隊很難跟踪這些信息。

還有單獨的頁面用於費用和所有類型的交易，營銷人員可以查看更詳細的信息。

2. 要想在營銷活動中找到增長點，僅僅計算指標和場景是不夠的。 因此，OWOX 基於 BigQuery 收集的數據建立了基於漏斗的歸因：

根據歸因數據，該團隊創建了這份報告：

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

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。 該報告幫助營銷人員根據 Last Non-Direct Click 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？ 該團隊建立了一個單獨的儀表板，顯示數據匹配的質量以做出決策：

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 數據通過事務 ID 鏈接到在線數據。 在該服務開始使用 OWOX 之前，他們沒有傳輸大約 60% 的事務 ID。 也就是說，匹配的份額約為 40%。

對數據的信任很重要。 如果分析的輸入使用與真實情況不符的劣質數據，那麼輸出的結果就很難被信任。

以前，團隊花費大量時間檢查比賽百分比。 現在他們有了一個工具，可以清楚地顯示已評估的交易百分比。 他們可以隨時查看他們將 CRM 中的數據與在線數據匹配了多少，而不會浪費額外的時間。 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（OWOX 同事提供幫助），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，服務團隊還面臨另一個任務：控制 Google BigQuery 的成本。

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。

為了讓我們緊跟潮流，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 上的計劃費用，聊天機器人會發送消息。 這有助於計劃每月的數據處理成本。 更新報告中所有來源的數據後，同一機器人會立即發出警報，因此團隊不會浪費時間進行比較，並且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，並在分析中評估媒體活動的影響。