كيفية إعداد تحليلات متقدمة لخدمة بث الأفلام عبر الإنترنت

تمت كتابة عدد كبير من دراسات الحالة حول كيفية إعداد تحليلات متقدمة في مشروع تجارة إلكترونية عادي باستخدام قمع AIDA. تعرف العديد من الشركات كيفية القيام بذلك وليس لديها مشاكل في إعداد مسار التحويل. ولكن تظهر الصعوبات عندما يكون لديك مسار مبيعات معقد وغير واضح ، والعديد من أنواع التحويل ، والإجراءات المستهدفة. دعونا نرى كيف يمكننا إحضار جميع بياناتنا في لوحة تحكم واحدة للسينما عبر الإنترنت؟

في خدمة النقل عبر الإنترنت ، لدينا نوعان من المعاملات ، وهما ليسا متكافئين مثل المعاملات التي تتم عادةً في التجارة الإلكترونية. هناك معاملات فيديو عند الطلب (TVOD) (تأجير أو شراء فيلم) نتلقى أموالًا مقابلها على الفور ، بينما تتضمن معاملات الفيديو عند الطلب (SVOD) (الاشتراكات والتجارب) مدفوعات متكررة منتظمة.

كل شهر ، يمكن للمستخدم تجديد أو عدم تجديد اشتراكه. من المنطقي بالنسبة لنا أن نركز على نمو قيمة عمر العميل (LTV) وليس على المعاملات لمرة واحدة ، وتختلف آليات العمل مع LTV عن آليات العمل مع المقاييس الأخرى.

للتحكم في التحويلات ، نضع التجارب في مجموعة منفصلة. في الواقع ، الإصدارات التجريبية هي نفسها الاشتراكات ، إلا أنها تقدم مجانًا أو مقابل روبل واحد. يمكن تحويل النسخة التجريبية إلى اشتراك مدفوع في نهاية الفترة الترويجية (7 أو 14 يومًا). من المهم جدًا بالنسبة لنا مراقبة مثل هذه التحويلات.

بالإضافة إلى ذلك ، هناك أيضًا عمليات شراء وتأجير - يمكن للمستخدمين شراء محتوى غير متوفر كجزء من الاشتراك الرئيسي ، مثل الأفلام الجديدة ، أو الحصول على وصول مؤقت إلى المحتوى لمدة 48 ساعة.

يهدف قسم التسويق إلى مضاعفة عدد المستخدمين الذين يدفعون ثلاثة أضعاف بحد أقصى ثابت لـ CAC. ومع ذلك ، فإن قمع المبيعات غير النمطي وعدد كبير من الإجراءات المستهدفة يعقد بشكل كبير إدارة وتقييم الحملات الإعلانية. لتحقيق هذا الهدف ، كانوا بحاجة إلى أداة تسمح لنا بإجراء تقييم موضوعي للقنوات الإعلانية ، مع مراعاة جميع أنواع المعاملات. التحليلات المبنية على التخزين الداخلي والحلول الخاصة بهم لم تكن كافية.

كانت هناك أيضًا أسئلة حول جودة البيانات التي تم تحليلها. لم يتم تتبع جميع عمليات إرسال نماذج الاشتراك على موقع الويب ، واحتوت البيانات التي تم تنزيلها من CRM على مفاتيح لمطابقة البيانات بتنسيق مختلف عن موقع الويب. لزيادة نسبة البيانات المطابقة ، وبالتالي جودة البيانات ، كانت هناك حاجة إلى أداة مراقبة من شأنها إظهار حجم وديناميات الانحرافات والسماح بتحديد المشاكل على موقع الويب.

للحصول على تقرير عن جميع أنواع المعاملات وأداة لمراقبة جودة البيانات تلقائيًا ، كان القرار هو تكوين التحليلات المتقدمة بناءً على Google BigQuery.

لجمع البيانات من الموقع الإلكتروني والخدمات الإعلانية في Google BigQuery ، استخدم الفريق Google Analytics 360 و OWOX BI. ساعد محللو OWOX في تطوير وتنفيذ نظام مقاييس يأخذ في الاعتبار ميزات نموذج عمل خدمة بث الأفلام عبر الإنترنت ، ويتحقق من جودة البيانات عبر الإنترنت ، ويجمعها مع البيانات من نظام CRM لأنهم يحتاجون إلى رؤية المستخدمين الذين يدفعون في التقارير وهذا المعلومات فقط في CRM.

كيفية دمج البيانات للوحة القيادة:

1. استيراد بيانات التكلفة تلقائيًا من الخدمات الإعلانية إلى Google Analytics و Google BigQuery باستخدام OWOX BI Pipeline.
2. جمع بيانات سلوك المستخدم على موقع الويب وإرسالها إلى Google BigQuery باستخدام Google Analytics 360.
3. تحميل بيانات المبيعات من CRM إلى BigQuery باستخدام حل مخصص.
4. قم بإعداد نموذج الإحالة المستند إلى مسار التحويل المستند إلى البيانات باستخدام OWOX BI Attribution.
5. في Google BigQuery ، اجمع بيانات موقع الويب وبيانات الخدمات الإعلانية ونتائج حسابات الإحالة في ملف شخصي واحد.
6. انقل البيانات من عرض BigQuery إلى لوحة تحكم Google Data Studio.

1. نتيجة لذلك ، حصلنا على قمع مبيعات. نرى الآن تحويلات لكل هدف لكل قناة ويمكننا استخلاص استنتاجات حول فعالية السيناريوهات المختلفة.

على سبيل المثال ، يساعد تقرير الأداء مع المقاييس العامة في معرفة المساهمة الموضوعية للمصادر والقنوات والحملات على أنواع مختلفة من التحويلات (التجارب ، والتجارب النشطة ، والاشتراكات ، والمشتريات ، والإيجارات):

تحتوي لوحة القيادة على العديد من الخيارات لتسهيل عمل المسوقين. على سبيل المثال ، هناك عوامل تصفية لتحليل البيانات الخاصة بفيلم معين أو منتج معين وتتبع حالة المستخدم. على سبيل المثال ، قد يكون المستخدم قيد التجربة والاشتراك بعد الحملة. هناك العديد من الحالات المتشابهة: فهي تساعد في تقييم كيفية عمل الحملات الموجهة إلى مستخدمين معينين والنتائج في شرائح معينة.

على سبيل المثال ، يوضح الرسم البياني أدناه كيف تتدفق مشتريات فيلم الروح إلى الإيجارات بعد العرض الأول عندما تبدأ الشعبية في الانخفاض من ذروتها:

هناك صفحة تعرض معدل تحويل الجلسات إلى التجارب والمحاكمات إلى الاشتراكات. قبل إعداد التحليلات المتقدمة ، كان من الصعب على الفريق تتبع هذه المعلومات.

هناك أيضًا صفحات منفصلة للمصروفات وجميع أنواع المعاملات التي يمكن للمسوقين الاطلاع على معلومات أكثر تفصيلاً بشأنها.

2. لا يكفي حساب المقاييس والسيناريوهات عندما تريد العثور على نقاط النمو في الحملات. لذلك ، تم إعداد الإحالة المستندة إلى مسار التحويل من OWOX استنادًا إلى البيانات التي تم جمعها في BigQuery:

واستنادًا إلى بيانات الإحالة ، أنشأ الفريق هذا التقرير:

في التقرير ، يمكنك عرض قيمة القنوات (عدد التحويلات) لجميع أنواع المعاملات (فترات تجريبية ، وتجارب نشطة ، واشتراكات ، وبيانات خاصة ، وتأجيرات ، وما إلى ذلك). يتم حساب جميع المقاييس في تقرير الأداء وفقًا لنموذجي إحالة: النقرة الأخيرة غير المباشرة والإحالة المستندة إلى مسار التحويل ML من OWOX BI.

في لقطة الشاشة ، يمكنك رؤية النسبة المئوية للانحراف بين نماذج الإحالة هذه لجميع أنواع التحويل. يساعد التقرير جهات التسويق في تتبع القنوات المبالغة في تقديرها أو التقليل من شأنها وفقًا لنموذج آخر نقرة غير مباشرة وتخصيص ميزانية الإعلان.

3. السؤال العادل هو كيف يمكننا التحكم في جودة البيانات من العديد من المصادر وللعديد من المقاييس؟ قام الفريق ببناء لوحة معلومات منفصلة توضح جودة مطابقة البيانات لاتخاذ القرارات:

المطابقة هي عملية جمع بيانات المعاملات من موقع ويب ومقارنتها بالبيانات الموجودة في CRM. عادةً ما يتم ربط بيانات CRM بالبيانات عبر الإنترنت بواسطة معرّف المعاملة. قبل أن تبدأ الخدمة في العمل مع OWOX ، لم ينقلوا حوالي 60٪ من معرّفات المعاملات. أي أن حصة المطابقة كانت حوالي 40٪.

الثقة في البيانات مهمة. إذا كان الإدخال للتحليل يستخدم بيانات رديئة الجودة لا تتفق مع الصورة الحقيقية ، فلا يمكن الوثوق بالنتائج في المخرجات.

في السابق ، أمضى الفريق الكثير من الوقت في التحقق من النسب المئوية للمباراة. الآن لديهم أداة توضح بوضوح النسبة المئوية للمعاملات التي تم تقييمها. يمكنهم في أي وقت معرفة مقدار مطابقة البيانات من CRM مع البيانات عبر الإنترنت وعدم إضاعة الوقت الإضافي عليها. إذا حدث شيء ما فجأة في البيانات عبر الإنترنت ، فسيكون مرئيًا على الفور.

من خلال تطبيق منطق ربط البيانات الإضافي (الذي ساعده زملاؤنا في OWOX) ، رفع الفريق نسبة المطابقة من 40٪ إلى 85٪ مقبولة. ونظرًا لأن هذا التقرير يقدم ملاحظات حول الإجراءات على الواجهة الأمامية ، فقد تمكنوا في مرحلة ما من إصلاح الأخطاء الرئيسية على موقع الويب والحصول على نسبة مطابقة تبلغ 90٪.

4. أثناء العمل في هذا المشروع ، واجه فريق الخدمة مهمة أخرى: التحكم في تكاليف Google BigQuery .

جودة البيانات ليست الشيء الوحيد المهم للرقابة اليومية. تعمل خدمة بث الأفلام عبر الإنترنت على تمكين عشرات الموظفين من البيانات. ويمكن أن يؤدي سوء التعامل مع الطلبات إلى زيادة إنفاق الشركة بشكل غير متوقع على دعم التحليلات.

لإبقاء أيدينا على النبض ، يستخدمون حلين:

1. لوحة تحكم لمراقبة كمية البيانات (بالجيجابايت) التي تتم معالجتها بواسطة Google BigQuery ، جنبًا إلى جنب مع التكلفة ذات الصلة:

هنا يمكنك معرفة الحساب الذي تمت معالجة معظم البيانات تحته وتحذير مدير معين تجاوز الحد.

2. Chatbot مع رسائل إذا لم يتم تحديث التقرير أو تجاوز النفقات المخطط لها على Google BigQuery. هذا يساعد في تخطيط تكاليف معالجة البيانات الشهرية. تنبيهات الروبوت نفسها فور تحديث البيانات من جميع المصادر في التقرير حتى لا يضيع الفريق الوقت في المقارنات ويمكنه البدء على الفور في تحليل الحملات.

يستخدم الفريق لوحة التحكم الناتجة في جميع العمليات المنتظمة لإدارة حملات الأداء. في المستقبل ، يخططون لإنشاء تطبيق للهاتف المحمول وحل مشكلة الإسناد عبر الأجهزة ، وكذلك لتقييم تأثير الحملات الإعلامية في التحليل.