So richten Sie erweiterte Analysen für einen Online-Film-Streaming-Dienst ein

Es gibt eine Vielzahl von Fallstudien darüber, wie man Advanced Analytics in einem regulären E-Commerce-Projekt mit einem AIDA-Funnel aufsetzt. Viele Unternehmen wissen, wie das geht, und haben keine Probleme, den Trichter einzurichten. Schwierigkeiten treten jedoch auf, wenn Sie einen komplexen und nicht offensichtlichen Verkaufstrichter, viele Conversion-Typen und gezielte Aktionen haben. Mal sehen, wie wir alle unsere Daten in ein Dashboard für Online-Kino bringen können?

Beim Online-Umzugsdienst haben wir zwei Arten von Transaktionen, und sie sind nicht gleichwertig, da Transaktionen normalerweise im E-Commerce stattfinden. Es gibt transaktionale Video-on-Demand-Transaktionen (TVOD) (Ausleihen oder Kaufen eines Films), für die wir sofort Geld erhalten, während Abonnement-Video-on-Demand-Transaktionen (SVOD) (Abonnements und Testversionen) regelmäßig wiederkehrende Zahlungen beinhalten.

Jeden Monat kann ein Benutzer sein Abonnement erneuern oder nicht erneuern. Es ist logisch, dass wir uns auf das Wachstum des Customer Lifetime Value (LTV) und nicht auf einmalige Transaktionen konzentrieren, und die Mechanik der Arbeit mit LTV unterscheidet sich von der Mechanik der Arbeit mit anderen Metriken.

Um die Konversionen zu kontrollieren, platzieren wir Testversionen in einer separaten Gruppe. Tatsächlich sind Testversionen dasselbe wie Abonnements, nur dass sie kostenlos oder für 1 Rubel angeboten werden. Eine Testversion kann am Ende des Aktionszeitraums (7 oder 14 Tage) in ein kostenpflichtiges Abonnement umgewandelt werden. Es ist sehr wichtig für uns, solche Konvertierungen zu überwachen.

Außerdem gibt es Käufe und Ausleihen – Benutzer können Inhalte kaufen, die nicht im Rahmen des Hauptabonnements verfügbar sind, z. B. neue Filme, oder 48 Stunden lang vorübergehend auf Inhalte zugreifen.

Die Marketingabteilung strebt an, die Zahl der zahlenden Nutzer mit einem festgelegten maximalen CAC zu verdreifachen. Ein atypischer Verkaufstrichter und eine Vielzahl gezielter Aktionen erschweren jedoch sowohl die Steuerung als auch die Auswertung von Werbekampagnen erheblich. Um dieses Ziel zu erreichen, brauchten sie ein Tool, das es uns ermöglicht, Werbekanäle objektiv zu bewerten und alle Arten von Transaktionen zu berücksichtigen. Die auf internem Speicher und eigenen Lösungen basierenden Analysen waren nicht ausreichend.

Es gab auch Fragen zur Qualität der analysierten Daten. Nicht alle Übermittlungen von Anmeldeformularen wurden auf der Website nachverfolgt, und vom CRM heruntergeladene Daten enthielten Schlüssel zum Abgleich von Daten in einem anderen Format als auf der Website. Um den Anteil an übereinstimmenden Daten und damit die Datenqualität zu erhöhen, wurde ein Monitoring-Tool benötigt, das das Ausmaß und die Dynamik von Abweichungen aufzeigt und es ermöglicht, Probleme auf der Website zu erkennen.

Um einen Bericht über alle Arten von Transaktionen und ein Tool zur automatischen Überwachung der Datenqualität zu erhalten, fiel die Entscheidung auf die Konfiguration erweiterter Analysen auf Basis von Google BigQuery.

Um Daten von der Website und den Werbediensten in Google BigQuery zu sammeln, verwendete das Team Google Analytics 360 und OWOX BI. Die OWOX-Analysten halfen bei der Entwicklung und Implementierung eines Metriksystems, das die Merkmale des Geschäftsmodells des Online-Film-Streaming-Dienstes berücksichtigt, die Qualität der Online-Daten überprüft und sie mit Daten aus dem CRM-System kombiniert, da sie zahlende Benutzer in Berichten sehen müssen und dies Informationen sind nur im CRM.

So kombinieren Sie Daten für das Dashboard:

1. Importieren Sie mithilfe von OWOX BI Pipeline automatisch Kostendaten aus Werbediensten in Google Analytics und Google BigQuery.
2. Sammeln Sie Daten zum Nutzerverhalten auf der Website und übermitteln Sie diese mit Google Analytics 360 an Google BigQuery.
3. Laden Sie mithilfe einer benutzerdefinierten Lösung Verkaufsdaten aus dem CRM in BigQuery hoch.
4. Richten Sie mit OWOX BI Attribution ein datengesteuertes, trichterbasiertes Attributionsmodell ein.
5. Kombinieren Sie in Google BigQuery Websitedaten, Daten von Werbediensten und die Ergebnisse von Attributionsberechnungen in einer Ansicht.
6. Übertragen Sie Daten aus der BigQuery-Ansicht in das Google Data Studio-Dashboard.

1. Als Ergebnis haben wir einen Verkaufstrichter bekommen. Wir sehen jetzt Conversions zu jedem Ziel für jeden Kanal und können Rückschlüsse auf die Wirksamkeit verschiedener Szenarien ziehen.

Beispielsweise hilft der Leistungsbericht mit Gesamtmetriken, den objektiven Beitrag von Quellen, Kanälen und Kampagnen zu verschiedenen Arten von Conversions (Testversionen, aktivierte Testversionen, Abonnements, Käufe, Mieten) zu sehen:

Das Dashboard bietet viele Optionen, um die Arbeit von Marketern zu erleichtern. Beispielsweise gibt es Filter, um Daten zu einem bestimmten Film oder Produkt zu analysieren und den Status eines Benutzers zu verfolgen. Beispielsweise könnte ein Benutzer auf Probe sein und sich nach einer Kampagne anmelden. Es gibt viele ähnliche Status: Sie helfen zu bewerten, wie Kampagnen für bestimmte Benutzer und Ergebnisse in bestimmten Segmenten funktionieren.

Die folgende Grafik zeigt beispielsweise, wie Käufe des Films Soul nach seiner Premiere in Leihgaben fließen, wenn die Popularität von ihrem Höhepunkt abfällt:

Es gibt eine Seite, die die Konversionsrate von Sitzungen zu Testversionen und von Testversionen zu Abonnements anzeigt. Vor der Einrichtung erweiterter Analysen war es für das Team schwierig, diese Informationen zu verfolgen.

Es gibt auch separate Seiten für Ausgaben und alle Arten von Transaktionen, auf denen Marketer detailliertere Informationen einsehen können.

2. Es reicht nicht aus, Metriken und Szenarien zu berechnen, wenn Sie Wachstumspunkte in Kampagnen finden möchten. Daher wurde die trichterbasierte Zuordnung von OWOX auf Basis von in BigQuery gesammelten Daten eingerichtet:

Und basierend auf Attributionsdaten hat das Team diesen Bericht erstellt:

Im Bericht können Sie den Wert der Kanäle (Anzahl der Conversions) für alle Arten von Transaktionen (Testversionen, aktivierte Testversionen, Abonnements, eigene Daten, Mieten usw.) anzeigen. Alle Metriken im Leistungsbericht werden gemäß zwei Attributionsmodellen gezählt: Letzter indirekter Klick und ML-Trichter-basierte Zuordnung von OWOX BI.

Im Screenshot sehen Sie die prozentuale Abweichung zwischen diesen Attributionsmodellen für alle Conversion-Typen. Der Bericht hilft Vermarktern dabei, überschätzte oder unterschätzte Kanäle nach dem Modell des letzten indirekten Klicks aufzuspüren und das Werbebudget zuzuweisen.

3. Eine berechtigte Frage lautet: Wie können wir die Qualität von Daten aus so vielen Quellen und für so viele Metriken kontrollieren? Das Team hat ein separates Dashboard erstellt, das die Qualität des Datenabgleichs zeigt, um Entscheidungen zu treffen:

Beim Matching werden Transaktionsdaten von einer Website gesammelt und mit den Daten im CRM verglichen. Typischerweise werden CRM-Daten über die Transaktions-ID mit Online-Daten verknüpft. Bevor der Dienst mit OWOX zusammenarbeitete, wurden etwa 60 % der Transaktions-IDs nicht übertragen. Das heißt, der Matching-Anteil lag bei etwa 40 %.

Vertrauen in Daten ist wichtig. Wenn die Eingabe für die Analyse Daten von schlechter Qualität verwendet, die nicht mit dem tatsächlichen Bild übereinstimmen, kann den Ergebnissen am Ausgang kaum vertraut werden.

Zuvor verbrachte das Team viel Zeit damit, Übereinstimmungsprozentsätze zu überprüfen. Jetzt haben sie ein Tool, das klar anzeigt, wie viel Prozent der Transaktionen ausgewertet wurden. Sie können jederzeit sehen, wie sehr sie Daten aus dem CRM mit Online-Daten abgleichen und keine zusätzliche Zeit damit verschwenden. Wenn bei den Online-Daten plötzlich etwas abfällt, ist das sofort sichtbar.

Durch die Anwendung zusätzlicher Datenverknüpfungslogik (bei der die OWOX-Kollegen halfen) erhöhte das Team die Übereinstimmungsquote von 40 % auf akzeptable 85 %. Und da dieser Bericht Feedback zu Aktionen am Frontend gibt, konnten sie irgendwann die wichtigsten Fehler auf der Website beheben und eine Übereinstimmungsquote von 90% erzielen.

4. Während der Arbeit an diesem Projekt stand das Serviceteam vor einer weiteren Aufgabe: der Kontrolle der Google BigQuery-Kosten .

Die Datenqualität ist nicht das einzige wichtige Objekt der täglichen Kontrolle. Der Online-Film-Streaming-Dienst versorgt Dutzende von Mitarbeitern mit Daten. Und eine schlechte Bearbeitung von Anfragen kann die Ausgaben des Unternehmens für Analyseunterstützung unerwartet erhöhen.

Um am Puls der Zeit zu bleiben, verwenden sie zwei Lösungen:

1. Dashboard zur Überwachung der von Google BigQuery verarbeiteten Datenmenge (in GB) zusammen mit den damit verbundenen Kosten:

Hier können Sie sehen, unter welchem ​​Konto die meisten Daten verarbeitet wurden, und einen bestimmten Manager warnen, der das Limit überschritten hat.

2. Chatbot mit Meldungen, wenn der Bericht nicht aktualisiert wird oder die geplanten Ausgaben für Google BigQuery übersteigt. Dies hilft bei der Planung der monatlichen Datenverarbeitungskosten. Derselbe Bot warnt sofort nach dem Aktualisieren von Daten aus allen Quellen im Bericht, sodass das Team keine Zeit mit Vergleichen verschwendet und sofort mit der Analyse von Kampagnen beginnen kann.

Das Team verwendet das resultierende Dashboard in allen regulären Prozessen, um Performance-Kampagnen zu verwalten. In Zukunft planen sie, eine mobile Anwendung zu erstellen und das Problem der geräteübergreifenden Zuordnung zu lösen sowie die Auswirkungen von Medienkampagnen in der Analyse zu bewerten.