Cómo configurar análisis avanzados para un servicio de transmisión de películas en línea

Se escribe una gran cantidad de estudios de casos sobre cómo configurar análisis avanzados en un proyecto regular de comercio electrónico con un embudo AIDA. Muchas empresas saben cómo hacer esto y no tienen problemas para configurar el embudo. Pero surgen dificultades cuando tiene un embudo de ventas complejo y poco obvio, muchos tipos de conversión y acciones dirigidas. Veamos cómo podemos reunir todos nuestros datos en un tablero para el cine en línea.

En el servicio de mudanzas en línea, tenemos dos tipos de transacciones, y no son equivalentes como las transacciones típicas en el comercio electrónico. Hay transacciones transaccionales de video bajo demanda (TVOD) (alquilar o comprar una película) por las que recibimos dinero de inmediato, mientras que las transacciones de suscripción de video bajo demanda (SVOD) (suscripciones y pruebas) implican pagos recurrentes regulares.

Cada mes, un usuario puede renovar o no renovar su suscripción. Es lógico que nos centremos en el crecimiento del valor de vida del cliente (LTV) y no en transacciones únicas, y la mecánica de trabajar con LTV es diferente de la mecánica de trabajar con otras métricas.

Para controlar las conversiones, colocamos las pruebas en un grupo separado. De hecho, las pruebas son lo mismo que las suscripciones, solo que se ofrecen de forma gratuita o por 1 rublo. Una prueba se puede convertir en una suscripción paga al final del período promocional (7 o 14 días). Es muy importante para nosotros monitorear tales conversiones.

Además, también hay compras y alquileres: los usuarios pueden comprar contenido que no está disponible como parte de la suscripción principal, como películas nuevas, u obtener acceso temporal al contenido durante 48 horas.

El departamento de marketing tiene como objetivo triplicar el número de usuarios de pago con un CAC máximo fijo. Sin embargo, un embudo de ventas atípico y una gran cantidad de acciones dirigidas complican enormemente tanto la gestión como la evaluación de las campañas publicitarias. Para lograr este objetivo, necesitaban una herramienta que les permitiera evaluar de manera objetiva los canales de publicidad, teniendo en cuenta todo tipo de transacciones. Los análisis construidos en base al almacenamiento interno y sus propias soluciones no fueron suficientes.

También hubo preguntas sobre la calidad de los datos analizados. No todos los envíos de formularios de suscripción fueron rastreados en el sitio web, y los datos descargados del CRM contenían claves para hacer coincidir los datos en un formato diferente al del sitio web. Para aumentar la proporción de datos coincidentes y, en consecuencia, la calidad de los datos, se necesitaba una herramienta de seguimiento que mostrara la escala y la dinámica de las desviaciones y permitiera identificar problemas en el sitio web.

Para obtener un informe sobre todo tipo de transacciones y una herramienta para monitorear automáticamente la calidad de los datos, la decisión fue configurar una analítica avanzada basada en Google BigQuery.

Para recopilar datos del sitio web y los servicios de publicidad en Google BigQuery, el equipo utilizó Google Analytics 360 y OWOX BI. Los analistas de OWOX ayudaron a desarrollar e implementar un sistema de métricas que considera las características del modelo comercial del servicio de transmisión de películas en línea, verifica la calidad de los datos en línea y los combina con los datos del sistema CRM, ya que necesitan ver a los usuarios que pagan en los informes y esto la información solo está en el CRM.

Cómo combinar datos para el tablero:

1. Importe automáticamente los datos de costos de los servicios de publicidad en Google Analytics y Google BigQuery utilizando OWOX BI Pipeline.
2. Recopile datos de comportamiento del usuario en el sitio web y transmítalos a Google BigQuery utilizando Google Analytics 360.
3. Cargue datos de ventas del CRM a BigQuery mediante una solución personalizada.
4. Configure un modelo de atribución basado en embudos basado en datos utilizando OWOX BI Attribution.
5. En Google BigQuery, combine los datos del sitio web, los datos de los servicios de publicidad y los resultados de los cálculos de atribución en una sola vista.
6. Transfiere datos de la vista de BigQuery al panel de control de Google Data Studio.

1. Como resultado, obtuvimos un embudo de ventas. Ahora vemos conversiones a cada objetivo para cada canal y podemos sacar conclusiones sobre la efectividad de diferentes escenarios.

Por ejemplo, el informe de rendimiento con métricas generales ayuda a ver la contribución objetiva de fuentes, canales y campañas en diferentes tipos de conversiones (pruebas, pruebas activadas, suscripciones, compras, alquileres):

El tablero tiene muchas opciones para facilitar el trabajo de los especialistas en marketing. Por ejemplo, hay filtros para analizar datos sobre una película o producto en particular y rastrear el estado de un usuario. Por ejemplo, un usuario podría estar en prueba y suscribirse después de una campaña. Hay muchos estados similares: ayudan a evaluar cómo funcionan las campañas dirigidas a ciertos usuarios y los resultados en segmentos particulares.

Por ejemplo, el siguiente gráfico muestra cómo las compras de la película Soul fluyen hacia los alquileres después de su estreno, cuando la popularidad comienza a caer desde su punto máximo:

Hay una página que muestra la tasa de conversión de sesiones a pruebas y pruebas a suscripciones. Antes de configurar análisis avanzados, era difícil para el equipo rastrear esta información.

También hay páginas separadas para gastos y todo tipo de transacciones en las que los especialistas en marketing pueden ver información más detallada.

2. No basta con calcular métricas y escenarios cuando se quiere encontrar puntos de crecimiento en las campañas. Por lo tanto, se configuró la atribución basada en embudos de OWOX basada en datos recopilados en BigQuery:

Y según los datos de atribución, el equipo creó este informe:

En el informe, puede ver el valor de los canales (número de conversiones) para todo tipo de transacciones (pruebas, pruebas activadas, suscripciones, datos propios, alquileres, etc.). Todas las métricas del informe de rendimiento se cuentan de acuerdo con dos modelos de atribución: último clic no directo y atribución basada en el embudo de aprendizaje automático de OWOX BI.

En la captura de pantalla, puede ver la desviación porcentual entre estos modelos de atribución para todos los tipos de conversión. El informe ayuda a los especialistas en marketing a rastrear los canales sobreestimados o subestimados según el modelo Último clic no directo y asignar el presupuesto publicitario.

3. Una pregunta justa es ¿Cómo podemos controlar la calidad de los datos de tantas fuentes y para tantas métricas? El equipo ha creado un tablero separado que muestra la calidad de la coincidencia de datos para tomar decisiones:

La coincidencia es el proceso de recopilar datos de transacciones de un sitio web y compararlos con los datos en el CRM. Por lo general, los datos de CRM están vinculados a los datos en línea por ID de transacción. Antes de que el servicio comenzara a funcionar con OWOX, no transfirieron alrededor del 60 % de las identificaciones de transacciones. Es decir, la proporción de emparejamiento fue de alrededor del 40%.

La confianza en los datos es importante. Si la entrada para el análisis utiliza datos de mala calidad que no concuerdan con la imagen real, difícilmente se puede confiar en los resultados de la salida.

Anteriormente, el equipo pasaba mucho tiempo comprobando los porcentajes de coincidencia. Ahora tienen una herramienta que muestra claramente qué porcentaje de transacciones han sido evaluadas. Pueden ver en cualquier momento cuánto están comparando los datos del CRM con los datos en línea y no perder tiempo adicional en ello. Si de repente algo falla en los datos en línea, es inmediatamente visible.

Al aplicar una lógica de vinculación de datos adicional (con la que ayudaron los colegas de OWOX), el equipo elevó la tasa de coincidencia del 40 % a un 85 % aceptable. Y dado que este informe brinda retroalimentación sobre las acciones en el front-end, en algún momento pudieron corregir los errores principales en el sitio web y obtener una proporción de coincidencia del 90%.

4. Mientras trabajaba en este proyecto, el equipo de servicio se enfrentó a otra tarea: controlar los costos de Google BigQuery .

La calidad de los datos no es el único objeto importante del control diario. El servicio de transmisión de películas en línea empodera a docenas de empleados con datos. Y el manejo deficiente de las solicitudes puede aumentar inesperadamente el gasto de la empresa en soporte analítico.

Para mantener nuestra mano en el pulso, utilizan dos soluciones:

1. Panel para monitorear la cantidad de datos (en GB) procesados ​​por Google BigQuery, junto con el costo asociado:

Aquí puede ver en qué cuenta se procesó la mayor cantidad de datos y advertir a un administrador específico que excedió el límite.

2. Chatbot con mensajes si el informe no está actualizado o supera los gastos planificados en Google BigQuery. Esto ayuda a planificar los costos mensuales de procesamiento de datos. El mismo bot alerta inmediatamente después de actualizar los datos de todas las fuentes en el informe para que el equipo no pierda tiempo en comparaciones y pueda comenzar a analizar las campañas de inmediato.

El equipo utiliza el panel resultante en todos los procesos habituales para gestionar campañas de rendimiento. En el futuro, planean crear una aplicación móvil y resolver el problema de la atribución entre dispositivos, así como evaluar el impacto de las campañas de medios en el análisis.