Comment configurer des analyses avancées pour un service de streaming de films en ligne

Un grand nombre d'études de cas sont écrites sur la façon de mettre en place des analyses avancées dans un projet de commerce électronique régulier avec un entonnoir AIDA. De nombreuses entreprises savent comment procéder et n'ont aucun problème à mettre en place l'entonnoir. Mais des difficultés surviennent lorsque vous avez un entonnoir de vente complexe et non évident, de nombreux types de conversion et des actions ciblées. Voyons comment rassembler toutes nos données dans un seul tableau de bord pour le cinéma en ligne ?

Au service de déménagement en ligne, nous avons deux types de transactions, et elles ne sont pas équivalentes comme les transactions le sont généralement dans le commerce électronique. Il existe des transactions de vidéo à la demande transactionnelle (TVOD) (location ou achat d'un film) pour lesquelles nous recevons immédiatement de l'argent, tandis que les transactions de vidéo à la demande par abonnement (SVOD) (abonnements et essais) impliquent des paiements récurrents réguliers.

Chaque mois, un utilisateur peut renouveler ou non son abonnement. Il est logique pour nous de nous concentrer sur la croissance de la valeur à vie du client (LTV) et non sur les transactions ponctuelles, et les mécanismes de travail avec LTV sont différents des mécanismes de travail avec d'autres mesures.

Pour contrôler les conversions, nous plaçons les essais dans un groupe séparé. En fait, les essais sont les mêmes que les abonnements, sauf qu'ils sont offerts gratuitement ou pour 1 rouble. Un essai peut être converti en abonnement payant à la fin de la période promotionnelle (7 ou 14 jours). Il est très important pour nous de surveiller ces conversions.

De plus, il existe également des achats et des locations - les utilisateurs peuvent acheter du contenu qui n'est pas disponible dans le cadre de l'abonnement principal, comme de nouveaux films, ou obtenir un accès temporaire au contenu pendant 48 heures.

Le service marketing vise à tripler le nombre d'utilisateurs payants avec un CAC maximum fixé. Cependant, un entonnoir de vente atypique et un grand nombre d'actions ciblées compliquent grandement à la fois la gestion et l'évaluation des campagnes publicitaires. Pour atteindre cet objectif, ils avaient besoin d'un outil qui nous permettrait d'évaluer objectivement les canaux publicitaires, en tenant compte de tous les types de transactions. Les analyses basées sur le stockage interne et leurs propres solutions n'étaient pas suffisantes.

Des questions ont également été posées sur la qualité des données analysées. Toutes les soumissions de formulaires d'abonnement n'étaient pas suivies sur le site Web et les données téléchargées à partir du CRM contenaient des clés pour faire correspondre les données dans un format différent de celui du site Web. Pour augmenter la proportion de données correspondantes et, par conséquent, la qualité des données, un outil de suivi était nécessaire pour montrer l'ampleur et la dynamique des écarts et permettre d'identifier les problèmes sur le site Web.

Pour obtenir un rapport sur tous les types de transactions et un outil de surveillance automatique de la qualité des données, la décision a été de configurer des analyses avancées basées sur Google BigQuery.

Pour collecter les données du site Web et des services publicitaires dans Google BigQuery, l'équipe a utilisé Google Analytics 360 et OWOX BI. Les analystes d'OWOX ont aidé à développer et à mettre en œuvre un système de métriques qui prend en compte les caractéristiques du modèle commercial du service de streaming de films en ligne, vérifie la qualité des données en ligne et les combine avec les données du système CRM car ils ont besoin de voir les utilisateurs payants dans les rapports et cela l'information est uniquement dans le CRM.

Comment combiner des données pour le tableau de bord :

1. Importez automatiquement les données de coût des services publicitaires dans Google Analytics et Google BigQuery à l'aide d'OWOX BI Pipeline.
2. Collectez les données de comportement des utilisateurs sur le site Web et transmettez-les à Google BigQuery à l'aide de Google Analytics 360.
3. Importez les données de vente du CRM vers BigQuery à l'aide d'une solution personnalisée.
4. Configurez un modèle d'attribution basé sur l'entonnoir basé sur les données à l'aide d'OWOX BI Attribution.
5. Dans Google BigQuery, combinez les données du site Web, les données des services publicitaires et les résultats des calculs d'attribution dans une seule vue.
6. Transférez les données de la vue BigQuery vers le tableau de bord Google Data Studio.

1. En conséquence, nous avons obtenu un entonnoir de vente. Nous voyons maintenant les conversions vers chaque cible pour chaque canal et pouvons tirer des conclusions sur l'efficacité de différents scénarios.

Par exemple, le rapport de performance avec des métriques globales permet de voir la contribution objective des sources, canaux et campagnes sur différents types de conversions (essais, essais activés, abonnements, achats, locations) :

Le tableau de bord propose de nombreuses options pour faciliter le travail des marketeurs. Par exemple, il existe des filtres pour analyser les données sur un film ou un produit particulier et suivre le statut d'un utilisateur. Par exemple, un utilisateur peut être en période d'essai et s'abonner après une campagne. Il existe de nombreux statuts similaires : ils permettent d'évaluer le fonctionnement des campagnes destinées à certains utilisateurs et les résultats sur des segments particuliers.

Par exemple, le graphique ci-dessous montre comment les achats du film Soul se transforment en locations après sa première lorsque la popularité commence à chuter après son apogée :

Il y a une page qui montre le taux de conversion des sessions en essais et des essais en abonnements. Avant de mettre en place des analyses avancées, il était difficile pour l'équipe de suivre ces informations.

Il existe également des pages distinctes pour les dépenses et tous les types de transactions sur lesquelles les spécialistes du marketing peuvent consulter des informations plus détaillées.

2. Il ne suffit pas de calculer des métriques et des scénarios lorsque vous souhaitez trouver des points de croissance dans les campagnes. Par conséquent, l'attribution basée sur l'entonnoir d'OWOX basée sur les données collectées dans BigQuery a été mise en place :

Et sur la base des données d'attribution, l'équipe a créé ce rapport :

Dans le rapport, vous pouvez afficher la valeur des canaux (nombre de conversions) pour tous les types de transactions (essais, essais activés, abonnements, données personnelles, locations, etc.). Toutes les mesures du rapport sur les performances sont comptées selon deux modèles d'attribution : le dernier clic non direct et l'attribution basée sur l'entonnoir ML d'OWOX BI.

Dans la capture d'écran, vous pouvez voir l'écart en pourcentage entre ces modèles d'attribution pour tous les types de conversion. Le rapport aide les spécialistes du marketing à retracer les canaux surestimés ou sous-estimés selon le modèle du dernier clic non direct et à allouer le budget publicitaire.

3. Une question juste est : Comment pouvons-nous contrôler la qualité des données provenant d'autant de sources et pour autant d'indicateurs ? L'équipe a construit un tableau de bord séparé qui montre la qualité de la correspondance des données pour prendre des décisions :

La correspondance est le processus de collecte de données de transaction à partir d'un site Web et de comparaison avec les données du CRM. En règle générale, les données CRM sont liées aux données en ligne par ID de transaction. Avant que le service ne commence à fonctionner avec OWOX, ils ne transféraient pas environ 60 % des identifiants de transaction. C'est-à-dire que la part de l'appariement était d'environ 40 %.

La confiance dans les données est importante. Si l'entrée pour l'analyse utilise des données de mauvaise qualité qui ne correspondent pas à l'image réelle, les résultats à la sortie peuvent difficilement être fiables.

Auparavant, l'équipe passait beaucoup de temps à vérifier les pourcentages de match. Maintenant, ils disposent d'un outil qui montre clairement quel pourcentage de transactions a été évalué. Ils peuvent voir à tout moment dans quelle mesure ils associent les données du CRM aux données en ligne et ne pas perdre de temps supplémentaire dessus. Si soudainement quelque chose tombe dans les données en ligne, cela est immédiatement visible.

En appliquant une logique de liaison de données supplémentaire (avec laquelle les collègues d'OWOX ont aidé), l'équipe a augmenté le taux d'appariement de 40 % à un niveau acceptable de 85 %. Et puisque ce rapport donne des retours sur les actions sur le front-end, à un moment donné ils ont pu corriger les principaux bugs du site et obtenir un ratio de matching de 90%.

4. Pendant qu'elle travaillait sur ce projet, l'équipe de service devait faire face à une autre tâche : contrôler les coûts de Google BigQuery .

La qualité des données n'est pas le seul objet important du contrôle quotidien. Le service de streaming de films en ligne permet à des dizaines d'employés de disposer de données. Et une mauvaise gestion des demandes peut augmenter de manière inattendue les dépenses de l'entreprise en matière de support analytique.

Pour garder la main sur le pouls, ils utilisent deux solutions :

1. Tableau de bord permettant de suivre la quantité de données (en Go) traitées par Google BigQuery, ainsi que le coût associé :

Ici, vous pouvez voir sous quel compte le plus de données ont été traitées et avertir un gestionnaire spécifique qui a dépassé la limite.

2. Chatbot avec des messages si le rapport n'est pas mis à jour ou dépasse les dépenses prévues sur Google BigQuery. Cela permet de planifier les coûts mensuels de traitement des données. Le même bot alerte immédiatement après la mise à jour des données de toutes les sources dans le rapport afin que l'équipe ne perde pas de temps sur les comparaisons et puisse immédiatement commencer à analyser les campagnes.

L'équipe utilise le tableau de bord résultant dans tous les processus réguliers pour gérer les campagnes de performance. À l'avenir, ils prévoient de créer une application mobile et de résoudre le problème d'attribution entre appareils, ainsi que d'évaluer l'impact des campagnes médiatiques dans l'analyse.