Come configurare l'analisi avanzata per un servizio di streaming di film online

Viene scritto un gran numero di case study su come impostare l'analisi avanzata in un normale progetto di e-commerce con una canalizzazione AIDA. Molte aziende sanno come farlo e non hanno problemi a configurare la canalizzazione. Ma le difficoltà sorgono quando hai un imbuto di vendita complesso e non ovvio, molti tipi di conversione e azioni mirate. Vediamo come possiamo portare tutti i nostri dati in un'unica dashboard per il cinema online?

Al servizio di trasloco online, abbiamo due tipi di transazioni e non sono equivalenti in quanto le transazioni sono tipicamente nell'e-commerce. Esistono transazioni video on demand (TVOD) transazionali (noleggio o acquisto di un film) per le quali riceviamo immediatamente denaro, mentre le transazioni video on demand (SVOD) in abbonamento (abbonamenti e prove) comportano pagamenti ricorrenti regolari.

Ogni mese, un utente può rinnovare o meno il proprio abbonamento. È logico per noi concentrarci sulla crescita del valore della vita del cliente (LTV) e non sulle transazioni una tantum, e i meccanismi per lavorare con LTV sono diversi dai meccanismi per lavorare con altre metriche.

Per controllare le conversioni, posizioniamo le prove in un gruppo separato. In effetti, le prove sono le stesse degli abbonamenti, solo che sono offerte gratuitamente o per 1 rublo. Una prova può essere convertita in un abbonamento a pagamento al termine del periodo promozionale (7 o 14 giorni). Per noi è molto importante monitorare tali conversioni.

Inoltre, ci sono anche acquisti e noleggi: gli utenti possono acquistare contenuti che non sono disponibili come parte dell'abbonamento principale, come nuovi film, o ottenere un accesso temporaneo ai contenuti per 48 ore.

L'ufficio marketing mira a triplicare il numero di utenti paganti con un CAC massimo fisso. Tuttavia, un imbuto di vendita atipico e un gran numero di azioni mirate complicano notevolmente sia la gestione che la valutazione delle campagne pubblicitarie. Per raggiungere questo obiettivo, avevano bisogno di uno strumento che ci permettesse di valutare obiettivamente i canali pubblicitari, tenendo conto di tutti i tipi di transazioni. L'analisi basata sull'archiviazione interna e le proprie soluzioni non erano sufficienti.

Ci sono state anche domande sulla qualità dei dati analizzati. Non tutti gli invii di moduli di iscrizione sono stati tracciati sul sito Web e i dati scaricati dal CRM contenevano chiavi per la corrispondenza dei dati in un formato diverso dal sito Web. Per aumentare la percentuale di dati corrispondenti e, di conseguenza, la qualità dei dati, era necessario uno strumento di monitoraggio che mostrasse l'entità e la dinamica delle deviazioni e consentisse di identificare i problemi sul sito web.

Per ottenere un report su tutti i tipi di transazioni e uno strumento per il monitoraggio automatico della qualità dei dati, la decisione è stata quella di configurare l'analisi avanzata basata su Google BigQuery.

Per raccogliere dati dal sito Web e dai servizi pubblicitari in Google BigQuery, il team ha utilizzato Google Analytics 360 e OWOX BI. Gli analisti di OWOX hanno contribuito a sviluppare e implementare un sistema di metriche che considera le caratteristiche del modello di business del servizio di streaming di film online, controlla la qualità dei dati online e li combina con i dati del sistema CRM poiché hanno bisogno di vedere gli utenti paganti nei rapporti e questo le informazioni sono solo nel CRM.

Come combinare i dati per la dashboard:

1. Importa automaticamente i dati sui costi dai servizi pubblicitari in Google Analytics e Google BigQuery utilizzando OWOX BI Pipeline.
2. Raccogli i dati sul comportamento degli utenti sul sito Web e trasmettili a Google BigQuery utilizzando Google Analytics 360.
3. Carica i dati di vendita dal CRM a BigQuery utilizzando una soluzione personalizzata.
4. Imposta un modello di attribuzione basato sulla canalizzazione basata sui dati utilizzando OWOX BI Attribution.
5. In Google BigQuery, combina i dati del sito web, i dati dei servizi pubblicitari e i risultati dei calcoli di attribuzione in un'unica vista.
6. Trasferisci i dati dalla vista BigQuery alla dashboard di Google Data Studio.

1. Di conseguenza, abbiamo ottenuto un imbuto di vendita. Ora vediamo le conversioni per ogni target per ogni canale e possiamo trarre conclusioni sull'efficacia di diversi scenari.

Ad esempio, il rapporto sul rendimento con metriche complessive aiuta a vedere il contributo oggettivo di sorgenti, canali e campagne su diversi tipi di conversioni (prove, prove attivate, abbonamenti, acquisti, noleggi):

La dashboard ha molte opzioni per facilitare il lavoro degli esperti di marketing. Ad esempio, ci sono filtri per analizzare i dati su un particolare film o prodotto e tenere traccia dello stato di un utente. Ad esempio, un utente potrebbe essere in prova e iscriversi dopo una campagna. Esistono molti stati simili: aiutano a valutare come le campagne rivolte a determinati utenti e risultati funzionano in segmenti particolari.

Ad esempio, il grafico seguente mostra come gli acquisti del film Soul si trasformano in noleggi dopo la sua prima, quando la popolarità inizia a diminuire rispetto al suo picco:

C'è una pagina che mostra il tasso di conversione delle sessioni in prove e delle prove in abbonamenti. Prima di configurare l'analisi avanzata, era difficile per il team tenere traccia di queste informazioni.

Ci sono anche pagine separate per le spese e tutti i tipi di transazioni su cui gli esperti di marketing possono consultare informazioni più dettagliate.

2. Non è sufficiente calcolare metriche e scenari quando si vogliono trovare punti di crescita nelle campagne. Pertanto, è stata impostata l'attribuzione basata sulla canalizzazione da OWOX basata sui dati raccolti in BigQuery:

E sulla base dei dati di attribuzione, il team ha creato questo rapporto:

Nel report è possibile visualizzare il valore dei canali (numero di conversioni) per tutti i tipi di transazioni (prove, prove attivate, abbonamenti, dati per proprio, noleggi, ecc.). Tutte le metriche nel rapporto sul rendimento vengono conteggiate in base a due modelli di attribuzione: ultimo clic non diretto e attribuzione basata sulla canalizzazione ML da OWOX BI.

Nello screenshot puoi vedere la deviazione percentuale tra questi modelli di attribuzione per tutti i tipi di conversione. Il report aiuta gli esperti di marketing a tracciare i canali sovrastimati o sottovalutati in base al modello Ultimo clic non diretto e ad allocare il budget pubblicitario.

3. Una domanda giusta è come possiamo controllare la qualità dei dati da così tante fonti e per così tante metriche? Il team ha creato una dashboard separata che mostra la qualità della corrispondenza dei dati per prendere decisioni:

La corrispondenza è il processo di raccolta dei dati delle transazioni da un sito Web e di confronto con i dati nel CRM. In genere, i dati CRM sono collegati ai dati online tramite ID transazione. Prima che il servizio iniziasse a funzionare con OWOX, non trasferivano circa il 60% degli ID transazione. Cioè, la quota di corrispondenza era di circa il 40%.

La fiducia nei dati è importante. Se l'input per l'analisi utilizza dati di scarsa qualità che non concordano con l'immagine reale, difficilmente ci si può fidare dei risultati in uscita.

In precedenza, la squadra passava molto tempo a controllare le percentuali delle partite. Ora hanno uno strumento che mostra chiaramente quale percentuale di transazioni è stata valutata. Possono vedere in qualsiasi momento quanto stanno abbinando i dati dal CRM con i dati online e non perdere altro tempo su di esso. Se improvvisamente qualcosa cade nei dati online, è immediatamente visibile.

Applicando un'ulteriore logica di collegamento dei dati (a cui hanno contribuito i colleghi di OWOX), il team ha aumentato il rapporto di corrispondenza dal 40% a un accettabile 85%. E poiché questo rapporto fornisce feedback sulle azioni sul front-end, a un certo punto sono stati in grado di correggere i bug principali sul sito Web e ottenere un rapporto di corrispondenza del 90%.

4. Mentre lavorava a questo progetto, il team di assistenza ha dovuto affrontare un altro compito: controllare i costi di Google BigQuery .

La qualità dei dati non è l'unico oggetto importante del controllo quotidiano. Il servizio di streaming di film online fornisce dati a dozzine di dipendenti. E una cattiva gestione delle richieste può aumentare inaspettatamente la spesa dell'azienda per il supporto dell'analisi.

Per tenere la nostra mano sul polso, usano due soluzioni:

1. Dashboard per il monitoraggio della quantità di dati (in GB) elaborati da Google BigQuery, insieme al relativo costo:

Qui puoi vedere sotto quale account è stata elaborata la maggior parte dei dati e avvisare un gestore specifico che ha superato il limite.

2. Chatbot con messaggi se il rapporto non è aggiornato o supera le spese pianificate su Google BigQuery. Questo aiuta a pianificare i costi mensili di elaborazione dei dati. Lo stesso bot avvisa immediatamente dopo aver aggiornato i dati da tutte le fonti nel rapporto in modo che il team non perda tempo in confronti e possa iniziare immediatamente ad analizzare le campagne.

Il team utilizza il dashboard risultante in tutti i normali processi per gestire le campagne di performance. In futuro, hanno in programma di creare un'applicazione mobile e risolvere il problema dell'attribuzione cross-device, nonché di valutare l'impatto delle campagne sui media nell'analisi.