Jak skonfigurować zaawansowaną analitykę dla usługi strumieniowego przesyłania filmów online

Napisano wiele studiów przypadków o tym, jak skonfigurować zaawansowaną analitykę w zwykłym projekcie e-commerce z lejkiem AIDA. Wiele firm wie, jak to zrobić i nie ma problemów z konfiguracją lejka. Ale trudności pojawiają się, gdy masz złożony i nieoczywisty lejek sprzedażowy, wiele typów konwersji i ukierunkowane działania. Zobaczmy, jak możemy przenieść wszystkie nasze dane do jednego pulpitu nawigacyjnego dla kina online?

W usłudze przeprowadzek online mamy dwa rodzaje transakcji i nie są one równoważne, jak to zwykle bywa w handlu elektronicznym. Istnieją transakcyjne transakcje wideo na żądanie (TVOD) (wypożyczenie lub zakup filmu), za które od razu otrzymujemy pieniądze, natomiast transakcje abonamentowe wideo na żądanie (SVOD) (subskrypcje i okresy próbne) wiążą się z regularnymi, cyklicznymi płatnościami.

Każdego miesiąca użytkownik może odnowić lub nie odnawiać swojej subskrypcji. Logiczne jest dla nas skupienie się na wzroście wartości klienta w czasie (LTV), a nie na jednorazowych transakcjach, a mechanika pracy z LTV różni się od mechaniki pracy z innymi metrykami.

Aby kontrolować konwersje, umieszczamy próby w osobnej grupie. W rzeczywistości wersje próbne są takie same jak subskrypcje, tyle że są oferowane za darmo lub za 1 rubel. Okres próbny można zamienić na płatną subskrypcję po zakończeniu okresu promocyjnego (7 lub 14 dni). Monitorowanie takich konwersji jest dla nas bardzo ważne.

Do tego dochodzą zakupy i wypożyczenia — użytkownicy mogą kupować treści, które nie są dostępne w ramach głównego abonamentu, takie jak nowe filmy, lub uzyskać tymczasowy dostęp do treści na 48 godzin.

Dział marketingu ma na celu potrojenie liczby płacących użytkowników z ustalonym maksymalnym CAC. Jednak nietypowy lejek sprzedażowy i duża liczba ukierunkowanych działań znacznie komplikuje zarówno zarządzanie, jak i ocenę kampanii reklamowych. Aby osiągnąć ten cel, potrzebowali narzędzia, które pozwoliłoby nam obiektywnie ocenić kanały reklamowe, biorąc pod uwagę wszystkie rodzaje transakcji. Analityka zbudowana w oparciu o pamięć wewnętrzną i własne rozwiązania nie były wystarczające.

Pojawiły się również pytania o jakość analizowanych danych. Nie wszystkie przesłane formularze subskrypcji były śledzone w serwisie, a dane pobrane z CRM zawierały klucze do dopasowania danych w formacie innym niż serwis. Aby zwiększyć odsetek pasujących danych, a co za tym idzie jakość danych, potrzebne było narzędzie monitoringu, które pokazywałoby skalę i dynamikę odchyleń oraz pozwalało identyfikować problemy na stronie.

Aby otrzymać raport o wszystkich typach transakcji oraz narzędzie do automatycznego monitorowania jakości danych, zdecydowano o skonfigurowaniu zaawansowanej analityki w oparciu o Google BigQuery.

Do zbierania danych z serwisu i usług reklamowych w Google BigQuery zespół wykorzystał Google Analytics 360 i OWOX BI. Analitycy OWOX pomogli w opracowaniu i wdrożeniu systemu metryk, który uwzględnia cechy modelu biznesowego usługi streamingu filmów online, sprawdza jakość danych online i łączy je z danymi z systemu CRM, ponieważ muszą zobaczyć płacących użytkowników w raportach i to informacje są tylko w CRM.

Jak połączyć dane dla dashboardu:

1. Automatycznie importuj dane o kosztach z usług reklamowych do Google Analytics i Google BigQuery za pomocą OWOX BI Pipeline.
2. Zbieraj dane o zachowaniu użytkowników na stronie i przesyłaj je do Google BigQuery za pomocą Google Analytics 360.
3. Przesyłaj dane dotyczące sprzedaży z CRM do BigQuery za pomocą niestandardowego rozwiązania.
4. Skonfiguruj oparty na danych model atrybucji oparty na lejkach za pomocą OWOX BI Attribution.
5. W Google BigQuery połącz dane witryny, dane usług reklamowych i wyniki obliczeń atrybucji w jednym widoku.
6. Przenieś dane z widoku BigQuery do panelu Studia danych Google.

1. W rezultacie otrzymaliśmy lejek sprzedażowy. Widzimy teraz konwersje do każdego celu dla każdego kanału i możemy wyciągnąć wnioski na temat skuteczności różnych scenariuszy.

Na przykład raport skuteczności z ogólnymi danymi pomaga zobaczyć obiektywny wkład źródeł, kanałów i kampanii w różne typy konwersji (próby, aktywowane wersje próbne, subskrypcje, zakupy, wypożyczenia):

Dashboard posiada wiele opcji ułatwiających pracę marketerom. Na przykład istnieją filtry do analizy danych dotyczących konkretnego filmu lub produktu i śledzenia statusu użytkownika. Na przykład użytkownik może korzystać z okresu próbnego i subskrybować po zakończeniu kampanii. Podobnych statusów jest wiele: pomagają ocenić, jak kampanie kierowane do określonych użytkowników i wyniki sprawdzają się w poszczególnych segmentach.

Na przykład poniższy wykres pokazuje, jak zakupy filmu Soul wpływają na wypożyczenia po jego premierze, kiedy popularność zaczyna spadać ze szczytu:

Istnieje strona, która pokazuje współczynnik konwersji sesji na wersje próbne i wersje próbne na subskrypcje. Przed skonfigurowaniem zaawansowanych analiz zespół miał trudności ze śledzeniem tych informacji.

Istnieją również osobne strony dotyczące wydatków i wszelkiego rodzaju transakcji, na których marketerzy mogą przeglądać bardziej szczegółowe informacje.

2. Nie wystarczy kalkulacja metryk i scenariuszy, jeśli chcesz znaleźć punkty wzrostu w kampaniach. Dlatego powstała atrybucja oparta na lejku od OWOX na podstawie danych zebranych w BigQuery:

Na podstawie danych atrybucji zespół stworzył ten raport:

W raporcie możesz zobaczyć wartość kanałów (ilość konwersji) dla wszystkich typów transakcji (Trials, Aktywowane Triale, Subskrypcje, Dane na Własne, Wypożyczenia itp.). Wszystkie metryki w raporcie wydajności są liczone według dwóch modeli atrybucji: Ostatnie kliknięcie niebezpośrednie oraz Atrybucja oparta na lejku ML z OWOX BI.

Na zrzucie ekranu widać procentowe odchylenie między tymi modelami atrybucji dla wszystkich typów konwersji. Raport pomaga marketerom śledzić przeszacowane lub niedoszacowane kanały zgodnie z modelem Last Non-Direct Click i alokować budżet reklamowy.

3. Uczciwe pytanie brzmi: Jak możemy kontrolować jakość danych z tak wielu źródeł i dla tak wielu metryk? Zespół zbudował osobny pulpit nawigacyjny, który pokazuje jakość dopasowywania danych w celu podejmowania decyzji:

Matching to proces zbierania danych transakcyjnych ze strony internetowej i porównywania ich z danymi w CRM. Zazwyczaj dane CRM są łączone z danymi online za pomocą identyfikatora transakcji. Zanim serwis zaczął współpracować z OWOX, nie przekazywał około 60% identyfikatorów transakcji. Oznacza to, że udział dopasowania wyniósł około 40%.

Zaufanie do danych jest ważne. Jeśli dane wejściowe do analizy wykorzystują dane niskiej jakości, które nie zgadzają się z rzeczywistym obrazem, trudno jest ufać wynikom wyjściowym.

Wcześniej zespół spędzał dużo czasu na sprawdzaniu procentów dopasowania. Teraz mają narzędzie, które jasno pokazuje, jaki procent transakcji został oceniony. W każdej chwili mogą zobaczyć, jak bardzo dopasowują dane z CRM do danych online i nie marnować na to dodatkowego czasu. Jeśli nagle coś wypadnie z danych online, jest to natychmiast widoczne.

Stosując dodatkową logikę łączenia danych (w której pomagali koledzy z OWOX), zespół podniósł współczynnik dopasowania z 40% do akceptowalnych 85%. A ponieważ ten raport zawiera informacje zwrotne na temat działań na froncie, w pewnym momencie udało im się naprawić główne błędy na stronie i uzyskać współczynnik dopasowania na poziomie 90%.

4. Podczas pracy nad tym projektem zespół serwisowy stanął przed kolejnym zadaniem: kontrolowaniem kosztów Google BigQuery .

Jakość danych nie jest jedynym ważnym przedmiotem codziennej kontroli. Usługa strumieniowego przesyłania filmów online zapewnia dziesiątkom pracowników dostęp do danych. A zła obsługa zgłoszeń może nieoczekiwanie zwiększyć wydatki firmy na wsparcie analityczne.

Aby trzymać rękę na pulsie, stosują dwa rozwiązania:

1. Pulpit do monitorowania ilości danych (w GB) przetwarzanych przez Google BigQuery wraz z kosztami z tym związanymi:

Tutaj możesz zobaczyć, w ramach którego konta przetworzono najwięcej danych i ostrzec konkretnego menedżera, który przekroczył limit.

2. Chatbot z komunikatami, jeśli raport nie jest aktualizowany lub przekracza planowane wydatki na Google BigQuery. Pomaga to zaplanować miesięczne koszty przetwarzania danych. Ten sam bot alarmuje natychmiast po aktualizacji danych ze wszystkich źródeł w raporcie, dzięki czemu zespół nie traci czasu na porównania i może od razu przystąpić do analizy kampanii.

Zespół używa wynikowego pulpitu nawigacyjnego we wszystkich zwykłych procesach do zarządzania kampaniami efektywnościowymi. W przyszłości planują stworzyć aplikację mobilną i rozwiązać problem cross-device atribution, a także ocenić wpływ kampanii medialnych w analizie.