Como configurar análises avançadas para um serviço de streaming de filmes online

Um grande número de estudos de caso foi escrito sobre como configurar análises avançadas em um projeto regular de comércio eletrônico com um funil AIDA. Muitas empresas sabem como fazer isso e não têm problemas para montar o funil. Mas surgem dificuldades quando você tem um funil de vendas complexo e nada óbvio, muitos tipos de conversão e ações direcionadas. Vamos ver como podemos reunir todos os nossos dados em um painel para cinema online?

No serviço de mudanças online, temos dois tipos de transações, e elas não são equivalentes às transações que normalmente ocorrem no e-commerce. Existem transações de vídeo sob demanda transacional (TVOD) (aluguel ou compra de um filme) pelas quais recebemos dinheiro imediatamente, enquanto as transações de vídeo sob demanda por assinatura (SVOD) (assinaturas e testes) envolvem pagamentos recorrentes regulares.

A cada mês, um usuário pode renovar ou não sua assinatura. É lógico que nos concentremos no crescimento do valor vitalício do cliente (LTV) e não em transações únicas, e a mecânica de trabalhar com LTV é diferente da mecânica de trabalhar com outras métricas.

Para controlar as conversões, colocamos as tentativas em um grupo separado. Na verdade, os testes são iguais às assinaturas, só que são oferecidos gratuitamente ou por 1 rublo. Uma avaliação pode ser convertida em uma assinatura paga no final do período promocional (7 ou 14 dias). É muito importante para nós monitorar essas conversões.

Além disso, também há compras e aluguéis - os usuários podem comprar conteúdo que não está disponível na assinatura principal, como novos filmes, ou obter acesso temporário ao conteúdo por 48 horas.

O departamento de marketing pretende triplicar o número de usuários pagantes com um CAC máximo fixo. No entanto, um funil de vendas atípico e um grande número de ações direcionadas complicam muito o gerenciamento e a avaliação de campanhas publicitárias. Para atingir esse objetivo, eles precisavam de uma ferramenta que permitisse avaliar objetivamente os canais de publicidade, levando em consideração todos os tipos de transações. As análises construídas com base no armazenamento interno e suas próprias soluções não eram suficientes.

Também houve questionamentos sobre a qualidade dos dados analisados. Nem todos os envios de formulários de inscrição foram rastreados no site, e os dados baixados do CRM continham chaves para correspondência de dados em um formato diferente do site. Para aumentar a proporção de dados correspondentes e, consequentemente, a qualidade dos dados, era necessária uma ferramenta de monitoramento que mostrasse a escala e a dinâmica dos desvios e permitisse identificar problemas no site.

Para obter um relatório de todos os tipos de transações e uma ferramenta para monitorar automaticamente a qualidade dos dados, a decisão foi configurar análises avançadas com base no Google BigQuery.

Para coletar dados do site e serviços de publicidade no Google BigQuery, a equipe utilizou o Google Analytics 360 e o OWOX BI. Os analistas da OWOX ajudaram a desenvolver e implementar um sistema de métricas que considera as características do modelo de negócios do serviço de streaming de filmes on-line, verifica a qualidade dos dados on-line e os combina com os dados do sistema de CRM, pois precisam ver os usuários pagantes nos relatórios e isso as informações estão apenas no CRM.

Como combinar dados para o painel:

1. Importe automaticamente dados de custo de serviços de publicidade para o Google Analytics e o Google BigQuery usando o OWOX BI Pipeline.
2. Colete dados de comportamento do usuário no site e transmita-os ao Google BigQuery usando o Google Analytics 360.
3. Faça upload dos dados de vendas do CRM para o BigQuery usando uma solução personalizada.
4. Configure um modelo de atribuição baseado em funil orientado a dados usando o OWOX BI Attribution.
5. No Google BigQuery, combine dados de sites, dados de serviços de publicidade e resultados de cálculos de atribuição em uma única visualização.
6. Transfira dados da visualização do BigQuery para o painel do Google Data Studio.

1. Como resultado, obtivemos um funil de vendas. Agora vemos conversões para cada destino de cada canal e podemos tirar conclusões sobre a eficácia de diferentes cenários.

Por exemplo, o relatório de desempenho com métricas gerais ajuda a ver a contribuição objetiva de fontes, canais e campanhas em diferentes tipos de conversão (testes, testes ativados, assinaturas, compras, aluguéis):

O painel tem muitas opções para facilitar o trabalho dos profissionais de marketing. Por exemplo, existem filtros para analisar os dados de um determinado filme ou produto e rastrear o status de um usuário. Por exemplo, um usuário pode estar em teste e se inscrever após uma campanha. Existem muitos status semelhantes: eles ajudam a avaliar como as campanhas voltadas para determinados usuários e resultados funcionam em determinados segmentos.

Por exemplo, o gráfico abaixo mostra como as compras do filme Soul fluem para os aluguéis após sua estreia, quando a popularidade começa a cair de seu pico:

Existe uma página que mostra a taxa de conversão de sessões para testes e testes para assinaturas. Antes de configurar análises avançadas, era difícil para a equipe rastrear essas informações.

Há também páginas separadas para despesas e todos os tipos de transações nas quais os profissionais de marketing podem consultar informações mais detalhadas.

2. Não basta calcular métricas e cenários quando se quer encontrar pontos de crescimento em campanhas. Portanto, a atribuição baseada em funil do OWOX com base nos dados coletados no BigQuery foi configurada:

E com base nos dados de atribuição, a equipe criou este relatório:

No relatório, você pode visualizar o valor dos canais (número de conversões) para todos os tipos de transações (Testes, Testes Ativados, Assinaturas, Dados Próprios, Aluguéis, etc.). Todas as métricas no relatório de desempenho são contadas de acordo com dois modelos de atribuição: Last Non-Direct Click e ML Funnel Based Attribution from OWOX BI.

Na captura de tela, você pode ver o desvio percentual entre esses modelos de atribuição para todos os tipos de conversão. O relatório ajuda os profissionais de marketing a rastrear canais superestimados ou subestimados de acordo com o modelo Last Non-Direct Click e alocar o orçamento de publicidade.

3. Uma pergunta justa é: Como podemos controlar a qualidade dos dados de tantas fontes e para tantas métricas? A equipe construiu um painel separado que mostra a qualidade da correspondência de dados para tomar decisões:

Matching é o processo de coletar dados de transações de um site e compará-los com os dados do CRM. Normalmente, os dados do CRM são vinculados aos dados online pelo ID da transação. Antes de o serviço começar a trabalhar com OWOX, eles não transferiam cerca de 60% dos IDs de transação. Ou seja, a parcela de correspondência foi de cerca de 40%.

A confiança nos dados é importante. Se a entrada para análise usa dados de baixa qualidade que não concordam com a imagem real, os resultados na saída dificilmente são confiáveis.

Anteriormente, a equipe passava muito tempo verificando as porcentagens das partidas. Agora eles têm uma ferramenta que mostra claramente qual a porcentagem de transações avaliadas. Eles podem ver a qualquer momento o quanto estão combinando os dados do CRM com os dados online e não perder mais tempo com isso. Se de repente algo cair nos dados online, fica imediatamente visível.

Ao aplicar a lógica adicional de vinculação de dados (na qual os colegas da OWOX ajudaram), a equipe aumentou a proporção de correspondência de 40% para 85% aceitáveis. E como este relatório fornece feedback sobre as ações no front-end, em algum momento eles conseguiram corrigir os principais bugs do site e obter uma proporção de correspondência de 90%.

4. Enquanto trabalhava neste projeto, a equipe de serviço enfrentou outra tarefa: controlar os custos do Google BigQuery .

A qualidade dos dados não é o único objeto importante do controle diário. O serviço de streaming de filmes on-line capacita dezenas de funcionários com dados. E o tratamento inadequado de solicitações pode aumentar inesperadamente os gastos da empresa com suporte analítico.

Para manter nossa mão no pulso, eles usam duas soluções:

1. Dashboard para monitoramento da quantidade de dados (em GB) processados ​​pelo Google BigQuery, juntamente com o custo associado:

Aqui você pode ver em qual conta a maioria dos dados foi processada e avisar um gerente específico que excedeu o limite.

2. Chatbot com mensagens caso o relatório não esteja atualizado ou exceda as despesas planejadas no Google BigQuery. Isso ajuda a planejar os custos mensais de processamento de dados. O mesmo bot alerta imediatamente após a atualização dos dados de todas as fontes no relatório para que a equipe não perca tempo com comparações e possa começar imediatamente a analisar as campanhas.

A equipe usa o painel resultante em todos os processos regulares para gerenciar campanhas de desempenho. No futuro, eles planejam criar um aplicativo móvel e resolver o problema de atribuição entre dispositivos, bem como avaliar o impacto das campanhas de mídia na análise.