Как настроить расширенную аналитику для онлайн-сервиса потокового кино

Написано большое количество кейсов о том, как настроить расширенную аналитику в обычном e-commerce проекте с воронкой AIDA. Многие компании знают, как это сделать, и не имеют проблем с настройкой воронки. Но сложности возникают, когда у вас сложная и неочевидная воронка продаж, много типов конверсий и целевых действий. Давайте посмотрим, как мы можем собрать все наши данные в один дашборд для онлайн-кинотеатра?

В онлайн-службе переезда у нас есть два типа транзакций, и они не эквивалентны транзакциям, которые обычно бывают в электронной коммерции. Существуют транзакции транзакционного видео по запросу (TVOD) (аренда или покупка фильма), за которые мы сразу же получаем деньги, в то время как транзакции видео по запросу (SVOD) (подписки и пробные версии) предполагают регулярные повторяющиеся платежи.

Каждый месяц пользователь может продлевать или не продлевать свою подписку. Для нас логично сосредоточиться на росте жизненного цикла клиента (LTV), а не на разовых транзакциях, и механика работы с LTV отличается от механики работы с другими метриками.

Для контроля конверсий мы выделяем пробы в отдельную группу. По сути, пробные версии — это то же самое, что и подписки, только они предлагаются бесплатно или за 1 рубль. Пробная версия может быть преобразована в платную подписку в конце рекламного периода (7 или 14 дней). Для нас очень важно отслеживать такие конверсии.

Кроме того, есть еще покупки и прокаты — пользователи могут купить контент, недоступный в рамках основной подписки, например новые фильмы, или получить временный доступ к контенту на 48 часов.

Отдел маркетинга стремится утроить количество платящих пользователей с фиксированным максимальным CAC. Однако нетипичная воронка продаж и большое количество целевых действий сильно усложняют как управление, так и оценку рекламных кампаний. Для достижения этой цели им был нужен инструмент, который позволил бы объективно оценивать рекламные каналы с учетом всех типов транзакций. Аналитики, построенной на базе внутреннего хранилища и собственных решений, оказалось недостаточно.

Также были вопросы о качестве проанализированных данных. Не все отправленные формы подписки отслеживались на веб-сайте, а данные, загруженные из CRM, содержали ключи для сопоставления данных в формате, отличном от веб-сайта. Для увеличения доли совпадающих данных и, соответственно, качества данных был необходим инструмент мониторинга, который показывал бы масштаб и динамику отклонений и позволял выявлять проблемы на сайте.

Для получения отчета по всем типам транзакций и инструмента автоматического контроля качества данных было принято решение настроить расширенную аналитику на базе Google BigQuery.

Для сбора данных с сайта и рекламных сервисов в Google BigQuery команда использовала Google Analytics 360 и OWOX BI. Аналитики OWOX помогли разработать и внедрить систему метрик, учитывающую особенности бизнес-модели сервиса онлайн-кинотеатров, проверяющую качество онлайн-данных и объединяющую их с данными из CRM-системы, так как им нужно видеть платящих пользователей в отчетах и ​​это информация есть только в CRM.

Как объединить данные для дашборда:

1. Автоматически импортируйте данные о расходах из рекламных сервисов в Google Analytics и Google BigQuery с помощью OWOX BI Pipeline.
2. Собирать данные о поведении пользователей на сайте и передавать их в Google BigQuery с помощью Google Analytics 360.
3. Загружайте данные о продажах из CRM в BigQuery с помощью собственного решения.
4. Настройте модель атрибуции на основе данных, основанную на воронке, с помощью OWOX BI Attribution.
5. В Google BigQuery объединяйте данные сайта, данные рекламных сервисов и результаты расчетов атрибуции в одно представление.
6. Перенесите данные из представления BigQuery в панель управления Google Data Studio.

1. В итоге мы получили воронку продаж. Теперь мы видим конверсии по каждой цели для каждого канала и можем делать выводы об эффективности разных сценариев.

Например, отчет об эффективности с общими показателями помогает увидеть объективный вклад источников, каналов и кампаний в различные типы конверсий (пробные версии, активированные пробные версии, подписки, покупки, прокат):

В приборной панели есть множество опций, облегчающих работу маркетологам. Например, есть фильтры для анализа данных о конкретном фильме или продукте и отслеживания статуса пользователя. Например, пользователь может пройти пробную версию и подписаться после кампании. Подобных статусов много: они помогают оценить, как кампании, направленные на определенных пользователей и результаты, работают в определенных сегментах.

Например, на диаграмме ниже показано, как покупки фильма « Душа » перетекают в прокаты после его премьеры, когда популярность начинает падать с пика:

Существует страница, показывающая коэффициент конверсии сеансов в пробные версии и пробных версий в подписки. До настройки расширенной аналитики команде было сложно отслеживать эту информацию.

Также есть отдельные страницы для расходов и всех видов транзакций, на которых маркетологи могут посмотреть более подробную информацию.

2. Недостаточно просчитать метрики и сценарии, когда вы хотите найти точки роста в кампаниях. Поэтому была настроена воронкообразная атрибуция от OWOX на основе данных, собранных в BigQuery:

И на основе данных атрибуции команда создала этот отчет:

В отчете можно просмотреть значение каналов (количество конверсий) по всем типам транзакций (Пробные, Активированные пробные, Подписки, Данные по собственным, Прокат и т. д.). Все метрики в отчете об эффективности рассчитываются по двум моделям атрибуции: «По последнему непрямому клику» и «Атрибуция на основе воронки машинного обучения» от OWOX BI.

На скриншоте видно процентное отклонение между этими моделями атрибуции для всех типов конверсий. Отчет помогает маркетологам отслеживать переоцененные или недооцененные каналы по модели Last Non-Direct Click и распределять рекламный бюджет.

3. Справедливый вопрос: как мы можем контролировать качество данных из столь многих источников и по стольким показателям? Команда построила отдельную панель, которая показывает качество сопоставления данных для принятия решений:

Сопоставление — это процесс сбора данных о транзакциях с веб-сайта и сравнения их с данными в CRM. Как правило, данные CRM связаны с онлайн-данными по идентификатору транзакции. До того, как сервис начал работать с OWOX, они не передавали около 60% идентификаторов транзакций. То есть доля соответствия составила около 40%.

Доверие к данным важно. Если на входе для анализа используются данные низкого качества, не соответствующие реальной картине, то результатам на выходе вряд ли можно доверять.

Раньше команда тратила много времени на проверку процентных ставок. Теперь у них есть инструмент, который четко показывает, какой процент транзакций был оценен. Они могут в любой момент увидеть, насколько они сопоставляют данные из CRM с онлайн-данными, и не тратить на это дополнительное время. Если вдруг в онлайн данных что-то отвалится, это сразу видно.

Применив дополнительную логику связывания данных (с которой помогли коллеги из OWOX), команда повысила коэффициент соответствия с 40% до приемлемых 85%. А так как в этом отчете даются отзывы о действиях на фронтенде, в какой-то момент им удалось исправить основные баги на сайте и получить коэффициент соответствия 90%.

4. Во время работы над этим проектом перед командой сервиса встала еще одна задача: контроль расходов Google BigQuery .

Качество данных — не единственный важный объект ежедневного контроля. Онлайн-сервис потоковой передачи фильмов предоставляет данные десяткам сотрудников. А плохая обработка запросов может неожиданно увеличить расходы компании на поддержку аналитики.

Чтобы держать руку на пульсе, они используют два решения:

1. Панель инструментов для мониторинга объема данных (в ГБ), обработанных Google BigQuery, а также соответствующих затрат:

Здесь вы можете увидеть, под какой учетной записью было обработано больше всего данных, и предупредить конкретного менеджера, который превысил лимит.

2. Чат-бот с сообщениями, если отчет не обновляется или превышает запланированные расходы на Google BigQuery. Это помогает планировать ежемесячные затраты на обработку данных. Тот же бот оповещает сразу после обновления данных из всех источников в отчете, чтобы команда не тратила время на сравнения и могла сразу приступить к анализу кампаний.

Команда использует получившуюся информационную панель во всех обычных процессах для управления кампаниями повышения эффективности. В дальнейшем планируется создать мобильное приложение и решить проблему кросс-девайсной атрибуции, а также оценить влияние медийных кампаний при анализе.