วิธีตั้งค่าการวิเคราะห์ขั้นสูงสำหรับบริการสตรีมภาพยนตร์ออนไลน์

มีการเขียนกรณีศึกษาจำนวนมากเกี่ยวกับวิธีตั้งค่าการวิเคราะห์ขั้นสูงในโครงการอีคอมเมิร์ซทั่วไปด้วยช่องทาง AIDA ธุรกิจจำนวนมากทราบวิธีการทำเช่นนี้และไม่มีปัญหาในการตั้งค่าช่องทาง แต่ความยุ่งยากเกิดขึ้นเมื่อคุณมีกระบวนการขายที่ซับซ้อนและไม่ชัดเจน มีประเภท Conversion มากมาย และการกระทำที่ตรงเป้าหมาย มาดูกันว่าเราจะนำข้อมูลทั้งหมดของเรามาไว้ในแดชบอร์ดเดียวสำหรับโรงหนังออนไลน์ได้อย่างไร?

ที่บริการขนย้ายออนไลน์ เรามีธุรกรรมสองประเภท ซึ่งไม่เทียบเท่ากัน เนื่องจากโดยทั่วไปแล้วธุรกรรมจะเป็นในอีคอมเมิร์ซ มีธุรกรรมวิดีโอออนดีมานด์ (TVOD) (การเช่าหรือซื้อภาพยนตร์) ที่เราได้รับเงินทันที ในขณะที่ธุรกรรมการสมัครสมาชิกวิดีโอออนดีมานด์ (SVOD) (การสมัครสมาชิกและการทดลองใช้) เกี่ยวข้องกับการชำระเงินที่เกิดขึ้นประจำ

ในแต่ละเดือน ผู้ใช้สามารถต่ออายุหรือไม่ต่ออายุการสมัครได้ มีเหตุผลสำหรับเราที่จะมุ่งเน้นไปที่การเติบโตของมูลค่าตลอดอายุการใช้งานของลูกค้า (LTV) ไม่ใช่การทำธุรกรรมเพียงครั้งเดียว และกลไกการทำงานกับ LTV นั้นแตกต่างจากกลไกการทำงานกับตัวชี้วัดอื่นๆ

เพื่อควบคุมคอนเวอร์ชั่น เราจัดการทดลองในกลุ่มแยกต่างหาก อันที่จริง การทดลองใช้งานก็เหมือนกับการสมัครรับข้อมูล เพียงแต่เสนอให้ฟรีหรือ 1 รูเบิลเท่านั้น การทดลองใช้สามารถแปลงเป็นการสมัครสมาชิกแบบชำระเงินเมื่อสิ้นสุดระยะเวลาโปรโมชัน (7 หรือ 14 วัน) การตรวจสอบการแปลงดังกล่าวเป็นสิ่งสำคัญมากสำหรับเรา

นอกจากนี้ยังมีการซื้อและเช่าด้วย — ผู้ใช้สามารถซื้อเนื้อหาที่ไม่มีให้เป็นส่วนหนึ่งของการสมัครสมาชิกหลัก เช่น ภาพยนตร์ใหม่ หรือรับสิทธิ์เข้าถึงเนื้อหาชั่วคราวเป็นเวลา 48 ชั่วโมง

ฝ่ายการตลาดตั้งเป้าเพิ่มจำนวนผู้ใช้ที่ชำระเงินเป็นสามเท่าด้วย CAC สูงสุดคงที่ อย่างไรก็ตาม ช่องทางการขายที่ผิดปกติและการดำเนินการที่กำหนดเป้าหมายจำนวนมากทำให้ทั้งการจัดการและการประเมินแคมเปญโฆษณาซับซ้อนอย่างมาก เพื่อให้บรรลุเป้าหมายนี้ พวกเขาต้องการเครื่องมือที่ช่วยให้เราสามารถประเมินช่องทางการโฆษณาได้อย่างเป็นกลาง โดยคำนึงถึงธุรกรรมทุกประเภท การวิเคราะห์ที่สร้างขึ้นจากที่เก็บข้อมูลภายในและโซลูชันของตัวเองนั้นไม่เพียงพอ

นอกจากนี้ยังมีคำถามเกี่ยวกับคุณภาพของข้อมูลที่วิเคราะห์ การส่งแบบฟอร์มการสมัครสมาชิกบางส่วนไม่ได้ถูกติดตามบนเว็บไซต์ และข้อมูลที่ดาวน์โหลดจาก CRM จะมีคีย์สำหรับจับคู่ข้อมูลในรูปแบบที่แตกต่างจากเว็บไซต์ เพื่อเพิ่มสัดส่วนของข้อมูลที่ตรงกันและตามคุณภาพของข้อมูล จึงจำเป็นต้องมีเครื่องมือตรวจสอบที่จะแสดงขนาดและไดนามิกของการเบี่ยงเบน และอนุญาตให้ระบุปัญหาบนเว็บไซต์

หากต้องการรับรายงานธุรกรรมทุกประเภทและเครื่องมือสำหรับตรวจสอบคุณภาพข้อมูลโดยอัตโนมัติ การตัดสินใจคือการกำหนดค่าการวิเคราะห์ขั้นสูงตาม Google BigQuery

ในการรวบรวมข้อมูลจากเว็บไซต์และบริการโฆษณาใน Google BigQuery ทีมงานใช้ Google Analytics 360 และ OWOX BI นักวิเคราะห์ของ OWOX ช่วยในการพัฒนาและนำระบบเมตริกมาใช้ซึ่งพิจารณาคุณลักษณะของรูปแบบธุรกิจของบริการสตรีมภาพยนตร์ออนไลน์ ตรวจสอบคุณภาพของข้อมูลออนไลน์ และรวมเข้ากับข้อมูลจากระบบ CRM เนื่องจากพวกเขาต้องการเห็นผู้ใช้ที่จ่ายเงินในรายงาน และสิ่งนี้ ข้อมูลอยู่ใน CRM เท่านั้น

วิธีรวมข้อมูลสำหรับแดชบอร์ด:

1. นำเข้าข้อมูลค่าใช้จ่ายจากบริการโฆษณาไปยัง Google Analytics และ Google BigQuery โดยอัตโนมัติโดยใช้ OWOX BI Pipeline
2. รวบรวมข้อมูลพฤติกรรมของผู้ใช้บนเว็บไซต์และส่งไปยัง Google BigQuery โดยใช้ Google Analytics 360
3. อัปโหลดข้อมูลการขายจาก CRM ไปยัง BigQuery โดยใช้โซลูชันที่กำหนดเอง
4. ตั้งค่ารูปแบบการระบุแหล่งที่มาตามช่องทางที่ขับเคลื่อนด้วยข้อมูลโดยใช้ OWOX BI Attribution
5. ใน Google BigQuery รวมข้อมูลเว็บไซต์ ข้อมูลบริการโฆษณา และผลลัพธ์ของการคำนวณการระบุแหล่งที่มาไว้ในข้อมูลพร็อพเพอร์ตี้เดียว
6. โอนข้อมูลจากมุมมอง BigQuery ไปยังแดชบอร์ด Google Data Studio

1. เป็นผลให้เรามีช่องทางการขาย ขณะนี้เราเห็นการแปลงไปยังเป้าหมายแต่ละรายการสำหรับแต่ละช่องทาง และสามารถสรุปผลเกี่ยวกับประสิทธิภาพของสถานการณ์ต่างๆ ได้

ตัวอย่างเช่น รายงานประสิทธิภาพพร้อมเมตริกโดยรวมช่วยให้เห็นการมีส่วนร่วมตามวัตถุประสงค์ของแหล่งที่มา ช่องทาง และแคมเปญเกี่ยวกับ Conversion ประเภทต่างๆ (การทดลองใช้งาน การทดลองใช้งาน การสมัครรับข้อมูล การซื้อ การเช่า):

แดชบอร์ดมีตัวเลือกมากมายเพื่อทำให้งานของนักการตลาดง่ายขึ้น ตัวอย่างเช่น มีตัวกรองเพื่อวิเคราะห์ข้อมูลเกี่ยวกับภาพยนตร์หรือผลิตภัณฑ์เฉพาะและติดตามสถานะของผู้ใช้ ตัวอย่างเช่น ผู้ใช้สามารถทดลองใช้งานและสมัครสมาชิกหลังจากจบแคมเปญ มีสถานะหลายอย่างที่คล้ายกัน: สถานะเหล่านี้ช่วยประเมินว่าแคมเปญมุ่งเป้าไปที่ผู้ใช้บางรายและผลลัพธ์ออกมาเป็นอย่างไรในแต่ละกลุ่ม

ตัวอย่างเช่น แผนภูมิด้านล่างแสดงให้เห็นว่าการซื้อภาพยนตร์เรื่อง Soul ไหลไปสู่การเช่าอย่างไรหลังจากออกฉายรอบปฐมทัศน์เมื่อความนิยมเริ่มลดลงจากจุดสูงสุด:

มีหน้าที่แสดงอัตราการแปลงเซสชันเป็นรุ่นทดลองและรุ่นทดลองเป็นการสมัครรับข้อมูล ก่อนตั้งค่าการวิเคราะห์ขั้นสูง ทีมติดตามข้อมูลนี้ได้ยาก

นอกจากนี้ยังมีหน้าแยกต่างหากสำหรับค่าใช้จ่ายและธุรกรรมทุกประเภท ซึ่งนักการตลาดสามารถดูรายละเอียดเพิ่มเติมได้

2. การคำนวณเมตริกและสถานการณ์สมมติเมื่อคุณ ต้องการหาจุดเติบโตในแคมเปญนั้นไม่เพียงพอ ดังนั้น การระบุแหล่งที่มาตามช่องทางจาก OWOX ตามข้อมูลที่รวบรวมใน BigQuery จึงได้รับการตั้งค่า:

และจากข้อมูลการระบุแหล่งที่มา ทีมงานได้สร้างรายงานนี้:

ในรายงาน คุณสามารถดูมูลค่าของช่อง (จำนวนการแปลง) สำหรับธุรกรรมทุกประเภท (การทดลองใช้งาน การทดลองใช้งานที่เปิดใช้งาน การสมัครรับข้อมูล ข้อมูลสำหรับเจ้าของเอง การเช่า ฯลฯ) เมตริกทั้งหมดในรายงานประสิทธิภาพจะถูกนับตามรูปแบบการระบุแหล่งที่มา 2 แบบ ได้แก่ การคลิกที่ไม่ใช่โดยตรงครั้งสุดท้ายและการระบุแหล่งที่มาตามช่องทาง ML จาก OWOX BI

ในภาพหน้าจอ คุณจะเห็นเปอร์เซ็นต์ความเบี่ยงเบนระหว่างรูปแบบการระบุแหล่งที่มาเหล่านี้สำหรับ Conversion ทุกประเภท รายงานนี้ช่วยให้นักการตลาดติดตามช่องทางที่ประเมินสูงเกินไปหรือประเมินต่ำเกินไปตามโมเดล Last Non-Direct Click และจัดสรรงบประมาณการโฆษณา

3. คำถามที่สมเหตุสมผลคือ เราจะควบคุมคุณภาพของข้อมูล จากแหล่งข้อมูลจำนวนมากและเมตริกมากมายได้อย่างไร ทีมงานได้สร้างแดชบอร์ดแยกต่างหากที่แสดงคุณภาพของการจับคู่ข้อมูลเพื่อทำการตัดสินใจ:

การจับคู่คือกระบวนการรวบรวมข้อมูลธุรกรรมจากเว็บไซต์และเปรียบเทียบกับข้อมูลใน CRM โดยทั่วไป ข้อมูล CRM จะเชื่อมโยงกับข้อมูลออนไลน์ตามรหัสธุรกรรม ก่อนที่บริการจะเริ่มทำงานกับ OWOX พวกเขาไม่ได้โอนรหัสธุรกรรมประมาณ 60% นั่นคือส่วนแบ่งของการจับคู่อยู่ที่ประมาณ 40%

ความน่าเชื่อถือในข้อมูลเป็นสิ่งสำคัญ หากอินพุตสำหรับการวิเคราะห์ใช้ข้อมูลที่มีคุณภาพต่ำซึ่งไม่สอดคล้องกับภาพจริง ผลลัพธ์ที่ออกมาจะเชื่อถือได้ยาก

ก่อนหน้านี้ทีมใช้เวลามากในการตรวจสอบเปอร์เซ็นต์การแข่งขัน ตอนนี้พวกเขามีเครื่องมือที่แสดงเปอร์เซ็นต์ธุรกรรมที่ได้รับการประเมินอย่างชัดเจน พวกเขาสามารถดูได้ตลอดเวลาว่าพวกเขาจับคู่ข้อมูลจาก CRM กับข้อมูลออนไลน์มากน้อยเพียงใด และไม่ต้องเสียเวลาเพิ่มเติมกับมัน หากมีสิ่งใดตกหล่นในข้อมูลออนไลน์ก็จะมองเห็นได้ทันที

ด้วยการใช้ตรรกะการเชื่อมโยงข้อมูลเพิ่มเติม (ซึ่งเพื่อนร่วมงานของ OWOX ช่วยด้วย) ทีมจึงเพิ่มอัตราส่วนการจับคู่จาก 40% เป็น 85% ที่ยอมรับได้ และเนื่องจากรายงานนี้ให้ข้อเสนอแนะเกี่ยวกับการดำเนินการในส่วนหน้า ในบางจุด พวกเขาจึงสามารถแก้ไขจุดบกพร่องหลักบนเว็บไซต์และได้รับอัตราส่วนการจับคู่ที่ 90%

4. ในขณะที่ทำงานในโครงการนี้ ทีมบริการต้องเผชิญกับงานอื่น นั่นคือการ ควบคุมค่าใช้จ่ายของ Google BigQuery

คุณภาพของข้อมูลไม่ได้เป็นเพียงเป้าหมายสำคัญในการควบคุมรายวันเท่านั้น บริการสตรีมภาพยนตร์ออนไลน์ช่วยให้พนักงานหลายสิบคนมีข้อมูล และการจัดการคำขอที่ไม่ดีสามารถเพิ่มค่าใช้จ่ายของบริษัทในการสนับสนุนการวิเคราะห์โดยไม่คาดคิด

เพื่อให้เราจับชีพจรได้ พวกเขาใช้วิธีแก้ไขสองวิธี:

1. แดชบอร์ดสำหรับตรวจสอบจำนวนข้อมูล (ในหน่วย GB) ที่ประมวลผลโดย Google BigQuery พร้อมด้วยค่าใช้จ่ายที่เกี่ยวข้อง:

ที่นี่ คุณสามารถดูได้ว่าข้อมูลส่วนใหญ่ได้รับการประมวลผลจากบัญชีใด และเตือนผู้จัดการเฉพาะรายที่ดำเนินการเกินขีดจำกัด

2. Chatbot พร้อมข้อความหากรายงานไม่อัปเดตหรือเกินค่าใช้จ่ายที่วางแผนไว้บน Google BigQuery สิ่งนี้ช่วยในการวางแผนค่าใช้จ่ายในการประมวลผลข้อมูลรายเดือน บอทตัวเดียวกันจะแจ้งเตือนทันทีหลังจากอัปเดตข้อมูลจากทุกแหล่งในรายงาน เพื่อให้ทีมไม่ต้องเสียเวลากับการเปรียบเทียบและสามารถเริ่มวิเคราะห์แคมเปญได้ทันที

ทีมใช้แดชบอร์ดผลลัพธ์ในกระบวนการปกติทั้งหมดเพื่อจัดการแคมเปญประสิทธิภาพ ในอนาคต พวกเขาวางแผนที่จะสร้างแอปพลิเคชันมือถือและแก้ปัญหาการระบุแหล่งที่มาข้ามอุปกรณ์ ตลอดจนประเมินผลกระทบของแคมเปญสื่อในการวิเคราะห์