如何为在线电影流媒体服务设置高级分析

大量案例研究是关于如何使用 AIDA 漏斗在常规电子商务项目中设置高级分析的。 许多企业都知道如何做到这一点，并且在设置渠道方面没有问题。 但是，当您拥有复杂且不明显的销售渠道、多种转化类型和有针对性的行动时，困难就会出现。 让我们看看如何将所有数据整合到一个在线影院仪表盘中？

在在线搬家服务中，我们有两种类型的交易，它们并不等同于电子商务中的典型交易。 有我们立即收到钱的交易视频点播 (TVOD) 交易（租借或购买电影），而订阅视频点播 (SVOD) 交易（订阅和试用）涉及定期定期付款。

每个月，用户可以续订或不续订。 我们关注客户生命周期价值 (LTV) 的增长而不是一次性交易是合乎逻辑的，并且使用 LTV 的机制与使用其他指标的机制不同。

为了控制转化，我们将试验放在一个单独的组中。 事实上，试用与订阅一样，只是免费或以 1 卢布的价格提供。 试用期可以在促销期（7 或 14 天）结束时转换为付费订阅。 监控此类转化对我们来说非常重要。

此外，还有购买和租赁——用户可以购买主订阅中不可用的内容，例如新电影，或者在 48 小时内临时访问内容。

营销部门的目标是将具有固定最大 CAC 的付费用户数量增加三倍。 然而，非典型的销售渠道和大量有针对性的行动使广告活动的管理和评估变得非常复杂。 为了实现这一目标，他们需要一种工具，使我们能够客观地评估广告渠道，同时考虑所有类型的交易。 基于内部存储和他们自己的解决方案构建的分析是不够的。

还有关于分析数据质量的问题。 并非所有提交的订阅表格都在网站上被跟踪，并且从 CRM 下载的数据包含用于匹配数据的密钥，格式与网站不同。 为了增加匹配数据的比例并相应地提高数据质量，需要一种监控工具来显示偏差的规模和动态，并允许识别网站上的问题。

为了获得有关所有类型交易的报告和自动监控数据质量的工具，决定配置基于 Google BigQuery 的高级分析。

为了从 Google BigQuery 中的网站和广告服务收集数据，该团队使用了 Google Analytics 360 和 OWOX BI。 OWOX 分析师帮助开发和实施了一个衡量系统，该系统考虑了在线电影流媒体服务业务模型的特点，检查在线数据的质量，并将其与来自 CRM 系统的数据相结合，因为他们需要在报告中看到付费用户，而这信息仅在 CRM 中。

如何为仪表板组合数据：

1. 使用 OWOX BI 管道自动将成本数据从广告服务导入 Google Analytics 和 Google BigQuery。
2. 收集网站上的用户行为数据，并使用 Google Analytics 360 将其传输到 Google BigQuery。
3. 使用自定义解决方案将销售数据从 CRM 上传到 BigQuery。
4. 使用 OWOX BI 归因设置数据驱动的基于漏斗的归因模型。
5. 在 Google BigQuery 中，将网站数据、广告服务数据和归因计算结果合并到一个视图中。
6. 将数据从 BigQuery 视图传输到 Google Data Studio 仪表板。

1.结果，我们得到了一个销售漏斗。 我们现在看到每个渠道的每个目标的转换，并且可以得出关于不同场景有效性的结论。

例如，包含总体指标的绩效报告有助于查看来源、渠道和活动对不同类型转化（试用、激活试用、订阅、购买、租赁）的客观贡献：

仪表板有许多选项可以减轻营销人员的工作。 例如，有一些过滤器可以分析特定电影或产品的数据并跟踪用户的状态。 例如，用户可能正在试用并在活动结束后订阅。 有许多类似的状态：它们有助于评估针对特定用户的活动和结果在特定细分市场中的效果。

例如，下图显示了电影《灵魂》在首映后人气从高峰开始下降时的购买量如何流入租金：

有一个页面显示会话到试用和试用到订阅的转化率。 在设置高级分析之前，团队很难跟踪此信息。

还有单独的费用页面和所有类型的交易，营销人员可以在这些页面上查看更详细的信息。

2.想要在campaigns中寻找增长点，仅仅计算metrics和scenario是不够的。 因此，OWOX 基于 BigQuery 中收集的数据建立了基于漏斗的归因：

基于归因数据，该团队创建了这份报告：

在报告中，您可以查看所有交易类型（试用、激活试用、订阅、自有数据、租赁等）的渠道价值（转化次数）。 性能报告中的所有指标均根据两个归因模型进行计算：OWOX BI 的最后非直接点击和基于 ML 漏斗的归因。

在屏幕截图中，您可以看到所有转化类型的这些归因模型之间的百分比偏差。 该报告可帮助营销人员根据最后非直接点击模型追踪高估或低估的渠道并分配广告预算。

3. 一个公平的问题是我们如何控制来自这么多来源和这么多指标的数据质量？ 该团队构建了一个单独的仪表板，显示数据匹配质量以做出决策：

匹配是从网站收集交易数据并将其与 CRM 中的数据进行比较的过程。 通常，CRM 数据通过交易 ID 链接到在线数据。 在该服务开始与 OWOX 合作之前，他们没有传输大约 60% 的交易 ID。 也就是说，匹配的份额约为40%。

对数据的信任很重要。 如果用于分析的输入使用与真实图片不符的低质量数据，那么输出的结果就很难被信任。

此前，该团队花费了大量时间来检查匹配百分比。 现在他们有了一个工具，可以清楚地显示已评估交易的百分比。 他们可以随时查看他们将 CRM 中的数据与在线数据进行了多少匹配，而不会在这上面浪费额外的时间。 如果在线数据中突然有什么东西掉下来，它会立即可见。

通过应用额外的数据链接逻辑（在 OWOX 同事的帮助下），该团队将匹配率从 40% 提高到可接受的 85%。 由于这份报告给出了前端操作的反馈，在某些时候他们能够修复网站上的主要错误并获得 90% 的匹配率。

4. 在做这个项目的过程中，服务团队面临着另一个任务：控制Google BigQuery 成本。

数据质量并不是日常控制的唯一重要对象。 在线电影流媒体服务为数十名员工提供了数据。 请求处理不当可能会意外增加公司在分析支持方面的支出。

为了让我们紧跟脉搏，他们使用了两种解决方案：

1. 用于监控 Google BigQuery 处理的数据量（以 GB 为单位）以及相关成本的仪表板：

在这里，您可以查看在哪个帐户下处理的数据最多，并警告超出限制的特定经理。

2. 如果报告未更新或超出 Google BigQuery 的计划开支，聊天机器人会发出消息。 这有助于计划每月的数据处理成本。 同一机器人在更新报告中所有来源的数据后立即发出警报，这样团队就不会浪费时间进行比较，并可以立即开始分析活动。

该团队在所有常规流程中使用生成的仪表板来管理绩效活动。 未来，他们计划创建一个移动应用程序并解决跨设备归因问题，以及在分析中评估媒体活动的影响。