Super Magic Data

Материал из marketing-wiki.ru
Перейти к: навигация, поиск

Название команды: Super Magic Data

Участники команды:


Разработанные BI-системы


Разработанные метрики


Разработанные BI-системы

Customer Analytics Dashboard

Проблематика

Чаще всего существует очень много причин изменений основных бизнес показателей интернет магазина (в нашем случае выручка). Причин и в самом деле великое множество: качество трафика, ассортимент товара, сезонность, политическая обстановка, юзабилити сайта и.т.д. Анализ клиентов позволяет взглянуть на картину с немного другой стороны, он позволяет понять какие именно клиенты и почему именно они приносят основной доход. С помощью него можно понять на каких именно клиентов стоит делать ставку и заниматься именно их привлечением, удержанием и развитием.

 Решение

В первую очередь был проведен анализ простейших показателей:

  • мы посмотрели на зависимость доходов и посещений по месяцам, доходу и конверсиям в покупки по месяцам, выявили, что несмотря на падение посещаемости, у нас почему-то росла конверсия, а вместе с ней росло количество покупок, и как следствие доход.
  • посмотрели распределение трафика по источникам в зависимости от месяца, увидели интересное изменение поисковой и e-mail рекламы
  • посмотрели на распределение покупок по городам в зависимости от размера города

Далее, интереснее. Подключившись к Logs API (спасибо команде Яндекс Метрики за помощь и консультацию в 3 часа ночи, кстати впервые в жизни видел, как разработчик по своей воле работает в ночь с пятницы на субботу), обойдя некоторые трудности связанные с особенностью хранения сырых данных (да-да, не все так просто, если пользователь в одну сессию сделал несколько транзакций на разные суммы, а таких примеров в любом интернет магазине куча), сделали следующие вещи:

*небольшое лирическое отступление или что же такое Logs API и почему это вроде как круто?*

работая в любой из двух всем известных систем аналитики, мы сталкиваемся с агрегрированными данными (несколько измерений (dimentions) - несколько столбцов (метрик) - и вперед анализировать!) но в этом случае за нас, как за аналитиков, уже многое решили не спросив, а именно:

- за нас выбрали модель атрибуции

- за нас посчитали показатели, а может быть мы хотели другие?

- за нас построили уже отчеты, думая, что нам так будет удобнее

- нам не дали возможность связать данные с другими системами (это, конечно лукавство, в какой-то степени, никто этого запрещать не будет, но как, простите, качественно, связать данные из CRM с агрегированными данными из системы веб аналитики?)

- ну или если созданный отчет устраивает вас полностью, но вы боитесь слова "сэмплинг" или слова "погрешность", то Logs API создан именно для вас

Для этого Яндекс Метрика дала возможность выгрузить сырые данные (гигантская таблица, где каждая сессия в отдельной строчке или каждый хит в отдельной строчке, для совсем извращенцев профессиональных аналитиков).

Итак, продолжим, взломав приконнектившись к Logs API, мы сделали следующее:

  • отчет по цепочкам конверсий (аналог отчета в Google Analytics, который очень любят менеджеры по интернет рекламе, говоря, что он расширяет сознание понимание об источниках трафика, приносящих конверсии). В него добавили не только цепочки, по которым были транзакции, но еще и цепочки, по которым транзакций не было и посчитали конверсии по ним. Удивительно, что некоторые цепочки с 60-50 % вероятностью конвертируют в транзакцию
  • когортный анализ. Сделан полностью на DAX. Интересно видеть зависимость молодости когорты от принесенных денег в первые и последующие месяцы.
  • немного другой взгляд на когорты, сделанный тоже на DAX, график куммулятивного дохода по когортам, в месячной динамике
  • анализ среднего чека по когортам, разбивка по типу клиента в каждой когорте, разбивка по количеству заказов в каждой когорте
  • динамика выручки по новым и вернувшимся клиентам, разделение дохода по новым и вернувшимся клиентам
  • разделение количества заказов от среднего чека, и зависимости Live time клиента от размера среднего чека 

Целевая аудитория:

  • интернет-маркетологи
  • веб-аналитики
  • руководство

Подробное описание системы

Пример системы в облаке

PBIX-файл системы для скачивания


Оперативный анализ товарных категорий по воронке и пользователям

Проблематика

У каждого бизнеса должна быть своя "Лакмусовая бумажка" - дашборд/инфопанель, бросив один взгляд на которую можно понять - все ли в порядке или на что-то нужно обратить внимание?

Данный дашборд выполняет именно такую задачу - оперативно показывать основные метркии юнит-экономики в разрезе по товарным категориям и источникам трафика. Решение рассчитано на руководетелей, интвесторов, учредителей проекта.

Целевая аудитория:

  • Руководство
  • Инвесторы
  • Интернет-маркетологи

Подробное описание системы

Пример системы в облаке

PBIX-файл системы для скачивания


Расчет корректировок ставок для временного таргетинга

Проблематика

Как правило, в разные дни недели на сайт заходят люди с разной степенью заинтересованности в покупке. Для одних сайтов конверсия может быть выше в начале недели, для других - в середине, для третьих - в конце. Если основной источник трафика у вас платный, то есть смысл повышать ставку в более конверсионные дни и понижать, когда конверсия низкая (ибо зачем переплачивать за слабомотивированную аудиторию). Но как понять, в какие дни повышать, а в какие понижать? И на сколько? Ведь у каждого бизнеса своя аудитория, и у каждой из них свой паттерн поведения.

Целевая аудитория:

  • интернет-маркетологи
  • веб-аналитики

Подробное описание системы

Пример системы в облаке

PBIX-файл системы для скачивания


Автоматизация теста по каннибализации брендового трафика

Проблематика

Клиенты часто задаются вопросом - стоит ли подключать контекстную рекламу по собственным брендовым запросам? Универсального ответа нет, но есть универсальный тест. Он поможет понять, как поступать конкретно в вашем случае.

Это тест по каннибализации трафика, на выходе которого вычисляется значение ITR (incremental traffic ratio). Это доля добавленных сеансов, которую принес контекст. Например, если ITR=80%, это означает, что брендовый контекст «съел» у SEO всего 20% трафика, а 80% кликов были новыми, дополнительными.

Для проведения теста необходимо собрать брендовую РК в «Яндекс.Директе», в настройках кампании выставить временной таргетинг приемом «Шашечки» и собрать статистику по «Визитам» в «Яндекс.Метрике» (отдельно по часам с включённым и выключенным контекстом). Снимать эти данные вручную - долго и муторно. Поэтому, мы решили автоматизировать сбор статистики, расчет результатов и статистической достоверности при помощи Microsoft Power BI.

Целевая аудитория:

  • интернет-маркетологи
  • специалисты по контекстной рекламе

Подробное описание системы

Пример системы в облаке

PBIX-файл системы для скачивания

Авторы данной странички

Если Вы еще не создавали свою страницу пользователя, тогда Вам необходимо воспользоваться формой для заполнения своего профиля.

Artur Semikin 
FrizzyTAIM 
SergeyLossev 
Илья 
Саша Скрастынь