Сквозная аналитика в Carrot quest: как мы собираем все данные вместе и находим неэффективные рекламные кампании

Сквозная аналитика — это способ анализа эффективности рекламных кампаний с учётом непосредственных продаж после этой кампании. Другими словами, сквозная аналитика помогает свести все разрозненные метрики вместе, проследить путь клиента от самого начала до настоящего момента и не потерять никакой канал взаимодействия.
В этой статье мы расскажем, зачем нам сквозная аналитика и как мы её внедряем, то есть связываем все действия клиента от первого раза, когда он увидел нашу рекламу, до самой покупки.

Мы начали внедрять сквозную аналитику, так как хотели свести все метрики вместе, чтобы понимать, насколько хорошо мы работаем по OKR. Это метод постановки целей и задач, который помогает всей команде работать слаженно, но при этом даёт достаточно свободы для построения собственного маршрута достижения цели. У нас есть одна общая цель (Х платящих клиентов), а дальше каждая команда определяет, какой вклад она вносит для достижения этой цели и на какие метрики влияет.

Сквозная аналитика даёт нам ответы на следующие вопросы:

• Как активируется в сервисе пользователи из разных каналов трафика?
• Как платят пользователи из разных каналов?
• Сколько денег приносит нам каждый канал?
• Какой из каналов самый эффективный?
• Сколько и куда нужно тратить на рекламу?

Внедрение сквозной аналитики

Сейчас данные о действиях пользователя собираются в три базы данных, из которых мы должны собрать одну сквозную воронку:

1. Регистрация, в которой содержатся все данные о пользователях до регистрации (Источники трафика, количество пользователей, достижение каждого шага регистрации)
2. Активация, в которой содержатся все данные о пользователях до оплаты (Активация в отдельные разделы сайта)
3. Оплаты, в которой содержатся все данные об оплатах пользователей

Когда мы говорим про регистрацию, мы смотрим на каждого конкретного человека, который становится нашим пользователем. Так как один пользователь может работать с несколькими сайтами с помощью Carrot quest (то есть создать несколько аккаунтов) и наоборот — в одном аккаунте может быть много операторов (то есть пользователей), активацию мы считаем по аккаунтам. Оплаты в свою очередь считаются по транзакциям и связаны с аккаунтами. Один пользователь может быть создателем нескольких аккаунтов и делать с них разные оплаты.

Все цифры разные. Для того, чтобы можно было делать воронку от регистрации до оплаты, необходимо привести все имеющиеся данные к одному виду. Мы решили, что нашим общим знаменателем будут пользователи, но только те, кто создал аккаунт. Характеристики созданных аккаунтов и транзакций будем считать свойствами этих пользователей. В таком случае мы сможем связать источники трафика и конечные деньги, которые мы получаем с пользователей.

Прототипируем таблицу отчёта

Первую версию отчёта мы собрали вручную, чтобы посмотреть, как сходятся цифры и какие проблемы могут возникнуть при автоматизации. После обкатки будем настраивать сбор автоматически.

Сначала мы свели всё в одну большую таблицу. Просто оцените масштаб. Сейчас разберём по частям.

Для примера возьмём платные каналы, органический и прямой трафик за май (это первый столбец, результаты за более поздние месяцы выше в таблице).

Когда мы видим аномалии в конверсии, например, в активации, первым делом мы смотрим на каналы. Причину большинства выбросов можно определить, посмотрев, из какого канала пришли «аномальные» клиенты. Например, это может быть некачественные рекламные кампании. Если в аномалию не удается определить сразу, то подключаем к анализу другие источники трафика.

Дальше идут части воронки регистрации, активации и продаж. Вот список по порядку шагов:

• Количество лидов (это отправная точка, берём её за 100%);
• Воронка регистрации:

  • Зашёл на страницу регистрации;
  • Завершил регистрацию;
  • Создал аккаунт;
• Воронка активации:

  • Конверсия в активацию (сейчас в сквозной аналитике мы учитываем активацию только в один главный шаг — установку нашего кода на сайт. Дальше планируем добавить больше);
• Воронка продаж:

  • Конверсия в первую покупку (в процентах);
  • Количество транзакций;
  • Число платящих клиентов;
  • Выручка;
  • Прибыль;
  • ROI;

Также в таблице считаем unit-экономику:

Более подробно про метрики для Saas можно почитать в этой статье.

Настройка сквозной аналитики: атрибуция трафика

Оценивая, какой из источников трафика работает лучше, стоит понимать, что такое атрибуция и какая она бывает.

Атрибуция — правило, по которому распределяется ценность среди путей источников трафика. Например, впервые пользователь перешел на сайт через органический поиск, потом зашел через рекламу в социальных сетях и в итоге сделал заказ, перейдя по контекстной рекламе. Как правильно считать, какой из каналов принёс деньги? Модель атрибуции определяет, как распределить полученный доход и затраты по этим источникам.

От того, насколько правильно мы сможем понять ценность канала, будет зависеть эффективность распределения бюджета и правильность выстраивания маркетинговой стратегии.

Виды моделей атрибуции

Модели атрибуции бывают нескольких видов:

• Last interaction — считается, что решение о покупке клиент принимает после последнего взаимодействия, вся ценность покупки отдаётся последнему каналу;
• First interaction — первый канал самый важный, он определяет, заплатит ли клиент, все 100% дохода приписываются первому каналу взаимодействия;
• Linear — все взаимодействия одинаково важны, доход распределяется равномерно между всеми каналами;
• Position Based — это гибрид моделей «Первое взаимодействие» и «Последнее взаимодействие». Вместо того, чтобы присваивать всю ценность первому или последнему каналу, можно поделить ее между ними. Обычно она распределяется следующим образом: по 40% первому и последнему каналу и 20% — всем остальным.
• Time Decay — считается, что решение о покупке аккумулируется с каждым взаимодействием, поэтому ценность канала увеличивается от канала к каналу.
• Customized — кастомная атрибуция подойдёт, если вы сами знаете вес каждого канала в принятии решений.

Сейчас мы считаем и по First interaction, и по Last interaction. Во-первых, оба типа легко рассчитать. Во-вторых, мы их сравниваем, чтобы не сделать ложных выводов об эффективности. Смотрите, вот клиент пришёл к нам из рекламы, а купил после подогревающего письма. Если будем смотреть на Last click, решим, что реклама не работает, отключим её и начнём терять клиентов. Если будем смотреть на First click, то не будем учитывать влияние «дожимающих» каналов. Вот почему мы смотрим на обе эти цифры.

Автоматизация отчётов сквозной аналитики

После того, как мы поняли какие отчеты нам нужны мы стали автоматизировать отчеты. Для автоматизации мы решили использовать Rick.

Rick —  это сервис сквозной аналитики. Рик оценивает эффективность рекламы, сайтов, лендингов и отдела продаж. Анализирует когорты, воронки и сегменты. Возможно, вы знакомы с AppCraft — это он и есть, просто ребята решили сменить имя. Данный сервис мы выбрали потому, что для его можно было быстро интегрировать, был удобный функционал по построению отчетов. А еще Rick решал основную проблему Google Analytics.

Проблема заключается в том, что Google Analytics считает сессии, а не пользователей. Связи с этим, делать выводы на основе данных Google Analytics становится сложно и даже опасно. Rick решает эту проблему и строит отчеты по пользователям, корректно связывая их с источниками. Для нас же Google Analytics становится только хранилищем данных об источниках трафика, посещенных страницах и событиях на стороне Carrot quest,  которые мы посылаем в Google Analytics.

Передача данных работает следующим образом. Событие возникает в Carrot quest и по Webhooks передаётся в AWS Lambda. Lambda же отправляет события через datalayer в Google Analytics, а оттуда они поступают в Rick.

Стоит отметить, что данные о транзакциях мы шлем напрямую с нашего бекенда. Их Rick связывает после того, как агрегирует данные из Google Analytics до пользователей.

После того, как отправили все события в Rick, мы настроили следующие группы отчетов:

• Источники трафика — отчеты, где связаны источники трафика и регистрации с них;

• Лендинги — разнообразные срезы, через которые можно понять насколько эффективны лендинги;
• Активация — на сколько глубоко пользователи активируются в разные разделы Carrot quest;
• Работа отдела продаж и партнерской программы;
• Оплаты —  чтобы понимать с каких источников трафика платят пользователи;

Ниже мы покажем по примеру из каждой группы отчетов:

Заключение

Процесс внедрения сквозной аналитики требует много ресурсов и времени, но в итоге дает понимание, какие каналы дают какую эффективность. Сквозная аналитика позволяет смотреть воронки регистрации, активации и оплаты. В нашем случае мы начали с прототипа отчета, поняли основные срезы, которые нам нужны и стали интегрироваться с Rick для автоматизации этих отчетов.

Далее у нас в планах посчитать LTV по когортам и внедрение скоринговых моделей для составления сценариев для каждой аудитории.

Как у вас сделана сквозная аналитика? Если нет, что мешает вам её сделать? Будем признательны за обратную связь.