Как настроить максимально объективную веб-аналитику и отладить работу отдела контекстной рекламы? Мануал не для чайников

На определенном этапе развития любого бизнеса появляется вопрос: правильно ли мы учитываем вклад каждого рекламного канала в продажи или целевые действия? Обычно такие сомнения возникают, когда отключение какого-либо неэффективного, с точки зрения отчетов в системе аналитики, источника или канала приводит к общему падению прибыли.

Возможна и обратная ситуация. Показывающий хорошие результаты (в системе аналитики) канал в реальности не дает ожидаемой отдачи. В таком случае возникает диссонанс между данными и становится очевидной погрешность оценки значения канала.

Например, в Serpstat есть поисковая кампания в Google, нацеленная на конверсии из США. Мы считали, что кампанию стоит продолжать вести и выделять на неё бюджет. Но после построения более корректной модели атрибуции мы увидели, что эта кампания оказывает значительно меньшее влияние и на привлечение новых пользователей, и на возврат старых.

Почему не подходит стандартная модель атрибуции?

По умолчанию в стандартных отчетах Google Analytics используется модель атрибуции Last Non-Direct Click. Это значит, что целевые действия относятся к последнему взаимодействию пользователя, которое он осуществил через непрямой канал.

Чтобы принять решение о покупке, пользователям чаще всего нужно несколько взаимодействий с вашей компанией через разные каналы.

Типичный сценарий поведения пользователей: пришел через бесплатный поиск, вернулся на сайт через ремаркетинг, затем зашел на сайт по ссылке из электронного письма и сделал заказ.

При таком сценарии Google Analytics по умолчанию отдаст весь вклад в заказ по электронной почте. Однако это неверно, потому что каждый канал в цепочке взаимодействий пользователя вносил свой вклад в заказ и этот вклад стоит учитывать при анализе эффективности. Без первых двух каналов вы бы даже не знали email, на который нужно отправить письмо.

Читайте также: «Контекстная реклама — что это, как выглядит, как работает».

По Last Non-Direct Click бесплатный поисковый трафик и ремаркетинг будут недооценены. Если собрать цепочки поведения пользователей на вашем сайте, такая ошибка может стать очень значимой.

Пример более сложных сценариев поведения пользователей перед совершением целевого действия

Как изменять модель атрибуции в Google Analytics?

Google Analytics пытается решать эту проблему с помощью инструментов для моделирования атрибуции и подсчета ассоциированных конверсий. Вы можете использовать встроенные модели и сравнивать их влияние на финансовые показатели проекта:

Сравнение разных моделей атрибуции в Google Analytics

Также вы можете создать свою модель атрибуции на основании встроенных моделей. При выборе модели для сравнения нажмите на ссылку Create new custom model:

Создание пользовательской модели атрибуции в Google Analytics

Такая модель будет точнee учитывать особенности бизнеса и поведения клиентов:

Настройка пользовательской модели атрибуции в Google Analytics

Но и здесь не все гладко. Шаги, по которым проходит пользователь, оцениваются с точки зрения наличия шага, а не каких-либо действия пользователя во время шага. Если пользователь пришел на сайт и никак не продвинулся по воронке продаж, такой шаг стоит оценить ниже, чем шаг, на котором пользователь стал ближе к покупке.

Также в качестве ценности в данном случае используется действие на сайте. Но реальный доход от пользователя может сильно отличаться от информации, отправленной в Google Analytics. Как в большую, так и в меньшую сторону.

Существуют ли более объективные модели атрибуции?

Data-Driven Attribution от Google Analytics

В платной версии Google Analytics существует модель Data-Driven Attribution. Она основана на принципах статистики и экономики, работает автоматически и анализирует структуру путей посещений пользователем сайта до конверсии, а также вероятность конверсии при определенном наборе действий.

Модель Data-Driven Attribution в Google Analytics

Модель, безусловно, хороша, но у неё есть ряд особенностей:

1. От 150 000$ в год за платную версию Google Analytics. Это внушительная сумма, без которой Data-Driven Attribution вам доступна не будет.
2. Расчеты непонятны и не прозрачны, что может вызывать много вопросов.

Funel Based модель атрибуции от OWOX

Наш партнер — компания OWOX — разработала свою модель атрибуции, которая учитывает прохождение пользователем шагов на пути к целевому действию.

Если вкратце, нужно сделать следующие шаги.

1. Определить шаги воронки, которые пользователь проходит на вашем сайте, и обозначить их приоритеты.
2. Рассчитать вероятность перехода по шагам воронки.

В результате вы получите долю ценности для каждой сессии пользователя вплоть до выполнения им целевого действия:

Определение ценности сессии

Например, в сценарии А до совершения заказа пользователь три раза посещал сайт. Во время первого визита он просто посмотрел несколько страниц сайта, но не смотрел страницы товаров. Во время второго визита он просмотрел страницу товара и добавил его в корзину. При третьем посещении — оформил заказ.

Пусть сумма заказа пользователя составляет $100. Эти $100 вы распределите по сессиям следующим образом:

• Сессия 1 принесла вам 0,02 * 100 = $2;
• Сессия 2 принесла вам 0,57 * 100 = $57;
• Сессия 3 принесла вам 0,41 * 100 = $41

Если мы вернемся к примеру с последовательностью каналов «бесплатный поиск — ремаркетинг — email», по такой модели бесплатный поиск принес вам $2, ремаркетинг — $57, email — $41. Для наглядности давайте сравним эти результаты с моделью Last Non-Direct Click:

По Last Non-Direct Click вы более чем в два раза переоценили канал email, а также лишили ценности бесплатный поиск и ремаркетинг.

А теперь представьте, что на основе этой аналитики вы решаете отказаться от бесплатного поиска и ремаркетинга. Это сулит серьезные проблемы для бизнеса.

Как мы настроили Funnel Based модель атрибуции в Serpstat?

Как оказалось, Serpstat стала первой SaaS-платформой, которая опробовала модель атрибуции Funnel Based от OWOX. Об этом кейсе стоит рассказать.

1. Как собрать данные?

Нам помог OWOX BI Pipeline, с помощью которого можно получить данные по всем действиям пользователей на сайте в сыром виде. Google Analytics в этом случае выступает в роли «поставщика» сведений, которые хранятся в Google BigQuery — масштабируемой облачной базе данных:

Пример структуры таблицы в Google BigQuery

Кроме этого, мы собираем информацию по всем взаимодействиям пользователей с сайтом (просмотры страниц, события, транзакции), из которых состоят сессии. Обращаясь к таким данным, мы можем получить ответы на наши вопросы с точностью до взаимодействия и без ограничений выборки, как это часто случается в интерфейсе Google Analytics.

К данным можно обращаться с помощью SQL запросов и получать ответы в виде таблиц. Эти таблицы можно выгрузить в CSV или Google Sheets и дальше работать с ними там.

Также можно использовать бесплатный аддон для Google Sheets от OWOX BI, API или коннекторы для BI решений.

Интерфейс Google BigQuery

2. Как настроить Funnel Based модель атрибуции?

Второй шаг — настройка модели атрибуции в OWOX BI. Можно настроить модель атрибуции автоматически, но на сайте уже должна быть настроена расширенная электронная торговля для Google Analytics.

Эта модель может выглядеть так:

Настройки модели атрибуции в OWOX BI

Также можно настроить модель на шагах воронки, отличных от шагов в расширенной электронной торговле. Это могут быть просмотры страниц, события, транзакции или другие действия.

Можно изменять часть настроек модели:

• период времени, за который будет проводиться расчет;
• период времени, за который сессии будут учитываться в расчетах для данной транзакции (ретроспективное окно);
• приоритеты шагов;
• какие действия пользователя на сайте считать шагом.

После всех настроек необходимо запустить расчет модели. Данные этого расчета запишутся в отдельную таблицу Google BigQuery. С этими данными можно, например, построить отчет о прибыли в разрезе каналов или источников по своей модели атрибуции.

3. Как построить отчеты для отслеживания эффективности контекстной рекламы?

Нам нужен был отчет по каналам, источникам и кампаниям. Кампании должны участвовать в отчете, потому что отдельно на уровне источника влияние может быть незначительным. А кампании могут работать на разных стадиях воронки продаж.

В этом отчете мы хотели видеть данные о сессиях, пользователях, транзакциях, доходе и расходе. Также нам нужны были более сложные данные: количество первых заказов у пользователей за период, LTV, количество сессий, за которые пройдена воронка. Все это удалось рассчитать, объединяя разные таблицы в BigQuery.

Некоторые данные в Google Analytics мы не передаем, но можем выгрузить их непосредственно в BigQuery и объединить с другими данными. Например, это могут быть статусы транзакций из CRM или персонально идентифицирующая пользователей информация (email, ФИО). Также часть данных нам необходимо исключить из расчетов, чтобы сделать анализ более объективным (тестовые заказы).

В результате объединения всех данных мы можем видеть, какие каналы, источники и кампании эффективны. Если мы принимаем решение отказаться от кампании или источника, то делаем это на основе более объективных данных.

Свои решения, основанные на интуиции, мы теперь можем подтвердить данными. Вернее, даже не так, — к черту интуицию, руководствуемся четкими данными.

Пример отчета, построенного по Funnel Based модели атрибуции

Также мы можем взять любое свойство сессии и построить отчет по этому свойству. Например, можно построить отчет по типам устройств (компьютеры, планшеты, телефоны) и оценить прибыль по каждому источнику.

4. Как мы автоматизировали принятие решений по отчетам для оптимизации контекстной рекламы?

Для себя мы определили ряд правил по работе с контекстной рекламой в формате «если — то» на основании показателей отчетов. С помощью этих правил мы можем определить тип каждой кампании с точки зрения продвижения пользователей по воронке, дохода или LTV. На основании этого мы видим, привлекает ли эта кампания новых пользователей, подогревает старых или её вообще нужно отключить.

Список  правил:

1. Если кампания привлекла менее 300 уникальных посетителей, мы ее не анализируем из-за недостаточного объема статистики.
2. Если более 300 уникальных посетителей, приступаем к анализу и двигаемся дальше.
3. Eсли кампания окупается по LTV, она работает на привлечение новых клиентов.
4. Если по доходу — на активацию старых клиентов.
5. Если и по доходу, и по LTV, то кампания окупается и по новым, и по старым клиентам.
6. Если кампания окупается и по новым, и по старым клиентам, и у нее более 15 продвижений по воронке — кампания суперуспешная.
7. Если кампания не окупается по LTV и по доходу, а продвижений по воронке — от 3 до 5, она нуждается в оптимизации.
8. Если кампания не окупается ни по старым, ни по новым клиентам и продвижений по воронке от 0 до 3 — она убыточная и ее нужно отключить.

Подробный алгоритм действий:

Такой набор простых правил позволяет специалистам, работающим с контекстной рекламой, быстро принимать решения о необходимости оптимизации отдельных кампаний. Специалист экономит время на необходимости делать сложный анализ кампаний — у него уже есть все данные в одном отчете.

Сколько стоит отладить веб-аналитику, за которую не стыдно?

Набор инструментов OWOX BI, позволяющих строить модель атрибуции, стоит от $1200 в месяц (более чем в 10 раз дешевле, чем Google Marketing Platform). Стоимость формируется из абонентской платы и переменной части, зависящей от количества уникальных пользователей в месяц. Кстати, клиенты Netpeak, желающие настроить модель атрибуции, могут получить скидку 10% от этой стоимости.

Дополнительно нужно оплачивать стоимость записи и хранения данных в нашем (данные не хранятся в OWOX BI) проекте Google BigQuery. Но эти расходы незначительны. Например, хранение одного терабайта данных в месяц обойдется вам в $20 (оплата только картой), а первый терабайт запросов в месяц вы вообще можете добавлять бесплатно.

Что еще можно получить за эти деньги:

1. Неограниченные возможности хранения и обращения к сырым данным.
2. Возможность настройки уровней доступа ко всем элементам системы.
3. Возможность настраивать и рассчитывать модель атрибуции, основанную на воронке продаж.
4. Возможность автоматического импорта расходов из разных систем рекламы.
5. Возможность использования большего количества пользовательских параметров и показателей, чем по умолчанию в Google Analytics.

Сколько времени займет настройка Funnel Based модели атрибуции?

На все задачи, от сбора данных до построения финального отчета, с нашей стороны ушло порядка 35 часов, большая часть из которых пришлась именно на настройку Google Analytics, создание отчетов и написание этого поста :)

Но нужно учесть, что время может меняться в зависимости от текущего состояния отслеживания вашего проекта. Если у вас Google Analytics не настроен вообще и нет под рукой специалиста, разбирающегося в SQL, время настройки может значительно увеличиться.

Выводы

Аналитика умного бизнеса должна отслеживать полностью все продвижение пользователя по воронке продаж и корректно оценивать вклад каждого канала. Cтандартные отчеты Google Analytics, работающие по модели Last Non-Direct Click, в этом не помогут. Можно попробовать решить проблему с помощью инструментов для моделирования атрибуции и подсчета ассоциированных конверсий или создать свою модель атрибуции на основании уже существующих моделей. Но и в этом случае шаги, по которым проходит пользователь, не будут оцениваться с точки зрения действий, которые пользователь выполнил на данном этапе.

Funel Based модель атрибуции от OWOX — отличное решение. Она почти в 10 раз дешевле дорогостоящей Data-Driven Attribution от Google Analytics, дает более объективную, чем стандартные модели, оценку распределения целевых действий пользователей и позволила нам автоматизировать процесс принятия решений по отчетам для оптимизации контекстной рекламы.

Если нужно корректно оптимизировать расходы или увеличить доход, то вам точно нужна такая модель. Если нет — можете пользоваться стандартными инструментами :)