Александр Павлов, ведущий веб-аналитик Агентство КубЛайн , написал для рубрики Growth Hacks статью о способах настройки аналитики и тестирования, а также проанализировал конкретные случаи принятия решений на основе анализа данных.
Интеграция и настройка веб-аналитики
Прежде чем вы сможете анализировать данные, вам нужно их откуда-то получить.Соответственно, первым шагом перед запуском каких-либо кампаний будет подготовка платформы для сбора корректных данных и последующего анализа.
Так мы создаем основу для принятия решений.
Давайте рассмотрим этот алгоритм на примере случая.
Дело 1
Клиент: крупная компания электронной коммерции.Задача: подготовить платформу для корректного сбора данных и последующего анализа.
Решение:
- Установка Диспетчера тегов Google.
- Установка счетчиков через Google Tag Manager и настройка отслеживания целей и событий.
- Построение воронки пути пользователя.
- Коллекция CLIENT_ID и USER_ID.
- Правильная UTM-разметка источников и каналов.
Установка Диспетчера тегов Google Google Tag Manager (GTM) — бесплатный инструмент для маркетологов.
С его помощью вы сможете вставлять различные теги и скрипты прямо в код сайта на различных страницах.
Почему это удобно? Маркетологу достаточно один раз установить контейнер на сайт и больше не нужно прибегать к помощи разработчиков.
Таким образом, инструмент экономит время как маркетологов и разработчиков, так и всех людей, которые взаимодействуют с кодом сайта.
Установка счетчиков через Google Tag Manager и настройку отслеживания целей и событий Через GTM очень удобно запускать различные счетчики и скрипты.
Если маркетолог работает с Google Analytics, то GTM существенно упрощает работу с отслеживанием целей и событий.
Также через GTM мы можем быстро установить и протестировать практически любой интерфейсный инструмент, опять же без помощи разработчика.
Построение воронки пути пользователя Если это не ecommerce-проект, то строится обычная воронка (визуализация воронки в Google Analytics): с момента прихода пользователя на сайт, проходящая различные микроконверсии и заканчивающая основным целевым действием (например, отправкой приложение).
Соответственно, если это крупный проект электронной коммерции, то мы интегрируем плагин Universal Analytics Enhanced E-commerce, и прямо из него мы можем понять, как пользователь пришел на наш сайт, какие действия он совершил, как добавил товары на сайт. корзина и как он разместил заказ.
Расширенная электронная коммерция гораздо более эффективна, чем обычные воронки, поскольку эти данные можно сегментировать внутри самой Google Analytics. Сбор CLIENT_ID и USER_ID CLIENT_ID — идентификатор браузера пользователя.
USER_ID — это идентификатор пользователя, который выдается при его регистрации или входе в систему.
Собрав эти идентификаторы, можно получить данные обо всех сессиях авторизованных пользователей, начиная с первого посещения.
При отправке события в кастомное измерение Google Analytics через GTM появляется возможность проанализировать эти данные в GA, а также загрузить их и агрегировать с данными из CRM. Правильная UTM-разметка источников и каналов.
Каждый канал, источник, кампания, каждый баннер, объявление и ссылка должны быть размечены, чтобы потом можно было проанализировать все эти данные.
Это позволяет узнать, какой именно баннер сработал лучше, какая ссылка, какое объявление, и на основе этих данных можно оптимизировать рекламные кампании.
Результат:
- Так мы получили полноценную платформу для сбора аналитических данных.
- Благодаря GTM теперь можно интегрировать любые теги и скрипты, настроить отслеживание целей и событий.
А также протестируйте различные интерфейсные инструменты и сервисы.
- Благодаря настраиваемой воронке теперь можно понять, в каких местах сайта у пользователя возникают те или иные проблемы.
Данные собираются для оптимизации блоков, страниц и отдельных элементов.
- Используя USER_ID и CLIENT_ID, мы получаем данные обо всех сессиях авторизованных пользователей, начиная с первого посещения.
- А поскольку все наши кампании помечены UTM, все данные собираются корректно.
Теперь мы можем анализировать и тестировать эти данные, а затем принимать на их основе решения, которые повысят эффективность наших кампаний.
Тестирование и анализ параметров мобильного трафика
После того, как мы соберем почти все данные, у нас появляется возможность с ними работать.Зачастую аналитика и тестирование приводят к совершенно неожиданным выводам.
В качестве примера приведу мой любимый случай.
Случай 2
Клиент: Приложение Skout — это глобальная сеть для знакомств и общения.Задача: максимально сегментировать трафик по различным параметрам, оптимизировать рекламные кампании и увеличить количество установок приложения.
Решение: используйте следующие инструменты для анализа:
- AppsFlyer — трекер установок мобильных приложений и рекламных каналов.
- Google Analytics — анализ активности и поведения пользователей внутри приложения.
- Для этих целей в других проектах используются различные аналоги: Adjust, MAT, MixPanel, Voluum и так далее.
Изначально рекламные кампании были ориентированы на ожидаемую целевую аудиторию: молодых мужчин и женщин (в основном) в возрасте от 16 до 28 лет. Различные рекламные материалы (креативы) были созданы в нескольких вариантах.
Основной таргетинг был на социальную тематику, то есть на тех пользователей, которые интересуются и используют различные мессенджеры и социальные сети, а также знакомятся с ними.
Были запущены общие таргетированные кампании с разделением по возрастным группам.
Результат: Данные, полученные после тестовых рекламных кампаний, показали, что приложение скачивают и используют чаще пользователи не из целевой аудитории и не по самому очевидному подходу.
Был установлен социальный таргетинг, но загрузки также осуществлялись по категориям бизнеса, газетных киосков и книг.
И оказалось, что приложение в основном интересно мужчинам в возрасте 40+, и ожидалось, что большую часть пользователей составят молодые мужчины и женщины.
Результат: более 10 000 установок в день, значительный рост активных пользователей приложения.
Анализ поведения покупателей
Анализируя поведение клиентов, мы можем оптимизировать цели и менять KPI в зависимости от приоритетов.Иногда поведенческие факторы заставляют вас изменить курс.
Случай 3
Клиент: крупная компания электронной коммерции.Задача: максимально сегментировать трафик по различным параметрам и анализировать показатели.
Решение: провести сегментацию по следующим параметрам:
- Источники.
- Каналы.
- Демография.
- Типы устройств.
- Операционная система.
- Обручение.
- Активность пользователей по времени суток и так далее.
Поскольку email-маркетинг имеет самый высокий коэффициент конверсии на этом проекте, полученные данные оказали существенное влияние на ход кампании.
Мы поняли, что конверсия в подписку на рассылку с мобильных устройств на 40% выше, чем с компьютеров и планшетов (причём конверсия для определённых брендов и ОС смартфонов тоже разная).
Поэтому мы решили ориентировать наши кампании по подписке на информационные бюллетени только на мобильные устройства и значительно расширить этот канал.
Результат: создали новые рекламные кампании по подписке на рассылку с таргетингом на мобильные устройства и получили значительный прирост подписчикской базы (около 15%), а значит и доходов.
Персонализированная аналитика
После того, как мы уже получили все данные по сегментам и наибольшему количеству источников конверсии, следующим шагом будет создание подробных профилей пользователей.
Таким образом, мы можем оптимизировать наши кампании, чтобы максимизировать релевантность предложений и в конечном итоге продавать наши продукты только тем, кто их купит.
Случай 4
Клиент: крупная компания электронной коммерции.Задача: анализируйте поведение конкретных пользователей и создавайте разные сценарии рассылок по сегментам.
Решение: Понятно, что мы не собираем все данные на сайте.
Но мы можем их обогатить.
Собирайте все, что было собрано в Universal Analytics, данные о заказах, электронной почте, данные внутренней учетной системы (например, оформленный заказ не обязательно доставлен и куплен) и другие регистрационные и персональные данные.
Благодаря интегрированному решению мы можем собрать все пользовательские данные в одной системе.
Мы используем собственное решение, основанное на трекере Piwik. Мы собираем данные в нашу базу данных.
А затем с помощью различных инструментов агрегируем и строим по ним отчеты.
Результат: мы видим профиль конкретного пользователя с именем, фамилией и другими личными параметрами.
Мы видим все его сеансы и знаем, с каких устройств он заходил, а также видим его активность на сайте: какие товары он просматривал, что добавлял в корзину и какие заказы делал.
Со временем такой информации может накопиться очень много, и она, несомненно, будет полезной.
На основании этих данных можно сделать вывод, сколько денег зарабатывает пользователь за всю свою жизнь на сайте (LTV), рассчитать стоимость привлечения (CAC), а главное: понять, что и что его интересует. товары, которые он чаще всего покупает. На основе этих данных вы можете отправлять email-кампании по сегментам и предлагать пользователям те продукты, которые интересовали их больше всего в предыдущих сессиях.
Цены и персональные предложения для таких пользователей также могут различаться.
Результат: Мы обогатили данные и профили для каждого конкретного пользователя.
Возможность рассылок по сегментам.
Давайте вспомним, зачем все это
Подводя итог всему вышесказанному, я постарался продемонстрировать, как должна быть построена работа с аналитикой и рекламными кампаниями.Но на самом деле это только начало.
Потому что в мире, где пользователь становится конкретным человеком, с которым мы постоянно взаимодействуем и накапливаем данные о нем, у нас есть возможность не только заработать больше денег, но и, наконец, стать для него более релевантными.
Двигаясь в этом направлении, мы перестанем видеть надоедливую рекламу, и нам будут продавать только те товары, которые нам нужны и интересны.
-
Лазер
19 Oct, 24 -
Дайджест Laravel (14–27 Декабря 2020 Г.)
19 Oct, 24 -
Itsm Жил, Itsm Жив, Itsm Будет Жить
19 Oct, 24 -
Новости Игровой Индустрии (11-25 Марта 2019)
19 Oct, 24 -
Категория: Суть Композиции
19 Oct, 24
