Метод анализа мультиканального взаимодействия с пользователем

    Доброго всем!

    Вот наши лапки и добрались до неIT-шных специальностей — «Digital маркетолог». Курс ведёт Виктория Александрова — руководитель отдела маркетинга в OTUS, которая и делится сегодня данной статьёй.

    Поехали

    Рано или поздно любой интернет-маркетолог сталкивается с проблемой оптимизации бюджета на продвижение. Нужно либо получать такое же количество конверсий при снижении бюджета, либо получать большее количество конверсий при том же бюджете. А иногда и то, и другое.
    Лучший результат в решении этой проблемы обычно дает комплексный подход:

    • оптимизировать рекламные кампании в канале (снизить цену за клик, если речь об аукционе или, например, изменить таргетинги, чтобы минимизировать показы нецелевой аудитории и тот же объем аудитории закупать дешевле);
    • отключить неэффективные рекламные каналы (и/или перераспределить бюджет в сторону эффективных каналов, если в них еще не исчерпана емкость).



    Сегодня мы поговорим об одной стороне медали — выявлении рекламных каналов с низкой эффективностью. Этот вопрос, кстати, актуален не только в контексте оптимизации бюджета. При поиске и тестировании новых рекламных площадок маркетологи сталкиваются с аналогичным вопросом: как правильно оценить эффективность нового канала по результатам тестового размещения?

    Казалось бы, в вопросе выявления каналов с низкой эффективностью нет ничего сложного: посмотрел статистику, посмотрел СРС и СРА, выбрал каналы с самым высоким СРА, отключил. Бюджет (если нужно) перенес в каналы с наиболее низкой СРА. Готово. Но на практике часто бывает так, что отключение одного канала, который генерит небольшую долю продаж при высокой СРА продажи, приводит к ощутимому падению конверсий по другим (совсем не похожим) каналам. В чем причина? В недостатке аналитических данных. Как быть?
    Для начала давайте разберемся, какой у нас продукт и как принимают решение о покупке наши пользователи. Ведь от этого во многом будет зависеть их поведение от поиска нас до принятия решения о покупке и возврате. Я бы выделила четыре вида продуктов:

    • продукты разового потребления (решение принимается быстро, изучение конкурентов минимальное — пришел, увидел, купил);
    • продукты многократного потребления (выбор “надолго”, вдумчивое решение);
    • продукты ситуативного потребления (ищутся и используются только при попадании пользователем в определенную ситуацию);
    • сложные продукты (лежат на стыке предыдущих видов. Это продукты с длинным циклом принятия решения, где спусковым крючком принятия решения о покупке может быть как ситуация, в которую попадает пользователь, так и хороший креатив или скидка, а, возможно, и “созревшее” у пользователя мнение о высоком качестве продукта);




    Понимание типа продукта позволит подобрать метод анализа. В случае с продуктом разового потребления нет смысла теряться в дебрях возвратов, большого количества касаний и атрибуций. Стоит изучить поведение пользователей из рекламного канала на сайте — нет ли блокеров для совершения конверсии? Если мы имеем дело с продуктом многократного потребления, то в дело вмешиваются возвраты и жизненный цикл пользователя, методы напоминания о себе и дожимов (все ли хорошо у вас с отправкой писем и ретаргетингом?). Если вы работаете с продуктом ситуативного потребления, то задумайтесь о возможности прогнозирования повторного обращения — возможно, ваш продукт нужен пользователю регулярно. Если вы первыми вовремя предложите свой продукт, вероятность покупки будет очень высокой.

    В случае со сложными продуктами помимо прочего нам придется обратить внимание на длину цикла принятия решения и на black box маркетинг-микса каналов во цикла принятия решения о покупке.

    Итак, как определить длину цикла принятия решения пользователем о покупке. Проще говоря, нам нужно определить во времени следующие точки:

    • первый визит на сайт;
    • регистрация;
    • совершение покупки;
    • совершение повторной покупки.


    Измерение количества дней между этими точками даст понимание о продолжительности цикла принятия решения о покупке (и повторной покупке). Намеренно не отметила точку “умирание” клиента (перестал приходить на сайт вообще), т.к. чтобы отнести клиента в эту категорию с определенной вероятностью. нужно обладать пониманием стандартной длины цикла принятия решения. Не забываем, что каждый продукт может обладать своими особенностями — где-то не нужна регистрация, где-то момент первого визита и регистрации совпадает в большинстве случаев и т.п. Тем не менее, определение во времени этих точек даст понимание, как долго клиент думает перед покупкой.

    Не забывайте, что в зависимости от канала (глобально органики/рекламы и точечно каждой рекламной площадки) длина циклов принятия решения может существенно отличаться. Так, например, поисковую контекстную рекламу принято считать преимущественно “быстрым” каналом (пользователь максимально готов к покупке т.к. ищет товар), а контентное продвижение на тематических порталах (в тематических сообществах) — преимущественно “долгим” каналом (т.к. пользователи готовы читать о продукте, но не сильно мотивированы на покупку). Соответственно, “долгие” каналы обычно нуждаются в “дожиме” бесплатными (e-mail) или платными (ретаргетинг, реклама) активностями. Привет, маркетинг-микс :) Ну что, уже готовы открыть black box маркетинг-микса и посмотреть, какие каналы как и когда воздействуют на пользователей, совершивших покупку? Прекрасно!

    Тогда на имеющиеся данные о цикле принятия решения накладываем взаимодействие клиентов с сайтом с указанием источника и получаем полную картину: как долго думал пользователь и что побудило его к покупке; какие каналы участвовали в “созревании” клиента, а какие — нет.
    Вроде бы задача решена, но маркетологи, которые имели опыт анализа данных, наверняка подумали, что если анализировать каждую рекламную площадку и каждого клиента, то будет огромное количество срезов. И чем больше клиентов, тем больше будет уникальных цепочек — значит, данные будут разнородными и выводов не сделать. А как быть с проектами, где сотни клиентов? Я вижу только одно решение — укрупнять срезы.

    Как это работает на практике? Вот кейс по шагам:

    1. Берем список клиентов, совершивших покупку за определенный период.
    2. Определяем даты ключевых точек (например, первого визита на сайт и покупки). Считаем разницу в днях между точками.
    3. Определяем источники переходов, которые привели к достижению ключевых точек (например, utm первого визита и utm покупки).
    4. Добавляем сумму, на которую клиент совершил покупку (ведь бывает, что канал генерит много продаж, но при этом у них высокий средний чек).

    Сюда же можно добавить третью временную точку и ее канал, можно добавить в сравнение прошедший период — все зависит от объема данных. Можно проводить детализацию до момента, когда данные перестанут быть пригодными для понятного анализа.

    Полученную таблицу можно не только анализировать на предмет проверки разных гипотез, но и отобразить некоторые срезы графически. Например, для каждого канала первого касания используем пузырьковую диаграмму, где ось ОХ — канал закрытия, ось ОУ — время принятия решения, размер пузырька — сумма покупки.



    Такое представление позволяет наглядно понять скорость закрытия каналов, как они перекрывают друг друга, где приходится “покупать” клиента как минимум дважды.

    Кстати, обратную штуку можно провести с теми клиентами, кто не достиг цели и сравнить, насколько полученные результаты отличаются от среза по клиентам, совершившим покупку.
    Наличие подобного анализа минимизирует вероятность ошибки при отключении низкоэффективных каналов.

    THE END

    Как всегда будем рады вашим комментариям, вопросам и предложениям тут или у нас на Дне открытых дверей.

    Отус

    231,30

    Профессиональные онлайн-курсы для разработчиков

    Поделиться публикацией
    Комментарии 0

    Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.

    Самое читаемое