Всем привет, меня зовут Павел, я маркетолог-аналитик. Хочу рассказать про то, как можно оценивать эффективность авторов до KPI действий на сайте. Метод максимально простой, без баз данных и программирования. Всё на Гугл таблицах доступных любому.
Последние годы контент-маркетинг очень востребован. Бренды организуют блоги и журналы. Иногда, это дань моде, иногда — очередной рекламный канал, где во главе всего стоит работа с аудиторией и многоканальные стратегии коммуникации. При этом под капотом редакции или агентства, отвечающих за это направление, лежит огромная работа команды писателей и маркетологов.
Когда заходит речь об оценке эффективности такого направления, всегда возникает куча вопросов, а как оценивать? По каким метрикам? И не зря, т.к. last click в большинстве случаев мало чего решает. Ну а про эффективность авторов, я вообще никогда не слышал. Конечно, я далёк от редакционной кухни и может оценивать эффективность отдельных авторов и вовсе нет смысла.
Проблема
Давайте ещё раз я более точно опишу проблему. Есть, например, редакция какого-либо бизнеса, внутренняя или наемная. Они пишут статьи, ведут блог, социальные сети и т.д. В команде редакции главред, пара редакторов и армия авторов. Перед главредом стоит задача, как понять, какой из редакторов и какой из авторов лучше всего работает?
Понятно, у главреда есть собственная информация, основанная на его метриках, визуальном рабочем опыте с большинством сотрудников и обратной связи. В большинстве случаев это и есть основные метрики внутренней оценки эффективности. Но на мой взгляд их мало.
Как оценивать эффективность команды редакции
Кратко отвечу на данный вопрос, потому что далее пойдёт сугубо практическое руководство.
Итак, чтобы оценивать эффективность авторов и редакторов на основе конкретных цифр, необходимо построить отчёт на основе данных из веб-аналитики, например, Яндекс Метрики или Гугл Аналитикса. Далее связать данные по статьям и авторам/редакторам с метриками вовлеченности (показы, клики, отказы) и эффективности (достижения целей и показатели конверсии). Если в веб-аналитику пробрасываются данные по заявкам и их статусам из CRM, то используем и их.
Выгрузка данных из Гугл Аналитикса
Чтобы отчётом мог пользоваться любой человек он будет построен в Гугл Таблицах на основе Гугл Аналитикса. Для этого идём в Гугл Таблицы и устанавливаем приложение Google Analytics.
Далее переходим в него и создаём новый отчёт, выбирая нужный ресурс и представление Гугл Аналитикса. Важно, чтобы Гугл Таблицы и Гугл Аналитикс лежали на одном аккаунте Гугла.
Остальные поля оставляем пустыми, т.к. заполним их далее. Получаем преднастройки будущего отчёта, они выглядят вот так.
Выбор метрик оценки эффективности редакции
Итак, нам необходимо выбрать основные метрики оценки эффективности редакции, при этом мы ограничены данными из Гугл Аналитикса. Поскольку посетители с блога находятся на одном из первых этапов знакомства с брендом, прямых заявок от них ждать нужно в последнюю очередь. Следовательно основные метрики — это показатели вовлеченности, а именно:
— глубина просмотров страницы, выраженная в «scroll 50, 75 и 90%»;
— время на сайте более 60 сек через «view 60sec»;
— само собой количество визитов на страницу.
Они находятся на скрине ниже в блоке Metrics, где ga:sessions отвечает за визиты, а «Goal_Completions» с порядковыми номерам за цели, настроенные в Google Analytics.
Важно, по умолчанию цели «scroll ....» или «view __ sec» не настроены в Гугл Аналитике и чтобы их добавить, нужно обратиться к веб-аналитикам, либо сделать это самим.
Кратко порядок такой: Устанавливаем на сайт Google Tag Manager через разработчиков сайта → Настраиваем отслеживание целей с помощью триггеров и отправку в Аналитикс с помощью тегов → Настраиваем приём целей из GTM в Аналитиксе
Поле Metrics мы разобрали, осталось Dimensions и Filters. Остальные просты в понимании, Limit — это количество строк выгружаемых в отчёт. Start Date — начальная дата с которой нужно выгрузить данные. End Date — конечная дата по которую выгружаем данные.
Итак Dimensions — это показатель, для которого мы подбираем метрики. В нашем случае, в этом качестве выступает ga:landingPagePath — адрес url по которому посетитель пришёл на сайт. То есть мы смотрим, сколько та или иная статья блога/журнала привела посетителей и достижений целей из Metrics.
Ну а блок Filters, помогает нам отсеять лишние ga:landingPagePath, указывая, что должны содержать адреса страниц. Например, это может быть часть урла как /journal, /blog или /news, говорящие нам о страницах журнала или блога.
Теперь, как мы разобрались с параметрами и заполнили их, запускаем выгрузку данных через «Run reports».
Обработка данных
Выгрузка будет выглядеть следующим образом.
Фактически за указанный период мы получаем данные по посещаемости и целям в разрезе статей. Но сами по себе адреса статей нам ничего не дадут, такие данные изучать не получится.
Справочник по авторам от редакции
Чтобы их преобразовать в удобный вид, необходимо получить от редакции табличку темника или иного документа, где есть информация по статье: url, автор, название статьи. Это будет своего рода справочник. В него можно добавить не только авторов, но и редакторов и прочие варианты деления, важные для бизнеса.
Обратите внимание на второй столбец, там работает функция отсекающая https://test.ru.
=REGEXREPLACE(A2;".*:\/\/test\.ru";"")Сделано так по той причине, что выгрузка из Гугл Аналитикса приходит в таком же виде и чтобы склеивать эти данные, нужно привести их к одному виду.
Касаемо названия статьи, его можно не прописывать вручную редакции, а вытаскивать автоматически с помощью функции Гугл Таблиц — IMPORTXML
Подготовка массива данных
Массив данных — это большая таблица где склеиваются данные из разных мест. В нашем случае из справочной таблицы от редакции и с выгрузки из ГА. Массив нужен для того, чтобы по нему сделать сводную таблицу и оценивать эффективность авторов.
По второму столбцу стоит уточнить, что
Архитектура будущей отчётности
Чтобы было понятнее схематично изобразил архитектуру аналитического решения.
Я также добавил красным в слое источников данные по зарплатам авторов. При наличии такой информации, итоговые отчёты будут более информативными. Условно видим, что показатели автора плохие, но при этом мы ему платим больше всех — выводы напрашиваются сами собой.
И данные по расходам на дистрибуцию. Это должна быть выгрузка по рекламным кампаниям, в нейминге которых будет зашита метка передающая название статьи. В дальнейшем это позволит склеить данные по рекламе с остальными. Или метку зашиваем в один из параметров utm_меток. Расходы позволят видеть корреляцию эффективности статьи и эффективности автора, поскольку успешная статья может быть таковой не за счёт автора.
Ещё важно, что работа авторов, как правило, распределена на несколько проектов. Поэтому в исходных данных, например, табличке от редакции, можно учитывать и эту информацию и понимать насколько эффективен автор без привязке к темам бренда. Если отрицательная динамика для автора сохраняется от проекта к проекту, то видимо дело в авторе.
Визуализация данных по редакции
Самое сложно мы миновали и теперь можно расслабиться. Нам предстоит построить обычные сводные таблицы — на изи.
Выделяем всю таблицу нашего массива с прошлого шага и вставляем сводную через меню «Insert» → «Pivot table». После выводим нужные срезы и метрики, например:
Эффективность статей
Эффективность авторов всего и в среднем
Как я говорил, мы не ограничены в видах отчёта. Всё зависит от источников данных, которые мы добавим. Добавим расходы на зарплаты, получим в отчётах эти показатели. Добавим расходы на рекламу — увидим и их в общих сводных таблицах.
На мой взгляд, отчётность по эффективности редакции нужна. Она позволяет ориентироваться на цифры, а не на ощущения. Позволяет оценивать эффективность элементов редакции не только показателями вовлечённости, но и стандартной воронкой бизнеса. При этом цель отчёта не привязать редакцию к KPI, а скорее обелить тёмную сторону направления.
Шаблон отчёта
Ну и по традиции отдаю вам шаблон отчёта для контент-маркетинга на Гугл Таблицах.
