На потоке об электронной коммерции в рамках iForum-2015 много говорили как о тенденциях, так и о практических вещах – рецептах, которые без лишних трат позволят e-commerce-проекту улучшить эффективность своей работы. Таким рецептам был полностью посвящен доклад основателя компании OWOX Владислава Флакса. Многие из советов, которые он озвучивал, касаются работы с базами данных и их объединения, и были опробованы такими игроками рынка, как “Розетка”, “Эльдорадо” и другие крупные ритейлеры. AIN.UA публикует краткий конспект доклада Владислава о решениях для e-commerce-проектов, которые помогли им увеличить эффективность в кризис.
Фото – Ольга Закревская
1. Локализация источников JavaScript-ошибок
Сайты становятся все более интерактивными, ошибок становится все больше. Как решается эта задача с помощью Google Analytics?
Первое: нам нужно найти причину того, почему пользователь сталкивается с ошибками, и не просто найти, а локализировать и замерить в деньгах.
Как это работает? Создаем пользовательскую переменную, настраиваем отслеживание в Google Tag Manager, в результате получаем в отчете интересную информацию: насколько отличается доход от тех посетителей, которые столкнулись с JavaScript-ошибками на сайте, по сравнению с доходом от других пользователей.
Зная общее количество таких посещений, вы можете четко для себя и для своих разработчиков получить информацию о том, сколько вы теряете денег на JavaScript-ошибках сайта.
Второе: нам нужно понять, что стоит поменять. Это второй отчет, который также строится с помощью Google Analytics, здесь – доля посещений с ошибками сегментирована по типам страниц и по браузерам.
Здесь можем автоматически выделить те страницы, где доля таких ошибок – аномально высокая.
2. Оценка рекламных каналов по LTV (Life Time Value)
LTV – это совокупная ценность, которую приносит клиент за все заказы, которые сделал. Настоящие цифры об LTV знает ваша внутренняя учетная система, например, 1С, а деньги на рекламу вы тратите в онлайне и информация об этом хранится в Google Analytics. Можно объединить эту информацию: реальные продажи и расходы на рекламу.
Делаем простую табличку, к примеру, в Google Sheets, где есть ID пользователя, дата заказа и сумма. Расчитываем RFM (Recency Frequency Monetary) и LTV. RFM – это сегментация клиентов по давности, количеству и сумме покупок. LTV можно расчитать, просто просуммировав доход на каждого клиента в Google Sheets. Результат загружается в DataSet (это пользовательский набор данных, который объединяет информацию из Google Analytics с той, которую вы загрузили). В результате расчитанные данные будут доступны вам в Google Analytics при анализе рекламных кампаний. Все, что остается сделать – построить отчет.
Каждый цвет соответствует рекламному каналу, каждый столбик – группа LTV (1 – те, кто приносят больше денег, 2 – те, кто меньше, 3 – еще меньше и т.д.). Мы видим, что в этом случае чаще всего пользователи, приносящие максимум денег, приходят с “синего” канала.
3. Повышение конверсии за счет персонализированных e-mail-рассылок
Это – реальный пример из практики “Розетки”. Задача – отправлять персональные рекомендации тем, кто смотрел, но не купил. Как это сработало? Мы собрали данные о поведении пользователей в Google BigQuery (это облачная база данных, которая позволяет в реальном времени быстро собирать информацию и обрабатывать ее). Затем объединили эту информацию с рекомендациями, которые расчитываются по Google Analytics. После этого нашли пользователей, которые смотрели товар, но не купили. Осталось отправить им письмо с рекомендацией.
Результат – ниже:
(когорта B – это пользователи, которые стали получать рекомендации, сравнение по доходу на одно письмо).
4. Оптимизация рекламных кампаний за счет учета цен конкурентов
Как учесть цены конкурентов в рекламных кампаниях? Наша задача: оптимизировать рекламные кампании за счет цен конкурентов. Последовательность дальнейших шагов такая:
При отправке рассылок, создании промо-товаров для сайта и т.д. лучше сделать акцент на те позиции, которые выгодно отличаются от цен конкурентов или же по наличию (у вас есть в ассортименте, а у конкурентов – нет). В итоге стоит построить отчеты в Google Sheets, чтобы понять, как прореагировали пользователи на наши предложения.
Пример:
Компания Ulmart измерила, насколько покупатели из разных каналов чувствительны к ценовой конкуренции. По горизонтали – отличие в цене (слева направо от “дешевле, чем у конкурентов” до “дороже, чем у конкурентов”), а по вертикали – конверсия.
Чем товар дешевле, тем конверсия выше. Здесь можно заметить интересные закономерности, например: в e-mail-рассылках реагируют на товары, которые немного дешевле, чем у конкурентов (на 3-4%).
5. Динамическая атрибуция
Все мы знаем, что покупатель делает несколько кликов по пути к заказу. И, когда хочется понять, какой вклад внес каждый конкрентый канал, мы должны как-то атрибутировать ценность транзакции на все источники, которые посетил пользователь, прежде чем купить товар.
Многие при оценке рекламных каналов учитывают только last click. Ниже приведем пример атрибуции, которую использовала компания “Эльдорадо”, чтобы оценить взаимное влияние каналов в тех случаях, когда покупатель использует несколько рекламных источников.
Компания собрала несэмплированные данные о поведении пользователей, экспортировала их во внутреннюю учетную систему (ERP). Чтобы посчитать взаимное влияние каналов, использовался вектор Шепли и цепи Маркова. Далее построили отчеты, которые показывали вероятность перетекания пользователей из одного источника в другой.
В результате рекламные каналы переоценили по отношению к классической модели last click (когда считается, что кто последний привел пользователя, тот и лучший рекламный канал).
