Как знание SEO-метрик и качество сайта влияют на продажи в интернет-магазинах и маркетплейсах

В этой статье мы расскажем, какие метрики позволяют оценивать контент, как их рассчитывать и, самое главное, как их знание помогает улучшать общий контент сайта. Обладая большим опытом работы с ecommerce и большим объемом данных, мы поделимся примерами с конкретными цифрами и разберем реальный кейс.

Мы давно и плотно работаем с онлайн ритейлом и видим, что сегодня все чаще и чаще еком задается вопросом анализа качества контента и его влияния на конверсию. Все понимают, что качество контента влияет на конверсию, но непонятно, насколько значимо. В то же время качество контента влияет не только на конверсию, но и на SEO, которое, по исследованию DataInsight, обеспечивает от трети до половины всех онлайн продаж в ecommerce. Таким образом, улучшая качество содержимого сайта, мы получаем двойной выигрыш: повышаем конверсию и получаем бОльше органического трафика.

В это статье мы расскажем, какие метрики позволяют оценивать контент, как их рассчитывать, комбинировать и как подобная аналитика помогает улучшать контент сайта. Параллельно будем разбираться в том, насколько эти метрики значимы для продаж.

Поехали!

Начнем с UGC (UGC — user generated content, сгенерированный пользователями контент). В нашем примере мы сравнили 2 группы страниц товаров со статусом «в наличии». Первая группа — страницы без UGC «нет отзывов/обсуждений/фото покупателей» (левый скрин), вторая группа — страницы с UGS «есть отзывы/обсуждения/фото покупателей» (правый скрин).

Далее мы сравнили средние показатели конверсий и видимости этих двух групп. Что мы увидели?

Страницы товаров, у которых есть отзывы, в среднем конвертят почти в 2 раза лучше. Это важный сигнал! Можно сказать, что карточки с отзывами существенно увеличивают вероятность покупки.

Подберем под наши карточки товаров запросы и посмотрим на их видимость в поисковых системах.

Разница в видимости оказывается еще существенней: видимость в поисковых системах страниц с отзывами выше в 4 (!) раза. Очевидно, что в данном примере поисковики еще более чувствительно реагируют на контентный признак UGC.

Возможно, какие-то другие атрибуты страниц с отзывами проработаны так же хорошо и они позитивно влияют на ранжирование, но уже только разделив карточки товаров по одному признаку, мы видим значимую зависимость, и видим необходимость обратить на UGC особое внимание.

Давайте разберемся, как полнота описания товара влияет на конверсию и видимость страницы. Рассмотрим это на примере числа фотографий товара. В этот раз сравнивать средние показатели конверсий и видимости мы будем уже для 3-х групп страниц товаров со статусом “в наличии”: «1 фото», «2-4 фото», «5-7 фото».

В нашем примере мы дополнительно сегментировали поисковый трафик и посмотрели на конверсии в разрезе пользователей, пришедших из разных поисковых систем. В среднем карточки товаров, у которых 5-7 фото, конвертят в 1,5-2 раза лучше карточек, где всего 1 фото. Причем, у пользователей, пришедших из Яндекса, разница более заметна.

Подберем под карточки запросы и посмотрим на их видимость в поисковых системах.

Видимость страниц товаров растет пропорционально росту количества фото.

Более значимую разницу показывает видимость в Google — страницы, у которых 5-7 фото, в среднем имеют почти в 3 раза лучшую видимость, чем карточки с одним фото. Такая зависимость явно говорит о том, что нужно обратить внимание на фото товаров и поработать с ними.

На двух различных примерах мы показали, по каким контентным признакам можно сегментировать карточки товаров и увидели значимую разницу в конверсии и видимости в зависимости от уровня оптимизации контента. А какую ценность мы можем из этого всего извлечь для бизнеса?

Анализ различных контентных признаков позволяет найти значимые корреляции с конверсией и видимостью и определить приоритетный для инвестиций тип контента.

Если проводить такой анализ контента по всей структуре каталога товаров (разделы, категории, подкатегории), то можно заметить определенные закономерности уже не в разрезе отдельных страниц товаров, а в разрезе понятной иерархической структуры. Так мы сможем сказать, что, например, в «категории 1» у нас в среднем мало фото у карточек, а в «категории 2» у нас все отлично с UGC контентом. Можно легко построить так называемую карту/матрицу качества в разрезе всей товарной структуры.

Давайте рассмотрим, как это работает и как может выглядеть приоритет инвестиций в контент, на конкретном примере. Проанализировав контентные атрибуты страниц товаров, мы определили, что компании важно ориентироваться на следующие показатели карточек товаров:

Следующий пункт про ценность – карта качества в разрезе товарной структуры.

Как мы говорили выше, все атрибуты по отдельным карточкам товаров можно “схлопывать” по структуре каталога и понимать, какие категории товаров лидируют, а какие отстают по описанию, кол-ву фото, кол-ву характеристик и т.д. Полезно анализировать эти метрики и следить за всей структурой в динамике.

Мы можем расширять воронки метрик и дополнительно приоритезировать инвестиции в различный вид контента. Например, можно обогатить наши данные данными про спрос на маркетплейсах или спрос в поисковых системах, и в зависимости от динамики спроса, лучше оценить и расставить приоритеты по работе с контентом.

Также важно оценивать эффективность инвестиции в контент — для уже проведенных и текущих работ по контенту, плюс на базе прогнозируемого роста видимости и трафика можно предварительно оценить эффект от будущих рекомендуемых вложений.

На конкретных примерах мы увидели, какую ценность можно получить от анализа контента. Но какие же данные вам потребуются, чтобы провести такой анализ самостоятельно? Ниже мы поделимся опытом, как организуем сбор и обработку необходимых данных у себя, надеемся, он будет для вас полезен.

Итак, как мы собираем данные?

● получаем информацию из фидов про список товаров и про структуру категорий;

● получаем данные про контент страниц с помощью своего краулера, который с нужной регулярностью обходит все страницы сайта, собирает контент, а мы подсчитываем и раскладываем его на понятные элементы (кол-во фотографий, отзывы, их рейтинг, кол-во характеристик);

● данные про доставку, выкуп, реальный доход и выручку берем из CRM;

● данные по сессиям и конверсиям получаем из систем аналитики ЯМ и GA.

из поисковых систем подтягиваем данные по спросу и видимости, конкурентам и их позициям, данные по СРС;

● регулярно собираем технические данные про индексацию, доступность, скорость загрузки страниц сайта и пр.

Мы собираем все данные под конкретный тип страниц «карточка» или «листинг». К этим типам страниц привязываются различные данные и строится аналитика в BI.

Как рассчитываются метрики контента — давайте разбираться на конкретном кейсе большого ecommerce проекта.

Для нашего кейса мы проанализировали более 30 контентных фич. Мы разделили их все на 4 макро-группы:

● пользовательский опыт (рейтинг, кол-во отзывов, отзывы с фото/видео и т.д., все что связано с ugc контентом карточки),

● медиа контент (фото, видео, 3d и т.д.),

● описание (описание товара, описание характеристик, кол-во характеристик и т.д., все что связано с текстом),

● коммерческое (наличие, доставка, скидки и т.д., все про покупку товара).

На рисунке отображены не все контентные фичи, которые можно анализировать, полный список можно запросить тут.

Для расчета метрик необходимо спарсить контентные фичи и преобразовать их в нужные типы данных. В результате преобразования и обработки собранных данных мы получаем числовой массив со всеми нашими фичами.

Нам нужно объединить фичи по четырем макро-группам для выведения метрик качества, однако, все данные разнородные и у них разные размерности. Как их сравнить? Поможет нормирование.

Нормирование

Нам необходимо нормировать все фичи от 0 до 1 (или от 0% до 100%), где 1 (100%) - максимальное значение фичи.

Если атрибут бинарный ( например, отсутствует или “в наличии”), то значение может быть 0 или 1. в случае градации мы выбираем шаг, и отнимаем его от 1. Например, в случае с фичей свежести отзыва, мы выбрали за шаг 10% - 1 месяц, и отнимали его от 100% по убыванию свежести.

Таким образом мы привели все данные к единой размерности от 0 до 1. Теперь можно “схлопывать” фичи в группы метрик.

Расчет метрик

Изначально мы выделили следующие макро-группы: пользовательский опыт, медиа, описание, коммерческие. Чтобы рассчитать метрики для каждой, нам нужно нужно как-то объединить значения их фичей.

Можно это сделать упрощенно - просто посчитать среднее по каждой фиче в группе метрики с равными весами у каждой. Однако, результат будет намного лучше, если определить значимость каждой фичи и умножать значение метрики на коэффициент значимости. Коэффициенты можно определить через построение карты корреляций всех фичей с целевой фичей (конверсия). Для получения еще более точных результатов, можно отдельно подбирать коэффициенты по разным бизнес-вертикалям (разделам/категориям).

Мы рассчитали метрики обоими способами. Посмотрим, что у нас получилось.

Пример расчета без развесовки

При расчете метрик по принципу средней без развесовки, пришли к выводу, что далее будем рассматривать только 3 ранее упомянутые группы (пользовательский опыт, медиа и коммерция), 4-ая в данном кейсе не показала никаких значимых корреляций и ее мы убрали из дальнейшей аналитики. Добавим еще одну метрику — «Итого». Эта метрика является производной от всех наших метрик. Ее также можно рассчитать по средней без развесовки, а можно наделить наши 3 группы коэффициентами значимости и использовать его при расчетах.

Добавим к таблице наших метрик данные по конверсии и уже можно увидеть закономерности и аномалии. Однако, карточек товаров много и анализировать матрицу из тысячи строк не удобно. Наиболее оптимальный способ: сначала оценить качество контента в разрезе категорий товаров. После этого этапа можно углубляться более точечно в сами карточки, но изначально нужно определить более масштабные зоны, где у нас все хорошо, а где плохо в разрезе категорий. Давайте посмотрим, как это работает на нашем кейсе.

Анализ контента категорий товаров

Схлопнем результаты по нашим метрикам из уровня карточек до уровня категорий и увидим, что категории ведут себя по-разному!

Сравним показатели метрик по категориям со средними показателями метрик по всему проекту.

Мы видим, что по пользовательскому опыту показатели отличные в таких категориях как «благоустройство», «инструменты» и «стройматериалы», а у категорий «инженерные системы», «крепеж» и «электрика» напротив — показатели ниже среднего.

Медиа-контент лучше и лучше оптимизирован в «сантехнике» и «инструментах», а в «крепеже» и «стройматериалах» — напротив.

По коммерческой метрике плохо оптимизированы категории «сантехника» и «благоустройство».

А как обстоят дела с конверсиями этих категориях? Есть ли тут корреляции?

Влияние на конверсии

Мы вывели итоговую метрику качества контента и сравнили ее с конверсией. Оценка по категориям так же взята в сравнении со средним по всему проекту. Что здесь интересного?

В категориях «стройматериалы», «сантехника» и «инструмент» цифры по конверсии у нас выше средних по всему сайту. Эти цифры прямо коррелируют с метрикой «Итого», которая также показывает результаты выше среднего по проекту.

Обратную картину наблюдаем для категорий «инженерные системы», «крепеж» и «электрика» - показатели по конверсии ниже средних по всему сайту. Это так же прямо коррелирует с метрикой «Итого».

Давайте вернемся чуть назад и вновь посмотрим на наши метрики качества, чтобы еще лучше понять причины и зависимости.

Если посмотреть на категории, у которых конверсия и метрика «Итого» выше среднего, то видим, что у «стройматериалов» крутой пользовательский опыт, в «сантехнике» отличное наполнение «медиа контентом», а у «инструмента» в принципе хорошо оптимизированы все зоны по всем метрикам. Напротив же, у категорий, у которых конверсия и метрика «Итого» хуже среднего, видим, что у «инженерных систем» плохо оптимизирован «пользовательский опыт», в «крепеже» плохая ситуация в пользовательском опыте и медиа контенте, в «электрике» плохо с пользовательским опытом и коммерческой метрикой.

Мы проанализировали ситуацию в категориях, но такой анализ можно проводить и внутри категорий. В нашем кейсе мы решили разобраться, есть ли какие-то зависимости в соответствии с уровнем проработанности карточек?

Анализ контента категорий товаров

Мы разбили карточки на 4 группы по итоговой метрике. Видим, что более оптимизированные имеют лучшую конверсию. Видим это как по всему сайту, так и по отдельно взятым категориям.

Возможно, на графике не так хорошо видно, но разные категории по-разному чувствительны к уровню оптимизации карточек внутри. В каких-то категориях хорошо проработанные карточки бустят намного сильнее.

Чтобы увидеть силу влияния, можем посмотреть на соотношение конверсии хорошо проработанных карточек и слабо проработанных, и таким образом определить, какая разница и профит в разрезе категорий.

Очевидно, наиболее чувствительны к уровню проработки оказались карточки категории «инженерные системы».

Отношение конверсий хорошо проработанных карточек и слабо проработанных здесь равно почти 2,5, что выше, чем по всему сайту. Самый большой профит от вложений в контент будет именно в этой категории. И напротив, мы видим, что «инструмент» и «интерьер и отделка» имеют отношение 1,5, что ниже, чем по всему сайту. Чувствительность к контентной проработке у данных категорий ниже.

По итогу такого большого анализа, мы можем оценить текущее качество всего контента карточек и получить своего рода точку отсчета.

Собрав подобного вида таблицу, мы можем транслировать ее широкому кругу — отделу маркетинга, product manager, аналитикам, группе контента.

Располагая данными, мы уже можем выделять категории в сегменты, выдвигать и проверять гипотезы, смотреть в динамике, как реагируют показатели конверсии и метрики SEO на улучшение качества контента.

Что можно сделать еще, чтобы улучшить точность и уменьшить риски в принятии решений по вложения в контент? Можно еще расширить данные поисковым спросом и сезонностью, добавить данные про конкурентов, сделать такую же оценку контента конкурентов, которую мы делали ранее по своему сайту. Конечно, данных по конверсиям конкурентов у нас нет, но мы можем искать корреляции качества контента конкурентов с поисковой видимостью. Так мы можем дополнительно подкрепить уверенность в наших гипотезах, т.к. это уже будут расширенные данные по всему рынку, а не только по нашему проекту.

Дополнительные данные о спросе позволяют нам оценить, сколько в принципе в категориях есть потенциала по трафику и как категории соотносятся между собой по этому потенциалу. В нашем кейсе спрос на товары категории «инженерные системы» и «интерьер и отделка» значимо выше, чем на другие категории. При расстановке приоритетов инвестиций в контент этот факт стоит обязательно учесть.

Важно не только оценивать спрос, но и отслеживать его в динамике, т.е. понимать сезонность спроса.

Обладая данными по сезонности, мы можем улучшить нашу стратегию по инвестированию в контент. Например, планируя работы по контенту на год, мы можем расставить в нужном порядке оптимизацию той или иной категории, чтобы с приходом сезона высокого спроса наш контент был максимально проработан и приносил отдачу.

В нашей статье на примере кейса крупного еком мы показали, как можно анализировать качество контента карточек товаров, и как полученная аналитика помогает находить точки роста, приоритезировать работу с контентом и инвестиции, приносить ценность SEO. Надеемся, данная информация найдет практическое применение и поможет оптимизировать контент и увеличить продажи.

Скачивайте список контентных фич уже сейчас и внедряйте новые знания!

Cтатья подготовлена руководителем отдела аналитики SEOWORK, Сергеем Горобий