Как оцифровывать данные и почему это актуально? Аналитика крупного e-commerce на примере “Детского мира”

На майском воркшопе, ведущий аналитик SEOWORK Владимир Кореков, демонстрировал алгоритм работы с товарными направлениями, начиная с парсинга сайта и вплоть до загрузки в платформу, а также выстраивал гипотезы для роста сайта в тематике e-commerce. Статья написана на основе вебинара, который можно посмотреть на YouTube-канале SEOWORK по ссылке.

Приготовьтесь, статья носит прикладной характер — будет много описаний действий и скриншотов!

В связи со сложившейся политической ситуацией ряд брендов покинул российский рынок, оставив после себя поле свободного трафика. В поисковой выдаче заметны изменения позиций eCommerce разных ниш. Из-за экономических изменений в конце февраля – начале марта спрос резко вырос, а видимость потеряла зарубежных игроков, что обрушило волну трафика на оставшиеся в России бренды.

В связи с возникшими возможностями для развития eCommerce важно объективно проанализировать имеющиеся данные собственного проекта. Один из возможных курсов работы над эффективностью eComm — полноценная аналитика товарных направлений. На основе известного игрока рынка в нише товаров для детей рассмотрим возможности для коррекции стратегии поискового маркетинга.

“Детский мир” — один из крупнейших лидеров ниши товаров для детей. На его примере рассмотрим составление товарных направлений для проекта и последующей выгрузки в SEOWORK.

Мы имеем слепок семантики Детского мира — запросы и базовое распределение по посадочным страницам. Наша задача: определить категорию, товарное направление для всех страниц. Для выполнения поставленной цели обращаемся к сайту исследуемого e-commerce.

Сначала мы обращаем внимание на вложенность URL, однако она не всегда работает. У “Детского мира” собственная структурность, поэтому мы обращаемся к хлебным крошкам — именно там, как правило, отражается структура вложенности (раздел, подраздел, подраздел 2-го уровня и т.д.). Чтобы собрать хлебные крошки для каждой страницы, мы обращаемся к парсеру SEO Frog (“лягушка”) — самый известный дефолтный инструмент и язык запросов к документу XPath.

Нам нужно определить хлебные крошки в коде страницы. В данном случае это тег nav, класс r_2. Мы видим вложенность в nav, поэтому углубляемся дальше по кодовому пути и обращаемся к элементам li.

Проверяем – все элементы li удобно разделены по направлениям. Теперь мы можем задать получившийся путь //nav[@class=”r_2”]/ul/li в “лягушку”, а именно Configuration → Custom → Extraction.

Создаем новый XPath, придумываем понятное название и указываем вычисленный путь. После сканирования получаем нужную выгрузку и переходим в Excel.

Полученный из XPath файл с помощью Excel подчищаем и на основе исходного семантического ядра для каждой страницы подтягиваем соответствующее товарное направление. На выходе у нас получается связка из столбцов Запрос → URL → Категория.

Если все в порядке, сохраняем готовую структуру и переходим к выгрузке файла в платформу SEOWORK.

Тип задания: Добавление запросов (Обновление страниц и категорий)

Проект: “Детский мир”

Название задания: Категории

Тип файла: XLSX

После добавляем файл через загрузку.

На примере “Детского мира” видно, что структура достаточно подробная и каждое направление делится еще на категории, подкатегории и т.д. Для более детального анализа и качественного мониторинга ниши можем оцифровать настолько подробно, насколько это нужно.

Внутри самой большой категории игрушек создадим категорию второго уровня.

Когда у нас есть распределение страниц по категориям, мы можем просматривать информацию по общему количеству страниц, количеству запросов на каждую категорию, а также точечные данные по SEO-метрикам (спрос WS, “WS”, “!WS”; видимость %ТОП3, %ТОП5, трафик %PTraf и др.).

Детализированность данных позволяет обратить внимание не только на общее состояние сайта, но и в разрезе каждого направления и товара для поиска и развития точек роста и гипотез. По метрикам спроса можно выявить самые высокочастотные категории, по трафику — самые большие охваты.

Можно рассматривать и от обратного: вычислять категории с небольшим спросом и предполагать, что в этих направлениях меньше конкуренции, а значит можно достичь результатов быстрее и меньшими усилиями (гипотетически, конечно). Для работы с данными можно задать любой период и отследить спад или наоборот скачок в сравнении с предыдущим годом, например.

Данные имеют как табличный вид, так и динамичный образ в модуле BI. С момента загрузки проекта данные насыщают графики и позволяют отследить изменения по каждому направлению. Помимо динамики, можно фиксировать среднее значение по сегментам. Например, у Детского мира 53% всего спроса приходится на игрушки и детские игры.

Динамика отслеживается и по видимости каждого товарного направления. Углубившись в категорию “игрушки и игры”, мы можем рассмотреть подробнее “куклы и аксессуары”, “мягкие игрушки”, “детские конструкторы” и т.д., чтобы мониторить их изменения в спросе и видимости, выстраивать приоритет в рамках подкатегорий.

У Детского мира в разрезе среднего спроса заметно, что на “игровые наборы и фигурки” приходится 19% всего “игрушечного” спроса, но при этом видимость этой категории самая низкая.

Таким образом, уже сейчас можно выстроить приоритет по проработке задачи, т.к. направление заметно популярное среди пользователей, но при этом теряет в выдаче. После проработки велик шанс охватить весь приходящийся на подкатегорию спрос — потенциал для роста максимальный.

Полезно отслеживать информацию о спросе и видимости на определенные типы страниц. Полученные данные проиллюстрируют, на какую именно часть сайта приходится бОльшее количество спроса, а значит выделит приоритет по работе SEO-команды или подрядчика.

Как правило, у e-commerce проектов самые спросовые страницы — листинги и карточки товаров. “Детский мир” удерживает золотую середину для специфики своей ниши.

Аналогично тому, как мы с помощью XPath забирали информацию о всей структуре сайта, мы также можем собирать информацию о любом отдельном элементе, который нас интересует. Для примера мы рассмотрим корреляцию количества фото, отзывов, а также наличие оплаты частями с видимостью в поисковой выдаче.

Так же, как делали ранее, парсим в “лягушке” и преобразовываем полученную информацию в сегменты следующим образом:

URL → [карточка товара] оплата частями: есть / нет

URL → [карточка товара] количество фото: 1–4 / 5–10 / 11–30

URL → [карточка товара] количество отзывов: 1–5 / 6–25 / 26–100 / 100+

Аналогично загрузке предыдущих файлов добавляем в систему новые.

Теперь мы можем приступить к аналитике в разрезе конкретных элементов сайта. Динамика спроса в рамках оплаты частями не сильно информативно, поскольку она не дает данные, провоцирующие на новые точки роста, однако обратить внимание на общий процент спроса полезно. Заметно, что ⅔ спроса приходится на карточки, где нет оплаты частями.

В видимости элемента отлично иллюстрируется разница между наличием и отсутствием оплаты частями. Карточки товара, у которых присутствует исследуемый элемент, несмотря на меньший спрос, имеет видимость в два раза выше по сравнению с карточками без оплаты частями.

Это ценная дополнительная информация, из которой рождаются гипотезы, например, о прямом влиянии на видимость карточек товара. Однако не является аксиомой обязательного добавления оплаты частями на все карточки разных e-comm проектов.

В контексте Детского мира разница показательная, поэтому следует проверить возникшую гипотезу и попробовать добавить элемент на 20-40 карточек, а через время посмотреть на рост по метрикам видимости. И если корреляция повторится, то либо повторять эксперимент, либо масштабировать на весь проект.

По среднему спросу наблюдается примерное равенство.

На основе данных видимости наблюдаем: чем меньше фотографий, тем хуже ранжируются карточки. У карточек с 1–4 фото самый низкий показатель и самая большая видимость у карточек, которые имеют 11+ фотографий.

Далее для коррекции стратегии поискового маркетинга карточки с фото можно разбить на еще более мелкие сегменты, чтобы найти оптимальное количество фото и оптимизировать контентные издержки (не перегружать контент-мейкеров и перераспределить бюджет).

Аналогичная ситуация, спрос делит логичные доли.

Опять же, карточки с наименьшим количеством отзывом 1–5 ранжируются хуже всего, в то время как карточки с отзывами 100+ ранжируются лучше. Но не нужно воспринимать полученную аналитику как данность. С точки зрения отзывов, бывают и обратные корреляции, потому что они могут быть не уникальные, заспамленные, без разметки, с отрицательными рейтингами и т.д. При точечной проработке этого элемента появится более прикладной инсайт, нежели основанный только на количество отзывов.

Если есть возможность повышать количество отзывов, то ей нужно пользоваться, но не ограничивать себя в гонке за любым контентом пользователей. Следует смотреть на картину шире, искать закономерности, смотреть на данные от отзывов с фото и видеоконтентом. Контент на странице необходимо отслеживать.

Как SEOWORK может помочь: