Аналитика мобильной рекламы: лиды из CRM для верификации трафика

Сопоставление данных аналитики с продажами из CRM является одним из самых надёжных способов подтверждения качества трафика в партнёрской in-app-рекламе. В CRM мы видим реально платящих пользователей, однако стоит учитывать вероятность влияния фрода на устройство платящего пользователя с целью подмены реального источника трафика. Сведение данных CRM с данными MMP и дополнительная проверка установок через антифрод-систему позволяет выявить продажи с вмешательством фрода и оптимизировать расход на привлечение новых пользователей.

Авторы: Алексей Ткачук, руководитель группы специалистов по мобильной рекламе E-Promo (часть E-Promo Group) и Мария Галанина, старшй веб-аналитик E-Promo (часть E-Promo Group).

Аналитика мобильной рекламы: лиды из CRM для верификации трафика

Плюсы сведения данных AppMetrica и CRM

Основная цель сопоставления событий из партнёрских мобильных сетей — это поиск и фильтрация фрода в мобильных приложениях. Данные из CRM позволяют определить, был ли действительно доход от совершения целевых действий. Для обнаружения перехваченного органического трафика необходимо дополнительно анализировать данные с помощью антифрод-систем. Помимо оценки качества трафика партнёрских мобильных сетей автоматизация процесса получения подтверждённых событий из CRM в систему аналитики даёт возможность улучшать алгоритмы привлечения трафика, так как эти события становятся доступны для оптимизации рекламных кампаний. Таким образом, за счёт автоматизации сбора данных из разных систем и представления их в едином интерфейсе аналитика размещения становится более глубокой и ускоряется процесс принятия решений.

Подготовка данных CRM

От полноты данных, собираемых в CRM, и регулярности их передачи зависит возможность реализации связки CRM данных и MMP. При подготовке данных следует принимать во внимание ограничения, накладываемые аналитической системой.

При использовании AppMetrica в CRM обязательно должно быть поле profile_id или appmetrica_device_id. Загрузка событий должна происходить не реже раза в неделю (разница между датой события и датой загрузки должна быть не более 7 дней для корректной привязки). С другими ограничениями можно ознакомиться по ссылке.

Минимальный достаточный набор полей для загрузки данных в AppMetrica: дата и время совершения события в формате UNIX-time, appmetrica_device_id или profile_id, название события, которое будет присваиваться этим данным. Каждая строка — отдельное событие, поэтому если событий несколько для одного идентификатора, то должно быть несколько строк. Идеальная ситуация, когда помимо минимальных полей идентификатора и даты в CRM также записаны источники. Такой набор позволяет не только мэтчить данные CRM и MMP, но и дополнительно анализировать, к какому источнику атрибуцировалась продажа в CRM и какой источник показывает система аналитики.

Пример витрины данных из CRM
Пример витрины данных из CRM

Также важно учесть принцип загрузки: в AppMetrica загрузка выполняется по принципу дозаписи, поэтому при подготовке данных обращаем внимание, за какой период у нас есть выгрузка, как обновляются в ней данные, и реализуем защиту от отправки дублей.

Схема интеграции CRM, AppMetrica, FraudScore

Типовую схему интеграции с «Метрикой» на основе CRM можно описать следующим образом:

1. Получение необходимых данных из CRM

В зависимости от качества сбора данных на стороне клиента этот этап происходит для всех с разной скоростью. Чаще всего мы запрашиваем витрину необходимых данных с полями даты и названия события, источника и идентификатора событий из аналитической системы, договариваемся о способе и регулярности получения данных. Всегда ориентируемся на стек технологий и ресурсы клиента, забираем данные как из таблиц с облака, так и из различных баз.

2. Преобразование данных под формат загрузки в AppMetrica

У каждой аналитической системы свои правила загрузки данных. Подробнее про правила загрузки событий AppMetrica по ссылке. С помощью Post API нужно передать таблицу csv, содержащую как минимум три поля: дату события, appmetrica_device_id и имя события.

Пример загружаемой в AppMetrica таблицы
Пример загружаемой в AppMetrica таблицы

После загрузки данные сразу отображаются в отчёте по событиям AppMetrica. В течение некоторого времени происходит привязка событий к установкам по appmetrica_device_id.

3. Интеграция AppMetrica и FraudScore

AppMetrica и FraudScore имеют прямую интеграцию: при загрузке нового события в AppMetrica получаем его во FraudScore в течение 20 минут после загрузки. Далее антифрод-система анализирует полученные данные и показывает процент фрода установки, после которой было совершено событие. Если критерии качества пройдены, далее происходит оптимизация партнёрского in-app-трафика на эти события. В противном случае событие не учитывается в KPI.

4. Объединение полученных данных

На основе данных CRM, AppMetrica и FraudScore строим единую витрину данных. События, полученные по «белым» источникам трафика, забираем напрямую из выгрузки CRM или из AppMetrica.

Остальные источники проходят проверку на антифрод и подтягиваются в финальную отчётность из FraudScore. Все данные выгружаются по API и мэтчатся с помощью python или ETL-инструментов.

5. Визуализация данных

Для упрощения восприятия данных и скорости мониторинга данные, собранные из CRM, AppMetrica и FraudScore, в различных срезах представляются в виде единых таблиц и графиков в Google Looker Studio. Помимо стандартного отчёта план-факт представлены данные по когортам и графики, где прослеживается «отложенный эффект» мобильной рекламы: когда мы наблюдаем, что привлечение нового пользователя спустя время начинает приносить плоды и итоговый CAC заметно снижается. Визуализация становится финальным шагом большой работы по сопоставлению данных и позволяет специалистам и клиенту быстрее ориентироваться в ситуации и принимать решения.

Аналитика: работа с когортами

Для анализа мобильного трафика важно отслеживать данные в когортах. Наиболее часто используемые когорты: день в день, 7 дней и 14 дней. Размер когорты зависит от типа бизнеса и целей, которые ставятся при оптимизации.

В первую когорту попадают события, которые пользователь совершил в день скачивания приложения на смартфон. Эта когорта является основной для оптимизационных действий, так как не требуется много времени для анализа изменений в кампании и формулирования выводов.

Вторая когорта включает действия, совершаемые в течение 7 дней после установки. Более длительная когорта нужна для оценки доходов от мобильного приложения, поскольку 95% всех покупок совершается в течение первой недели. Конверсии, превышающие этот период, не засчитываются в KPI.

Пример отчёта с разными типами когорт в Google Looker Studio
Пример отчёта с разными типами когорт в Google Looker Studio
Пример отчёта с разными типами когорт в Google Looker Studio
Пример отчёта с разными типами когорт в Google Looker Studio

Существует ещё тип открытых когорт, которые используются для оценки долгосрочного влияния рекламы и расчёта LTV. В рамках недельной когорты нельзя оценить долгосрочную динамику, но, если использовать открытую когорту, можно рассчитать суммы событий и новый доход за более поздний период.

Для получения данных по когортам мы используем точки входа API отдельно к установкам и отдельно к событиям, а затем мэтчим их по appmetrica_device_id (AppMetrica)/Funnel ID (FraudScore). Таким образом, получаем по каждому событию дополнительно информацию о дате установки и исходя из этого считаем сколько событий или платящих попало в когорту.

В AppMetrica также доступен отчёт по postback-событиям, когда в одной строке указывается дата установки и события сразу. Это даёт возможность избежать манипуляций с исходными данными, но в выгрузке появятся только те события, которые были изначально настроены в трекерах как постбэки, что со временем становится неудобным.

Рекомендации

Если есть возможность и ресурс автоматизировать процесс получения данных из CRM — стоит это сделать, так как эти данные максимально отражают реальную ценность, которую вы получаете от размещения. Предоставляя данные CRM, вы даёте возможность партнёрам работать на более сложные KPI.

На старте фиксируется договорённость с рекламными площадками о том, какие действия будут засчитаны в KPI и, соответственно, оплачены. Эффект от рекламы бывает заметен не сразу, и для разного типа бизнеса стоит определить оптимальную когорту, по которой будет происходить оплата. Например, если большинство конверсий наблюдается в течение недели, а далее процент выкупа у пользователей с установками в те же даты невысок, лучше всего засчитывать конверсии, подтверждённые в CRM, пришедшие из нефродовых установок в когорте 7 дней.

При автоматизации сведения данных вы получаете автообновляемый отчёт. Чем регулярнее происходит получение и обновление данных, тем лучше. Оптимальный вариант — ежедневный автообновляемый отчёт, минимальный — получение данных раз в неделю. Эти отчёты будут доступны байерам на стороне партнёра, чтобы они тоже понимали критерии оценки конверсий, в том числе прошедших скоринг в антифрод-системе, и использовали эти данные для оптимизации рекламных кампаний.

Начать дискуссию