Построение рекламной аналитики с нуля в Retail Media

«Мой опыт доказывает, что слова Сократа “я знаю, что ничего не знаю” актуальны для любого начинания. Расскажу о том, как этот подход помог мне в работе, когда нужно было не только собрать команду аналитики и выстроить все процессы с нуля, но и начать быстро показывать результаты», — делимся колонкой Максима Калацкого, руководителя управления рекламной аналитики Магнит ADS.

Руковожу аналитикой в Магнит ADS — бизнес-вертикали в Магнит OMNI. Был на разных позициях и в онлайн-, и в офлайн-ритейлерах: ЕССО, ЦУМ, «Яндекс Еда». В Wildberries за год работы выстроил с нуля отдел аналитики, в несколько раз нарастил рекламную выручку. В Магнит ADS я столкнулся с интересным вызовом, где моя экспертиза оказалась очень кстати: нужно было выстроить всю аналитику с нуля, но теперь уже в Retail Media.

Перед тем, как рассказать об этапах проделанной работы, поделюсь своим наблюдением: алгоритм построения аналитики с нуля напоминает сборку кубика Рубика. Ты не можешь прыгнуть от 0 до 10 без шага от 0 до 1 (или собрать одну сторону кубика). Поэтому сначала необходимо выработать алгоритм, как двигаться от 0 до 1, а дальше предпринимать следующие шаги.

Начну с базовых вещей, про которые почему-то часто забывают.

1) Основные контактные лица: можно очень долго изучать документацию и даже разобраться, как всё устроено в техническом плане, но связи между проектами почти всегда не задокументированы и находятся только в головах у сторожил компании, с которыми и нужно в первую очередь наладить контакт.

2) Инфраструктура — необходимо понять стек инструментов и технологий, которые используются в компании, и быстро запросить к ним доступы.

3) Продукты — то, за что вы будете отвечать и что будете развивать. Главное здесь — понять, как они связаны между собой, и уточнить, на какой стадии разработки всё находится.

4) Необходимо консолидировать в едином пространстве всю ключевую информацию о проекте. Время людей — ценный ресурс, надо это уважать.

5) Стратегия бизнеса — после первых 4 пунктов вы уже поняли, какая ситуация «as is» в компании, а этот пункт отражает статус «to be». Далее уже можно «отрисовать» проекты, которые нужно выполнить, чтобы перейти из as is в to be, и какая для этого необходима аналитическая структура.

Важны три момента:

1) обозначить чёткие границы между командами аналитики и зонами ответственности;

2) не нанимать всех одновременно (помните про ограниченность ресурса онбординга);

3) некоторые функции не будут нужны вам сразу.

Итак, теперь мы готовы переходить к найму — и делать это надо быстро. Скоро придут заказчики, сроки по задачам будут гореть. Мы уже собрали большую команду из data-инженеров, системных аналитиков,data/продуктовых аналитиков, ML-инженеров. Поделюсь алгоритмом удачного найма и несколькими лайфхаками.

1) Подготовительный этап:

2) Отбор кандидатов:

3) Собеседование (приоритеты):

Fun fact: в самый пик найма на одном из этапов воронки было по 20 собеседований в неделю!

Мой личный принцип (не рекомендация к действию): в отношении 20% вакансий риск допустим. На 2 из 10 позиций я позволяю нанимать кандидатов, в которых полностью не уверен, чтобы ускорить найм.

В целом мы закончили строить аналитическую ветку и выполнили три основных задачи:

А теперь перейдем к рекламной специфике, или доменной экспертизе.

Обратите внимание на два отличия данной продуктовой воронки:

Какие ещё термины для нас актуальны:

А так выглядит полное дерево метрик. Оно разделяется на два направления: работа с поставщиками (retention, привлечение новичков, средний чек рекламодателя, CPM) и работа с пользователями (продуктовая воронка, перекруты).

Далее расскажу о том, какие проекты стоят перед командами продуктовой и коммерческой аналитики, чтобы максимизировать данные метрики.

Начнём с команды коммерческой аналитики. Для того, чтобы полностью описать её работу, необходимо пройти по пути привлечения рекламной выручки. Он подразделяется на следующие этапы:

Команда продуктовой аналитики занимается, во-первых, своими классическими задачами: разметкой и анализом полноты данных. С учётом рекламной специфики, сюда добавляются биллинг и отслеживание перекрутов.

Во-вторых — A/B-тестирования, в основном, двух типов: внедрение новых плейсментов и оптимизация текущих. Здесь целевой метрикой 99% A/B-рекламы является размен рекламной выручки на пользовательские метрики/заказы. Данных не так много и они достаточно волатильные, поэтому приходится прибегать к различным методам оптимизации.

В-третьих — работа над различными рекламными проектами: внедрением self-service платформы для поставщиков, блогерской платформы, рекламной атрибуции, рекламного аукциона.

Последнее — но не менее важное — создание совместно с DWH-аналитиками источников с прода и построение визуала по основным рекламным метрикам в контексте продукта.

В итоге нам удалось достичь впечатляющих результатов.

С точки зрения данных и инфраструктуры:

● собраны и автоматизированы основные витрины;

● визуализированы ключевые adtech-метрики;

● настроен процесс взаимодействия с DWH-аналитиками по автоматизации production-процессов;

● настроен процесс обмена данными с разработкой;

● реализованы автоматические алёрты на любые изменения в ключевых метриках.

С точки зрения продукта:

● внедрены и проанализированы новые плейсменты;

● запущены ключевые фичи по оптимизации;

● внедрён новый алгоритм ротации медийной рекламы;

● собрана рекламная атрибуция.

С точки зрения коммерции:

● настроена автоматическая отправка отчётности по кампаниям;

● созданы прайс-листы на основе эффективности инструментов;

● создан инструмент медиапланирования.

А сейчас мы развиваем персонализацию, запускаем новые рекламные форматы, начинаем работать над рекламным аукционом, улучшаем баннерную ротацию и создаём различные фичи по оптимизации для наших рекламных партнёров.

Приходи работать к нам — мы омнимем тебя!