продолжение. начало здесь.
Схема движения данных сквозной аналитики ПОСЛЕ
Предложенная схема – стандартна для работы с сырыми данными. Все данные загружались и далее рассчитывались в Google BigQuery.
Интересным в проекте было следующее: все данные стали загружаться в разрезе отдельных событий, то есть в качестве источника были взяты сырые данные сайта из Google Analytics 4 и сразу был получен готовый хитстрим в Google BigQuery. Далее Adjust был связан напрямую с GBQ, а ту часть схемы, которая через Fivetran загружала из внутренней системы данные в GBQ, была не тронута.
Рекламные расходы из рекламных кабинетов автоматически закачивались в GBQ, далее продуктом “M&H Apps” данные объединялись в сессии, сессии кросс-девайсно объединялись в единую цепочку по общим ключам, расходы и доходы также атрибутировались на уровень пользователя. Сырые данные занимают очень большой объем, поэтому перед отображением на дашборде они агрегируются посуточно по всем возможным параметрам и метрикам в “плоскую” таблицу.
Визуализация
В связи с тем, что все расходы и доходы атрибутируются на уровень сесси, дашборд Westwing отображает корректные данные в любых доступных срезах, а отчет по доходам и расходам всегда сходится (в отличии, например от Google Analytics, где в одном отчете нельзя смешивать параметры относящиеся к хиту, сессии и пользователю).
Сценарии ПОСЛЕ
Проблема прерывания пути пользователя при переходе между сайтами решилась очень просто за счет установки одного общего счетчика. До проекта на сайтах были установлены разные счетчики, соответственно, пользователь получал разные куки и путь прерывался.
Кейс с установкой приложения по клику на кнопку на сайте также разрешился за счет передачи Client ID в Adjust и далее в GBQ.
Также, даже если пользователь не логинится на двух сайтах, его путь все равно связывается в единую цепочку. Это происходит за счет того, что если пользователь логинится хотя-бы один раз на одном сайте, его куки связываются с его логином, и данные обновляются на глубину, 180 дней. В результате анонимные куки перестают быть анонимными и пользователь идентифицируется.
Стали определяться и более сложные пути пользователя. Например, если рекламная кампания приводила пользователя на один сайт, а после другая рекламная кампания - на другой, где он уже делал заказ. Благодаря реализации механик обратной связи, когда к каждой уникальной коммуникации с пользователем добавляется его идентификатор через SMS-линки или Email-линки, пользователя теперь удается идентифицировать через нажатие на такую ссылку ретроспективно.
Следующие шаги
Одним из открытых вопросов остался выбор модели атрибуции. В дашборде Westwing были реализованы сразу три модели: Last Non-Direct Click, First Click и Multichannel атрибуции.
Модель Last Non-Direct Click позволяет команде Westwing сразу понять, куда можно быстро вложить бюджет и оперативно получить выручку. Модель First Click показывает, какие каналы можно использовать на верхнем уровне воронки для того, чтобы раскачать brand awareness. Мультиканальная модель позволяет учесть все каналы, присутствующие в цепочке и не закрывать бюджетирование каналов, которые в других моделях могут казаться неэффективными.
Одним из пожеланий команды Westwing стала кастомная атрибуция, которая атрибутирует результат в зависимости от нахождения пользователя на определенном уровне воронки. Это связано с тем, что с точки зрения настройки рекламных кампаний, всегда присутствует один оптимизационный элемент: трафик, или конкретное целевое действие, иногда охваты, вовлеченность, а иногда показы. Работая с рекламной компанией, маркетинг работает на одно целевое действие для того, чтобы провести пользователя по всей воронке. Определение этого наиболее эффективного касания даст команде маркетинга Westwing распределить бюджет таким образом, чтобы максимально выгодно для бизнеса провести пользователя по всей воронке. Общепринятое убеждение, что увеличение бюджета на CPA приводит к увеличению количества клиентов, на практике не работает, в связи с этим, родилась гипотеза, что если убрать с нижнего уровня воронки часть бюджета, и распределить на промежуточные, это даст больший эффект.
Также по просьбе команды WestWing была реализована необычная схема работы с когортами. Для проекта с более чем 10-летней историей, 95% выручки поступает от повторных покупок, поэтому возможность различать выручку пользователей текущего месяца, от выручки постоянной клиентской базы позволяет оценить реальный эффект от маркетинга, тем более что процессы работы с новой и текущей базой в компании разделены. Когорты рассчитываются как по месяцу привлечения, так и по первой регистрации и первой покупке. Также были определены правила, по которым пользователь переходил из одной когорты в другую Например, реактивация пользователя через шесть месяцев отсутствия активности переводит его в новую когорту. Ключевое отличие когорт, рассчитываемых продуктом “M&H Apps”, от когорт в GA или Adjust – это наличие расходов. Для когорты каждого месяца аккумулируются как затраты на первичное и повторное привлечение, так и все покупки. Это позволяет делать выводы о том, каков срок окупаемости привлечения пользователя с учетом расходов на повторное вовлечение.