Зачем нужна веб-аналитика и как собирать данные

В течение четырех лет в рамках OWOX Analytics School опытные аналитики делились техническими навыками и тонкостями профессии со студентами. А лучших учеников мы приняли в свою команду. Теперь пришло время поделиться знаниями с читателями нашего блога. Этой статьей мы запускаем серию публикаций по материалам школы аналитиков. Начнем с азов: разберем, что такое веб-аналитика и зачем она нужна каждому онлайн-бизнесу, а также поговорим об архитектуре и сборе данных.

В интернете вы найдете очень много определений, что такое веб-аналитика. По нашему мнению, все их можно сократить до одного главного предложения: «Аналитика — это измерение влияния усилий на результат». Технологии и работа аналитиков — это усилия, а дополнительная прибыль, которую получает бизнес — это результат.

Работу аналитиков, в том числе и членов команды OWOX BI, можно разделить на три основных направления:

• Изучение новых технологий, которые позволяют показать бизнесу, где он получит большую прибыль.
• Помощь в создании торговых предложений, чтобы аудитория онлайн-бизнесов росла и становилась качественнее.
• Помощь в управлении рекламой, настройка модели атрибуции, поиск инсайтов для развития бизнеса.

Какими навыками должен обладать хороший аналитик?

1. Аналитическое мышление.
2. Знание предметной области.
3. Технические компетенции и инструменты.

Что из трех перечисленных навыков важнее для аналитика? На этот счет есть два мнения. Первое заключается в том, что хороший аналитик-универсал должен быть «прокачан» равномерно в трех областях. К примеру, вы можете обладать хорошим аналитическим мышлением, но без повышения компетенции и изучения новых инструментов вы останетесь просто теоретиком.

Если же повышать знания только предметной области, игнорируя развитие аналитического мышления, то вы будете классным стратегом, но вряд ли сможете самостоятельно решить бизнес-задачу. Если говорить про полный уход в технические инструменты, то вы станете классным программистом и будете вариться в цифрах и потоках данных.

Второе мнение в том, что навыки аналитика могут развиваться с бОльшим уклоном в одну из трех областей. И тогда от этого навыка будет зависеть специализация аналитика. Допустим, вы сместили свой вектор в развитие технических компетенций, то есть не полностью ушли в них, но стали уделять больше внимания, чем аналитическому мышлению и знанию предметной области, тогда вы будете Data Scientist. Если вы уходите в знание предметной области, вы становитесь Data Miner.

Существует более десятка специализаций, связанных с аналитикой, и со временем их количество только растет.

Рассмотрим основные типы веб-аналитиков:

1. Бизнес-аналитик. Это человек, который лучше всех понимает, какие цели преследует бизнес, и формулирует задачи для их решения. Впоследствии он спускает эти задачи для реализации другими аналитиками или разработчиками.
2. Системный аналитик. Он по сути занимается тем, что передает идею бизнес-аналитика в разработку.
3. UX-аналитик. Анализирует взаимодействие пользователей с интерфейсом сайта. Ставит себя на место пользователя, определяет, как сделать функционал сайта более удобным.
4. Продуктовый аналитик. Анализирует взаимодействие пользователей с продуктом. Например, у OWOX BI есть целая команда продуктовых аналитиков, которая анализирует, как наши пользователи ведут себя с нашими продуктами.
5. Big Data аналитик. Работает с массивами данных, правильно их структурирует, обрабатывает и выдает в нужной структуре, чтобы потом можно было использовать их в отчетах.
6. Интеграционный аналитик. Знает, в каких местах хранится вся информация компании, умеет правильно эти данные объединить и выдать на выходе структуру, которая будет учитывать абсолютно все источники данных.
7. Data Scientist. Формулируют гипотезы для роста бизнеса и на основании этих гипотез строит модели данных. По результатам расчетов этих моделей делает выводы и прогнозы, как улучшить бизнес.

Все эти специализации может совмещать в себе один человек или же этим может заниматься целая команда из десятка людей.

• Работа аналитика начинается вовсе не с анализа данных:
  • Соберите начальные требования и пожелания бизнеса, задавая правильные вопросы.
  • Сформируйте понимание того, что нужно клиенту, в аналитическую задачу и уточните, правильно ли вы все поняли.
  • Определите способы и возможные инструменты решения.
• Статистика без пояснения, визуализации, рекомендаций и прогноза – неэффективна. То есть, если вы просто научитесь использовать инструменты, выгружать отчеты из GA и в первозданном виде показывать их клиентам, вам за это не заплатят. Вы должны:
  • Формировать базу по методологии расчета и работать с этой базой по roadmap. Раскладывать на шаги, показывать, почему выбрана именно такая методология, согласовывать с клиентом. Если клиент вам не верит, лучше узнать это на начальном этапе.
  • Отвечать для себя на вопрос: как клиент сможет использовать предоставленные вами данные. Если это таблица в 4 тысячи строк без фильтров, без сводной таблицы, без визуализации, то скорее всего никак. Он положит отчет на полку и никогда не откроет.
  • Проверять данные на адекватность.
• Развивайтесь – это залог успеха!

Зачем нужна веб-аналитика? По нашему опыту, перед бизнесами обычно стоят три основных цели:

1. Меньше тратить.
2. Больше зарабатывать.
3. Автоматизировать все, что возможно. Особенно это актуально для CEO и CMO компаний, которые хотят: «чтобы меня меньше трогали».

Эти цели по сути являются бизнес-моделью и разветвляются на отдельные задачи, например: оптимизировать расходы, повысить узнаваемость бренда, обеспечить бесперебойную работу сайта и т. д. И под каждую бизнес-задачу есть свои KPI, свои вопросы и набор данных, которые нужно собрать.

Вот, к примеру, несколько таких вопросов, на которые помогает ответить аналитика:

• Сколько страниц в среднем просматривает пользователь за посещение?
• У какого товара самая низкая конверсия в покупки?
• Какая доля покупок совершается с двух посещений и больше?
• Какая часть пользователей авторизована на сайте?
• В каком браузере наблюдается самое большое количество JS ошибок?
• Как запуск рекламы на YouTube повлиял на онлайн-продажи?
• Как онлайн-реклама влияет на продажи в физических магазинах?
• Как отличие от цены конкурентов влияет на конверсию?
• На сколько процентов изменился средний чек после внедрения блока аксессуаров?
• По каким платным кампаниям переходят на товары, недоступные для продажи?

Давайте освежим в памяти самые распространенные типы онлайн-проектов и основные KPI, которые важны для этих бизнесов:

1. Онлайн ритейл — коэффициент конверсии, средний чек, CPC, CAC, средний доход на сессию.
2. Мультиканальный ритейл — доля авторизованных пользователей, ценность кампании с учетом офлайн-заказов. При переходе из одного канала взаимодействия в другой часто теряется трафик, поэтому здесь на передний план выходят ROPO-отчеты. Это отчеты про влияние офлайна на онлайн и наоборот.
3. Телеком — ARPU, доля дохода с сайта и мобильного приложения.
4. SaaS сервисы — конверсия в бесплатные пакеты, конверсия в платные пакеты, конверсия из бесплатных пакетов в платные.
5. Маркетплейсы — доход CPC и CPA моделей, глубина просмотра.
6. Контент проекты — среднее время на посещение, показать отказов, глубина просмотра.
7. Банковские и финансовые услуги — количество заявок в зависимости от рекламной кампании.

Теперь давайте разберемся, с чем же аналитик работает. Вся веб-аналитика стоит на четырех китах:

1. Сбор данных. Определяем, какую информацию нужно собрать для решения поставленных задач.
2. Настройка системы аналитики. После того, как определились с данными, нужно понять, какие системы аналитики мы будем использовать и как их правильно сконфигурировать, чтобы на выходе получить необходимую информацию.
3. Обработка данных. Очищаем, приводим к единому формату и объединяем данные из разных источников.
4. Визуализация, построение отчетов. Здесь важно учитывать, для кого эти отчеты и какие ответы нужно получить с их помощью.

Для сбора данных аналитики используют различные инструменты. Им несть числа: Google Analytics, Яндекс. Метрика, Kissmetrics, Clicky, PIWIK, Adobe Analytics, Mixpanel, SimilarWeb и другие. Если интересно, вы можете ознакомится с рейтингами аналитических систем по ссылкам:

• Лучшие инструменты веб-аналитики 2019.
• Web Analytics Tools.
• 35 Amazing Web Analytics Tools 2018.
• Web Analytics Software.

Почему из всего этого разнообразия мы выбрали Google Analytics? Ответ прост — Google безоговорочный лидер среди поисковых систем мира. Более 90% всех поисковых запросов приходится на его долю. Кроме того, GA легко интегрируется со всеми продуктами Google: Tag Manager, Google Ads, Optimize, Search Console, AdSense.

Рассмотрим воронку пользователя на пути к конверсии, чтобы понимать, зачем аналитики собирают те или иные данные.

Воронка состоит из 5 этапов:

1. Привлечение внимания пользователей любыми способами.
2. Контакт пользователя с сайтом.
3. Удержание пользователя. Чтобы посетитель возвращался на сайт, используют, к примеру, ретаргетинг.
4. Конверсия.
5. Возврат платящих клиентов, завоевание лояльности. Бизнесу недостаточно одной покупки, нужно, чтобы клиент оставался заинтересованным и продолжал платить.

Какие данные мы можем собирать, чтобы проанализировать путь пользователя, найти проблемные этапы воронки и улучшить ее:

• Источники трафика — показы рекламы, клики, расходы. Берем их из рекламных кабинетов Google Ads, Facebook, Яндекс. Директ, Bing и т. д.
• Поведение посетителей — какие страницы посещали, с какими элементами взаимодействовали, как долго. Данные собираются в системы аналитики Google Analytics, Яндекс. Метрика, Adobe Analytics, Google BigQuery.
• Товарные предложения — цена, остатки, наличие, описание, характеристики. Ecommerce проектам нужно контролировать наличие, чтобы поддерживать актуальное предложение на сайте. Эта информация чаще всего хранится в CRM-системах (1C, SAP).
• Заказы — общий доход, стоимость товаров, скидки и купоны. Эти данные хранятся в CRM.
• Клиенты — ФИО, email, номер телефона, история покупок. Эта информация также хранится в CRM и ERP.

Источники этой информации могут быть самые разные:

• Сайт.
• Звонки в колл-центр.
• Офлайн-магазины.
• Мобильные приложения.

Все эти источники нужно объединить, чтобы получить из данных смысл. Чуть позже мы расскажем, как это делать.

Данные, необходимые для анализа, сохраняются в разные системы:

1. В рекламных сервисах собирается информация о показах, кликах и расходах.
2. В системах аналитики собираются данные о поведении посетителей сайта, источниках трафика, которые приводят пользователей на сайт.
3. На сайте хранятся данные о товарных категориях.
4. В CRM хранятся данные о пользователях и выкупленных заказах.
5. В складских системах находится информация о марже и разных атрибутах товаров.
6. Еще есть информация из службы доставки о статусе доставки, которая периодически обновляется.

Зачем аналитику знать, в какой из систем хранится та или иная информация? Чтобы получить ответ на конкретный вопрос, он должен понимать, какую информацию и из каких источников нужно объединить.

Пример 1. Как исполняемость заказов влияет на коэффициент конверсии рекламных кампаний? Здесь нужно понимать, из каких кампаний приходили пользователи (данные в системе веб-аналитики) и был ли этот заказ выполнен или нет (информация в СRM). Чтобы узнать ответ, нужно информацию из системы аналитики дополнить данными из СRM.

Пример 2. Как изменится ROAS рекламных кампаний, если вместо дохода считать прибыль? Здесь, помимо информации из GA и СRM, необходимы данные о расходах и марже товаров.

Есть много способов собирать и объединять данные различной степени сложности. Мы делаем это автоматически с помощью OWOX BI и вам рекомендуем:

1. С помощью Google Tag Manager собираем данные в Google Analytics. Почему именно GTM, мы объясним в следующих лекциях. Если кратко, то он позволяет очень быстро и без разработчиков внедрять и модифицировать код на сайте. Рекомендуем всем настраивать сбор данных в формате Enhanced Ecommerce. Даже если у вас не Ecommerce сайт, этот модуль почти всегда можно адаптировать под любой бизнес.
2. Затем мы собираем расходы в GA из не-Google источников. Чтобы настроить интеграцию с Google Ads не нужны дополнительные коннекторы. Достаточно в настройках ресурса GA связать свои аккаунты.
3. Дальше мы передаем все эти данные в Google BigQuery. Это облачное хранилище, которое позволяет обрабатывать большие объемы информации без семплирования и других ограничений интерфейса GA.
4. Дополняем информацию в GBQ данными из CRM/ERP, систем коллтрекинга.
5. Визуализируем собранные данные, строим отчеты, графики, дашборды.

Напоследок хотим поделиться некоторыми выводами, которые мы сделали из собственного опыта:

• Никакой набор сервисов не является окончательным. К примеру, нельзя использовать только Google Analytics и быть уверенным, что он останется актуальным и через 10 лет. Нужно всегда держать руку на пульсе, интересоваться аналогами на рынке. Возможно, появится что-то новое и более интересное, что позволит собирать данные, недоступные в GA.
• Не существует такой метрики, которую нельзя улучшить. Если ничего не менять, вы не будете расти и проиграете конкурентам.
• Аналитик — это не просто должность, а функция каждого сотрудника. Каждый сотрудник компании должен без помощи аналитика уметь находить метрики, которые касаются его зоны ответственности, в системах аналитики.
• Ценность данных раскрывается со временем. Очень часто к нам приходят маленькие компании, которые только настроили GA, и говорят, что им этого достаточно. А через какое-то время они хотят посмотреть информацию, которая у них не собиралась. Если бы они изначально правильно настроили аналитику, то могли бы уже ретроспективно смотреть данные, которые их интересуют.

Если у вас есть аналитические или маркетинговые задачи, которые вызывают затруднение, мы готовы помочь. Запишитесь на демо — и наши специалисты обсудят с вами решения, подходящие вашему бизнесу.