boodmo и OWOX BI: Как оценить каналы привлечения клиентов с помощью когортного анализа

 
4.7

О компании

boodmo.com — крупнейший участник онлайн-рынка автозапчастей в Индии. Это площадка, на которой продавцы автозапчастей могут предлагать оригинальные и сторонние комплектующие, а покупатели — в пару кликов находить нужные запчасти. У boodmo более 400 поставщиков со всего мира, при этом они ориентируются на внутренних покупателей: «Мы — индийская компания, работающая только для индийских клиентов».

Каталог товаров на сайте boodmo.com разделен на 18 категорий и содержит автомобильные детали 42 популярных марок (Audi, BMW, Ford, Honda и др.) — всего более 35 млн автозапчастей. Сайт адаптирован для мобильных устройств, поэтому пользователи могут удобно делать покупки, как с компьютеров, так и с телефонов, планшетов, а также из мобильных приложений.

Цель

Компания, основанная в 2015 году, уже успела занять свободную нишу и стать крупным игроком на онлайн-рынке автозапчастей в Индии, но останавливаться на достигнутом не собирается и стремится «стать онлайн-центром № 1 для всех, кто интересуется автосервисом». Чтобы достичь этой цели, boodmo необходимо увеличить охват рынка, выстроив эффективную модель отношений с клиентами.

Просто привлечь пользователей хорошо, а удержать их и сделать лояльными клиентами — еще лучше. Поэтому команда boodmo поставила перед собой задачу — определить LTV Прибыль, которую компания получает от одного клиента за все время сотрудничества с ним (пожизненную ценность клиента) и провести когортный анализ, чтобы понять, как этот показатель увеличить. Для расчета LTV компании нужны данные о марже и рекламных затратах на привлечение пользователя за определенный период. Также крайне важно сравнить данные о поведении когорт Группа пользователей, которые совершили определенное действие в одно время. Например, впервые посетили сайт 1 июня или совершили первую транзакцию в сентябре в разрезе разных источников и каналов, чтобы определить, какой канал приводит наиболее лояльных клиентов, а какой — неприбыльных (затраты на привлечение которых больше, чем прибыль от них).

Проблема

Чтобы провести когортный анализ, необходимо собрать все данные в одной системе. Google Analytics для этого не подходит, потому что:

  • После попадания в GA данные об актуальном статусе и составе заказа не обновляются. Во время обработки заказа пользователь может отказаться от покупки или заменить товары в заказе на другие, а в Google Analytics эти изменения не отобразятся.
  • Данных о марже и исполняемости заказов нет в GA — они хранятся в CRM системе.
  • Кроме того, в отчете по когортному анализу в Google Analytics нет необходимых метрик для каждой когорты, то есть эти показатели можно посмотреть в других отчетах, но не в отчете по когортному анализу:
    • LTV (в GA это отдельный отчет);
    • CAC (стоимость привлечения клиента);
    • количество регистраций;
    • количество пользователей когорты, которые оформили 1 заказ, 2 заказа или 3 и более заказов.

Решение

Аналитики boodmo решили проблему следующим образом:

  • 1. Собрали все необходимые данные в облачную базу данных Google BigQuery с помощью OWOX BI Pipeline.
  • 2. В Google BigQuery распределили пользователей по когортам и рассчитали для каждой LTV, CAC, количество регистраций и количество пользователей, совершивших 1, 2 или 3 и более покупок.
  • 3. Передали данные из Google BigQuery в Google Sheets, где построили автоматизированные отчеты по когортному анализу.

Схема этого процесса выглядит так:

Давайте подробнее рассмотрим каждый шаг.

Шаг 1. Объединить все данные в Google BigQuery

boodmo передает данные о действиях пользователей на сайте в Google BigQuery с помощью OWOX BI Pipeline. Почему компания выбрала именно такое решение?

  • Во-первых, из-за скорости. OWOX BI Pipeline передает данные с сайта в GBQ практически в режиме реального времени — они доступны для анализа уже через 5 минут. Запросы в GBQ обрабатываются за считанные секунды или минуты в зависимости от объема данных.
  • Во-вторых, можно сравнить рекламные расходы и доходы в разрезе пользователей и посчитать рентабельность когорт. OWOX BI Pipeline при передаче расходов в GBQ атрибутирует их на уровень сессии. В Google Analytics же этого сделать нельзя — там данные о расходах агрегированные и привязаны к рекламным кампаниям.
  • В-третьих, это возможность избежать некоторых ограничений. Данные, выгружаемые в Google BigQuery, не семлируются, независимо от объема. Также нет ограничений на количество параметров и показателей в отчетах, которые есть в GA (до 5 параметров и до 25 показателей).

Данные о марже и исполняемости заказов компания отправляет из CRM в Google BigQuery с помощью POST запросов. Прочитать о других способах интеграции можно в справке.

Шаг 2. Создать когорты и рассчитать показатели

После объединения данных в Google BigQuery компания приступила к созданию когорт и расчету необходимых метрик для каждой когорты. Все основные расчеты были выполнены в Google BigQuery с помощью SQL запросов и дополнительных UDFПользовательские функции в BigQuery (только для legacy SQL) создаются с помощью языка программирования JavaScript. Функция построчно принимает значения столбцов в качестве аргументов, выполняет код пользователя и возвращает заданный набор параметров функций (справка).

Прежде чем перейти к построению отчетов, давайте чуть подробнее рассмотрим когортный анализ: что это такое и зачем он нужен. Суть когортного анализа состоит в том, что пользователей делят на когорты, а затем исследуют поведение каждой когорты в определенные промежутки времени. Главное отличие от простого сегментирования в том, что пользователей объединяют в когорты по временному признаку, а сегмент можно создать с помощью любых других параметров (пол, возраст, местоположение, тип устройства). То есть пользователи в когорте совершают одинаковое действие в одно время. Например, впервые посещают сайт в июне. В сегменты же можно объединять, к примеру, клиентов, использующих только смартфон или планшет.

Для когортного анализа важно определить временной интервал, по которому будет строиться когорта: день, неделя, месяц. Признак, по которому будет собираться когорта (первый визит, регистрация, первая покупка и т. д.) необходимо выбирать исходя из того, какие цели вы ставите и какие показатели хотите анализировать. Например, чтобы удержать пользователей и подсчитать Retention Rate, формировать когорты можно по первому посещению сайта, регистрации или установке приложения. Чтобы определить LTV, когорты создают по времени покупки.

Кроме того, нужно определиться с отчетным периодом, на протяжении которого будет исследоваться каждая когорта. Таким образом, когортный анализ позволит определить, как меняются ключевые метрики (LTV и CAC и др.) с течением времени в отдельно взятой когорте.

В boodmo с помощью когортного анализа хотели решить две задачи:

  • Повысить LTV. Для этого нужно разделить пользователей на когорты по месяцу первого посещения и проследить, как менялись в течение отчетного периода LTV, CAC, количество регистраций и пользователей, делающих покупки, внутри каждой когорты. Основываясь на поведении пользователей в когортах, можно взаимодействовать с каждой когортой отдельно.
  • Оценить эффективность рекламных каналов и период окупаемости каждого из них, чтобы оптимизировать затраты на рекламу. Для этого необходимо сегментировать когорты по рекламным каналам и сравнить LTV пользователей и затраты на их привлечение.

Шаг 3. Построить отчеты по когортному анализу

Для визуализации отчетов по когортному анализу компания выбрала Google Sheets, потому что размер таблицы в отчете динамически меняется, нужно автоматически рассчитывать новые когорты и дополнять предыдущие когорты данными за новые периоды.

Для передачи данных из Google BigQuery в Google Sheets, построения отчетов в заданной структуре, а также их автоматического обновления и форматирования boodmo использовал Google Apps Script. Это язык программирования на основе JavaScript, с помощью которого можно добавлять функции и обрабатывать данные в Google Sheets и других сервисах Google.

В отчеты были добавлены следующие возможности:

  • Фильтр по типу показателей в отчете — все показатели для когорт могут быть рассчитаны как в абсолютных, так и в относительных значениях.
  • Фильтр по каналам и источникам — с помощью регулярного выражения можно задавать значения источника и канала, чтобы строить анализ, основываясь только на этих данных.
  • Автоматическое условное форматирование по формуле, которая на основе заданных значений рассчитывает отношение LTV к CAC.

В результате проделанной работы у boodmo появился такой отчет:

Показатели LTV и CAC рассчитывались для отчета по следующим формулам:

  • LTV = маржа когорты / количество пользователей в когорте.
  • CAC = затраты на привлечение когорты / количество пользователей в когорте.

Из этого отчета мы видим, что прибыль от пользователей из когорты 2016–12 покрыла расходы на их привлечение за отчетный период 3 месяца. Об этом говорит зеленый цвет заливки, в который окрашена ячейка с LTV. Красный цвет ячеек означает, что у пользователей этой когорты LTV меньше, чем CAC. Если динамика показателей не позволяет рассчитывать на то, что в течение трех месяцев затраты на привлечение пользователей окупятся, можно уделить этой когорте больше внимания. Например, отправить этим пользователям письма с акционным предложением.

Кроме того, можно оценить динамику показателя LTV по разным каналам привлечения пользователей и заменить неэффективный канал (где CAC больше LTV) на более эффективный.

Результаты

  • boodmo получил полностью автоматизированный инструмент, который позволяет оценить как эффективность каждого канала отдельно, так и всех каналов в разрезе когорт пользователей, построенных по месяцам.
  • Проанализировав поведение отдельных когорт, компания может по-разному строить отношения с аудиторией в каждой когорте, использовать ремаркетинг.
  • Оценив эффективность каналов, boodmo может оптимизировать затраты на привлечение пользователей и тем самым увеличить показатель LTV для каждой когорты.

Вас также могут заинтересовать