Задача бизнеса — это связать расходы и доходы. В GoogleAnalytics есть показатель "валовая прибыль". Это разница между суммой, вырученной от продажи товаров, и стоимостью закупленных товаров.

Для того чтобы ей управлять, есть еще два показателя. Это расходы (в данном случае — на привлечение клиентов, на рекламу, запущенную, чтобы получить эту валовую прибыль) и ROI. ROI показывает возврат инвестиций, то есть то, насколько эффективно мы тратили деньги на рекламу. Если ROI меньше, чем 100%, значит, мы больше тратим, чем зарабатываем.

Для того чтобы понять, как улучшить любой показатель, надо в первую очередь понять, как его сегментировать. Средняя конверсия по сайту, средний чек или общий объем продаж — это слишком общие показатели. Если сегментировать их, станет понятнее, как на них воздействовать.

Мы выделяем 3 критерия сегментации.

Первый из них — товарные категории. Если мы знаем, сколько мы тратим на рекламу товара, чтобы его продать, и сколько при этом на нем зарабатываем, то понимаем, какие товары нам выгоднее продавать.

Классический интернет-ритейл построен так, что мы хорошо знаем свою маржу - сколько мы на товарах заработали. Но мало кто знает точно, сколько он потратил. Пользователь мог кликнуть на рекламу смартфона, а потом купить планшет.

Второй критерий — клиент и его характеристики. Мы можем сегментировать (по возрасту, полу, по источнику перехода) и посмотреть, какие посетители нам более интересны. Например, это может быть связано с регионом, со временем покупки, с браузером, которым пользуется ваш покупатель.

И третий, главный критерий, — это рекламный канал.  Мы хорошо знаем, сколько потратили в целом на каждый из каналов. Яндекс и Google нам выставляют счет — и мы понимаем, сколько денег ушло на конкретный рекламный канал, и даже на конкретную компанию.

Но мы не всегда знаем, сколько интернет-магазин заработал благодаря конкретному каналу. Почему? Взгляните на другой скриншот из Google Analytics — отчет по длине последовательности во взаимодействиях.

Мы здесь видим, что большинство транзакций (для средних магазинов это 60%, для крупных — 80%) — делается после нескольких посещений сайта. Пользователь приходит несколько раз через разные каналы перед тем, как сделать заказ.

Давайте подробнее посмотрим, как это выглядит.

Например, есть заказ на два товара (Х, Y) и четыре источника, с которыми пользователь взаимодействовал и переходил к нам на сайт.

Задача — правильно атрибутировать эту ценность (заказы Х, Y), чтобы понять, какой вклад внес каждый из рекламных каналов. От того, насколько точно мы это сделаем, будет зависеть в целом эффективность маркетинга. Потому что, если мы вложим деньги в неправильный источник, то потратим на рекламу больше, а заработаем, соответственно, меньше.

Давайте посмотрим, почему задача решается не так просто, как хотелось бы. Возьмем четыре классические модели атрибуции.

Модель last-click ("последнее касание") наиболее популярна. Всю ценность заказа она отдает последнему источнику, с которого пришел пользователь перед тем, как сделать покупку. Эта модель используется по умолчанию в Google Analytics и Яндекс.Метрике.

Понятно, в чем здесь проблема. Предыдущие переходы тоже играли какую-то роль в принятии решения. Правильно определить их «вклад» — вот наша задача.

Модель "первое касание" обычно используется для баннерной рекламы, задача которой — познакомить аудиторию с брендом. Ее суть проста: кто первый привел нам клиента, который потом сделает заказ, тот и молодец.

Линейная модель, распределяет ценность равномерно на все источники, которые были по пути к заказу.

Ну и модель TimeDecay, которую используют "Викимарт" и многие крупные интернет-магазины. В ней ценность распределяется пропорционально в соответствии с тем, насколько близко к заказу был переход пользователя.

Давайте убедимся, что каждая из этих моделей имеет недостатки.

Посмотрим, что происходило во взаимодействии пользователя при каждом из этих посещений.

Вот первый сценарий. Пользователь пришел по директ-трафику (type-in) -  набрал адрес нашего магазина, зашел и сделал заказ. Доход атрибутирован на прямые заходы.

Почему это неправильно? Потому что адрес сайта пользователь откуда-то узнал. То есть, до этого был какой-то источник, он уже приходил на ваш сайт.

Давайте посмотрим на источник предыдущего перехода этого же пользователя. Это был e-mail. Пользователь получил предложение на почту, перешел на карточку товара и добавил в корзину этот товар — Х. Ему предложили добавить также товар Y (это аксессуар), и после этого он оформил заказ.

Казалось бы, ситуация проясняется. Но если это был e-mail, то e-mail — это не самодостаточный канал. Одна из ошибок, которую часто делают, — считают рассылку внешним каналом и сравнивают доход от e-mail-маркетинга с доходом от других источников. E-mail тоже откуда-то взялся. То есть пользователь уже заходил на ваш сайт и оставил вам свой адрес. Надо смотреть дальше.

Перед e-mail был ретаргетинг. Пользователь перешел через систему ретаргетинга, "приземлился" на товар Х и оставил свой e-mail, чтобы получать информацию об изменении цены и поступлении товара в продажу. Затем он получил письмо, перешел с него на сайт, посмотрел цену и наличие. И наконец, он зашел прямо на сайт, вбив его адрес вручную, и сделал заказ.

Но на этом тоже нельзя останавливаться, потому что ретаргетинг сам по себе не возникает. Пользователь сначала должен был "коснуться" сайта. И вот у нас появляется источник «А», который просто привел пользователя в первый раз. Потом возник ретаргетинг, потом был e-mail, потом был директ-трафик. Вот так эта воронка выглядит в деталях.

Посмотрим, как эта ситуация могла развиваться по-другому. Например, пользователь сначала мог перейти на товар Х, потом из ретаргетинга добавить товар Х и Y в корзину. Дальше через e-mail он получил напоминание, вспомнил о том, что у него товары в забытой корзине, а потом совершил транзакцию через прямой заход.

И таких сценариев может быть много. А вывод один: нельзя сказать, какой вклад в заказ внес источник только на основании того, каким он был по счету.

Но как же атрибутировать заказ, если путь к нему был длинным?

 Прежде чем рассказать о решении, которое я хотел бы предложить, остановлюсь на симптомах того, что ваша система атрибуции некорректна.

1. При отключении кампании продажи падают больше, чем эта кампания приносила. Например, часто интернет-магазин смотрит, во сколько ему обходится заказ с контекстной рекламы, сравнивает с тем, сколько стоит заказ с органических переходов, и решает, что контекстную рекламу можно отключить. Отключает ее — и продажи падают на большую сумму, чем та, которую, по статистике, приносила контекстная реклама.

2. Второй признак — то, что при увеличении рекламного бюджета растет CPA. Это значит, что мы добавляем в бюджет не там, где нужно.

Теперь перейдем к решению.

Вот так выглядит воронка в новом модуле электронной коммерции Google Analytics.

Enhanced ecommerce — это бесплатный функционал. Он настраивается размещением Javascript-кода и позволяет отследить воронку взаимодействия с покупателем на каждом из шагов.

Например, можно отдельно увидеть все визиты, визиты с просмотром товара, с добавлением в корзину и так далее. Таким образом, можно понять, на каком из этапов взаимодействия от вас уходят покупатели.

Здесь также можно увидеть вероятность того, что пользователь перейдет с одного этапа воронки на другой. Она легко считается.

Как это мы используем?

В каждом из сценариев, которые я показывал до этого, мы можем атрибутировать ценность источника в соответствии с тем, как пользователь проходит по воронке взаимодействия. Если пользователь прошел шаг добавления в корзину, и мы знаем, что этот шаг проходит только 50% пользователей, мы, соответственно, даем больший вклад этому источнику.

Давайте посмотрим, какие преимущества дает такая модель атрибуции.

Первое. Надо учитывать, безусловно, все доходы и все расходы на посещение. Начнем с расходов. В чем здесь проблема? Проблема в том, что пользователь делал несколько платных кликов перед заказом, но он также делал платные клики и после заказа.

Второе. Нужно рассматривать не только все клики после заказа, но и все доходы после заказа. Нужно учитывать LTV, смотреть на заказы, которые сделал пользователь, например, в вашем офлайновом магазине, после того, как заказал у вас в онлайне.

Третье. Нужно учитывать объективный вклад источника в создание заказа.

Четвертое. На этом пункте я остановлюсь чуть-чуть подробнее. Это необходимость связи доходов и расходов по когортам. Здесь многие делают ошибку, поэтому я проиллюстрирую.

У нас есть расходы на источник трафика — оплата за клики, которые были сделаны пользователями в определенный период времени. И есть доходы, которые точно так же неделя от недели нам давали эти посетители. Когда мы измеряем эффективность канала, например, в феврале, то делим доходы, которые у нас были в феврале, на расходы, которые были в этом же месяце.

Почему это неверно? Потому что часть людей, которые сделали покупки в феврале, на самом деле, кликали по вашей рекламе еще в январе.

Никто не покупает сразу, особенно дорогие товары — холодильники или телевизоры. Получается, что пользователь кликал на платную рекламу в конце января, а заказ оставил в начале февраля. Точно так и в следующем месяце: кто-то кликал в конце февраля, а сделал заказ в начале марта.

Время принятия решения— один из важных показателей, который сильно отличается у разных источников трафика.

Например, на «Яндекс.Маркете» или другом прайс-агрегаторе покупатель наиболее созревший. Он уже готов совершать покупку. То есть каждый доллар, вложенный в «Яндекс.Маркет», быстро оборачивается.

В то же время, пользователь, который переходит из органического поиска (причем не на карточку товара, а в ваш каталог), будет гораздо дольше принимать решение о покупке.

Очень важно сравнивать расходы и доходы на одних и тех же пользователей. Иначе возникает ситуация, когда вы начали инвестировать в какой-то канал, отчет показывает, что CPA высокий, а маркетолог говорит: «Подождите, надо набрать статистику, и после этого CPA будет уменьшаться». Так происходит, потому что мы накапливаем данные, и пользователи, которые начали переходить вначале, начинают делать заказ.

Это не совсем верно. Если CPA начинает скакать со временем, это значит, что модель атрибуции была искаженной.

Вот простая формула, позволяющая вычислить ценность конкретного посещения.

Далее я хочу показать, как это внедряется на практике. Вот четыре простых шага.

Первый — сначала надо объединить (сгруппировать) пользователей.

Второй. Для оценки вероятности заказа посадочные страницы нужно группировать по типам. Например, можно сгруппировать в один сегмент все карточки товаров и посчитать для них отдельно вероятность добавления в корзину. Но неправильно было бы смешивать пользователей, которые «приземлились» на главную, и пользователей, которые перешли прямо в каталог.

Третий. Для анализа товары можно и нужно группировать по категориям. Вероятность прохождения воронки для, например, ноутбуков, будет сильно отличаться от вероятности прохождения воронки для другой группы товаров. Ее нельзя считать «в среднем по больнице».

И четвертый — рекомендую не сравнивать прохождение воронки новыми и вернувшимися покупателями. Вернувшийся клиент уже знаком с магазином.

Давайте теперь посмотрим на цепочку взаимодействий с пользователем, чтобы увидеть, как должна выглядеть ваша статистика в результате.

Вот заказ на ноутбук с флешкой. Вы знаете точно, сколько вы на нем заработаете: $55 — маржа ноутбука и $10 — маржа флешки.

У нас есть клики, которые совершил пользователь до заказа (платные клики). Эти расходы до заказа и составляют CPO, cost per order.

У также нас есть заказы, которые этот же клиент делал далее, в течение какого-то периода. Это и есть LTV — lifetime value.

Важно не сравнивать LTV с CPO. Почему? Потому что у нас еще есть платные клики после того как клиент сделал заказ. Нельзя считать, что если пользователь просто сделал первый заказ, и в будущем принесет нам больше денег, то это выгодный клиент. Надо внимательно смотреть на все расходы и доходы.

Здесь у нас появляется такое понятие, как рентабельность цепочки. Когда мы знаем наш расход и доход по цепочке взаимодействий, нам становится легко принимать решения о том, что с этим делать.

Цепочки взаимодействия можно группировать по сегментам клиентов, по источникам переходов, сегментам товаров. Это позволит грамотно распределить рекламный бюджет.

Теперь о порядке внедрения такой аналитики.

Первое, что нужно сделать, — это установить на сайте Google Enhanced Ecommerce. Этот функционал доступен в бесплатной версии Google Analytics. Он позволяет отслеживать воронку взаимодействий и дает важную дополнительную информацию.

Например, можно измерить факт просмотра товара, клика по товару, эффективность баннеров на сайте,

Второе — нужно импортировать в Google Analytics расходы по всем рекламным компаниям. Данные по доходам мы в Google Analytics собираем все, а расходы по умолчанию собираются только для Google-кампаний, так как продукты Google Analytics интегрированы с Google AdWords.

Третье — это активировать экспорт данных в Google Big Query (облачный сервис для быстрой обработки больших данных). Ниже я поясню, что это и в чем преимущество этого сервиса.

Четвертое — надо убедиться в качестве собранных данных, провести расчеты, визуализировать их и принять решения. Это достаточно простая процедура. Она не требует покупки лицензий или инвестиций в новых сотрудников, если у вас есть кто-то, знакомый с Google Analytics и SQL.

Преимущества сбора данных с помощью Google Analytics и Google Big Queryв том, что этот сервис — достаточно быстрый в настройке, не требует капитальных вложений и сложных решений.

Перед тем как мы посмотрим техническую часть, я хотел бы показать график, который, на мой взгляд, позволяет принимать решения на C-level.

Любая аналитика, если она не приводит к решениям, влияющим на будущее, — это «некролог» который просто показывает, что у нас происходило вчера или в прошлом месяце.

Итак, мы хотим узнать, что будет происходить в будущем.

На этом графике по вертикали у нас отмечена валовая прибыль — разница между закупочной стоимостью товаров и выручкой. По горизонтали время: то, что было вчера, сегодня, завтра. «Завтра» — это прогноз на основе того, например, сколько товаров добавлено в корзину. Чтобы сделать этот прогноз, надо знать, сколько времени проходит между тем, как пользователь добавляет товар в корзину, и тем, как он оформляет заказ. Либо — сколько проходит времени между тем, как пользователь переходит на карточку товара, добавляет товар в корзину — и решается его купить. Когда у вас есть эти данные, вы можете сказать, сколько денег вы заработаете завтра, если сегодня полностью остановите рекламу.

Что означают слои графика? Один из вариантов — источники трафика. Каждый слой — это конкретный источник переходов (например, контекстная реклама в «Яндексе», Google, реклама в Facebook). Интенсивность цвета — это ROI, то есть то, насколько эффективно тратятся деньги на рекламу. Темное — высокий ROI, светлое — низкий.

На графике можно увидеть, что в будущем, контекстная реклама в «Яндексе» (верхний слой) принесет, скорее всего, хороший ROI, если судить по текущей активности пользователей, которые еще не сделали заказ. Но валовая прибыль там меньше, чем в Google. В то же время в Google, если мы сейчас что-то не поменяем, ROI вскоре упадет.

Итак, если в компании вы отвечаете за распределение бюджета между рекламными каналами, глядя на этот график, вы точно можете сказать, как распределить рекламный бюджет, откуда его нужно забрать и куда добавить.

Если вы категорийный менеджер, и вы отвечаете за эффективность групп товаров, можно сделать такой же график по группам товаров и сравнить долю расходов на рекламу валовой прибыли по каждой группе товаров. И, конечно, это можно сравнить по сегментам клиентов, если вы отвечаете за CRM, клиентскую лояльность, взаимоотношения с пользователями. Вы можете выделить сегмент тех, кому вы дали скидку, купон, кто пришел первый раз по определенной рекламной акции и, соответственно, сделать вывод, насколько рентабелен для вас тот или иной сегмент.

А теперь - обещанная технология работы с big data.

Сначала поясню, что такое сэмплирование. Сэмплирование — это процесс выборки части данных для построения выводов обо всех данных. Например, когда у вас собираются данные в Google Analytics, для того чтобы построить какой-то общий отчет, Google может делать вывод на основе не всех данных, а, например, 20% или 10%.

Почему он это делает? Для того чтобы быстро дать ответ — за 10–30 секунд его рассчитать. Так как цифр много, надо как-то уменьшить объем рассчитываемых данных. Сэмплирование — это определенное приближение, вынужденное, для того чтобы успеть посчитать данные за отведенное время.

На этом выбранном сегменте мы посчитали, например, конверсию, и предполагаем, что она равномерно распределяется во всем остальном множестве данных. Это как если бы мы из именинного торта вырезали четвертинку и постарались посчитать, сколько свечей всего на торте. Понятно, что четвертинка может попасться со свечкой — а может и без свечки.

Так вот, первое, что нужно сделать, — это собрать несэмплированные данные. Тут одного Google Analytics недостаточно. Нужен либо Google Analytics Premium — достаточно дорогостоящий продукт, который дает возможность работы с несэсплированными данными — либо другие способы. Например, Google Big Query - облачный сервис для быстрой обработки большого объема данных.

Сразу уточню, чем он НЕ является.

1. Это не замена существующей базе данных.
2.  Это не замена Google Analytics.
3. Это также не сервис для построения графиков.

Сервис, сразу скажу, платный, но достаточно бюджетный. Один терабайт стоит 5 долларов. Здесь не нужно покупать лицензий, не нужно инвестировать в длинный эффект, поэтому он достаточно распространен на Западе.

Закончим бонусным примером.

Вот один из примеров того, что можно узнать из несэмплированных данных. График показывает влияние цен конкурентов на конверсию на вашем сайте.

По горизонтали отложено отклонение вашей цены от средней цены у ваших конкурентов. Вы знаете, какая цена на товар у них была в тот момент, когда пользователь просматривал этот товар у вас на сайте. А по вертикали отмечаем конверсию, у тех пользователей, которые увидели товар, отличавшийся по цене от конкурентов.

Этот график позволяет понять, где вы можете поднять цену, чтобы увеличить валовую прибыль, а где ее лучше опустить. Откуда приходят пользователи, более чувствительные к цене. Сколько именно готовы переплачивать те, кто у нас уже делал заказ или перешел по брендовому запросу.

Приведу еще несколько вопросов, ответы на которые можно получить, собирая и анализируя большой массив данных.

1. Как количество товаров, просмотренных пользователем перед покупкой, зависит от категории товаров?
2. Как зависит от источника трафика доля пользователей, которые покупают не тот товар, на который переходят по объявлению? Это позволяет понять, как часто пользователь переключает свое внимание с одного товара на другой, и насколько эффективно этим можно управлять.
3. Как зависит LTV от источника и категории первого добавленного в корзину товара? Нам нужно понимать, каким образом доход от покупателя будет зависеть от того, что первое мы ему покажем, что он добавит в корзину. Это некий аналог мерчендайзинга в офлайновых магазинах, где один товар выставляется на витрину на красной линии, чтобы «заманить» покупателя, другой — в глубине зала, а третий (например, аксессуары) за спиной кассира.
4. Как время доставки на карточке товара влияет на конверсию?
5. Как зависит время от первого просмотра товара до его заказа, от категории товаров?

Почему это важно? Это позволяет спрогнозировать скорость возврата инвестиций от вложений в рекламу, а следовательно — эффективно управлять рекламным бюджетом и временем.