Обзор OWOX.Analyze 2013 (часть 2)

3

25 апреля в Киеве прошла конференция OWOX.Analyze 2013, посвященная тому, как влиять на эффективность проекта путем изменений на сайте и с помощью аналитики зарабатывать больше, и как с помощью инструментов аналитики хорошие проекты становятся успешными. Конференция прошла в один поток и завершилась круглым столом.

Алексей Долотов (Яндекс) говорил о том, что такое аналитика и кто такие аналитики.

Всех аналитиков объединяет то, что они вычленяют из данных полезную информацию и интерпретируют ее. Результат работы аналитиков должен влиять на бизнес при решении о разработке функцонала или сервиса, при построении или корректировке тактики маркетинговых коммуникаций, при оптимизации продакшн-алгоритмов. Аналитика — это не ремесло, а искусство.

Жизненный цикл проекта аналитика: 

  • Формулировка бизнес-задачи вместе с заказчиком 
  • Составление плана работ, определение методик 
  • Заказ нужных данных у программистов и статистиков, выгрузка из логов, аналитических инструментов 
  • Анализ данных, вычленение интересных наблюдений 
  • Интерпретация наблюдений, сопоставление с существующими знаниями 
  • Формулировка тезисов или выводов, написание отчетов, писем и т.д. 
  • Проверка, что идеи исследования были донесены до заказчика верно

Качества хорошего аналитика:

  • Общая компетентность в предметной области
  • Опыт анализа данных
  • Начальные менеджерские скиллы
  • Очень важно: стремление докопаться до причины явления, понять физический смысл
  • Понимание бизнес-задач заказчиков и нацеленность на решение именно бизнес-задачи, а не математической/программистской задачи
  • Умение постоянно оспаривать собственные гипотезы, сомневаться во всем: в своих суждениях, данных

Аналитики — это не программисты и не математики.

Раньше в условиях низкой конкуренции создавались новые сервисы с очевидным функционалом для активно растущей аудитории. Сейчас, с одной стороны, рынок становится все более конкурентным, появляются новые сильные игроки, с другой стороны — темпы роста аудитории замедляются, поэтому приходится оптимизировать конверсию, бороться с оттоком пользователей, работать с сегментацией аудитории.

Сейчас есть много данных об активности пользователя. На компьютере можно определить хиты на сайтах, по поисковым переходам определить интересы, отследить движение курсора мышки, определить географию, браузер, операционную систему. А на телефонах можно еще и определить точное положение, повороты экрана, движение телефона, "слайдинг", освещенность.

Задача — нанять или вырастить хорошего аналитика. Хорошему аналитику можно ставить задачу. При этом, нужно описать задачу, а не метод решения. И к ее решению его нужно привлекать как можно раньше.

Для решения поставленной задачи нужно выяснить, что на самом деле хочет заказчик. И выяснить, как будет использован результат. 

Чаще всего результат будет использован: 

  • никак ("картина мира", "расширение сознания", …) 
  • формально ("нам для отчета", "надо побольше", …) 
  • мониторинг ("все ли в порядке") 
  • принятие бизнес-решения ("как будет лучше")

В зависимости от того, для чего нужен результат, можно понять, что и как следует анализировать, и с какой детальностью.

После выяснения истинных целей и того, как будет использован результат, можно предложить методику расчета, схему интерпретации результата, провести исследование и сформулировать результат в понятных терминах.

Аналитические заповеди:

  • Нет вопроса — нет ответа. Нельзя ответить на несформулированный вопрос 
  • Много данных не делают чуда 
  • Одна метрика — не панацея. Всегда оценивать нужно в нескольких мертиках по разным приборам 
  • Любое число надо с чем-то сравнить 
  • Среднее по больнице обычно "ни о чем" 
  • Показатели из разных источников несравнимы 
  • Хорошо предсказать что-то новое нельзя 
  • Объективная реальность — миф

Будущее digital-аналитики можно охарактеризовать так. Инструменты аналитики будут становиться более гибкими, будет также применяться сегментирование, многомерные OLAP. Появится некий институт digital-аналитики, с математическим и статистическим бэкграундом. Аналитик будет обладать базовыми менеджерскими навыками. Работа должна быть нацелена на бизнес-результат. Аналитика должна уметь искать все возможные решения в условиях нехватки данных.

Аналитик должен стараться делать не прогнозы, а модели, такого рода: "если продолжать соблюдать определенные условия, и не произойдет ничего из перечисленного, результат будет таким".

Главное — не перегибать палку. Аналитика – не универсальный инструмент, не умеет хорошо предсказывать будущее. Аналитика – хороший способ уйти от ответственности.

Олег Баша (Emailvision) рассказал о email-маркетинге, основанном на анализе клиентских данных.

Еmail — некий якорь, ключевое слово, которое упоминается всегда, когда речь заходит о коммуникации с аудиторией. Основная проблема в том, что, получив нового подписчика, про него не понятно, не ясно, что ему нужно. 

Забрасывание пользователей ненужной информацией привело, во-первых, к появлению всевозможных фильтров в почте, во-вторых — к некой пользовательской слепоте.

Причины потери внимания: 

  • 72% получателей удаляют письма только потому, что считают информацию в них нерелевантной 
  • 59% удаляют письма потому, что получают их чаще, чем им хотелось бы 
  • 49% получателей отписываются от рассылок, на которые изначально подписывались сами, потому, что рассылки не отвечают их ожиданиям

Есть много инструментов для сбора данных, главное — правильно их использовать. В общении с пользователем нужно выйти на такую коммуникацию, в результате которой будет понятно, что человеку нужно, и он видит, что с ним общаются так, как он бы хотел. В конечном счете, он реагирует предсказуемо, и в итоге можно прийти к устойчивым повторным продажам.

В базовом варианте, если вообще неизвестно, кому отправляется рассылка, получается самый низкий процент отдачи. Если проанализировать социально-демографические характеристики, и мальчикам и девочкам отправлять письма разного содержания, отклик уже получается лучше. 

Следующий уровень аналитики — это понимание предпочтений клиента. Если человек подписался на определенный контент — нужно отсылать ему этот контент. Если у пользователя есть повышенная кликабельность на определенные товарные категории — его можно сместить в определенный сегмент, и предлагать ему более релевантный продукт. 

Третий аспект — это понимание ценности этого клиента, того, сколько он приносит денег, что он покупает, на какой стадии покупки он находится (повторный покупатель, покупатель, почти готовый к покупке, или покупатель, который купил что-то три года назад и больше его не видели). В итоге складывается видение человека, и становится понятно, с кем происходит общение. И, исходя из этого, можно построить полноценную CRM-систему.

Customer Intelligence — инструмент, который дает возможность учитывать поведение пользователя, данные о нем, реакцию на рассылки, историю покупок по каталогу товаров. Источники данных — CRM-системы, web-аналитика, Data Suppliers, товарные рекомендации, ERP, финансы, email-система.

Клиентская база данных, собственная CRM или данные Data Suppliers, дает понимание о возрасте, половой принадлежности пользователя, дает понимание, как он попал на сайт, по какому поисковому запросу, дает информацию о геолокации, интересах и предпочтениях. Можно посмотреть реакции на рассылки, и кроме того, открывает их человек или не открывает, можно узнать, как долго он читает письмо, долистал ли его до конца, или он посмотрел его одну секунду, открыл просто для того, чтобы удалить. Можно определить частоту открытий и кликов по дням недели и предпочитаемому времени открытия. Можно посмотреть, с какого устройства открыто письмо, соответственно, сделать адаптивный дизайн.

О покупках всегда известно, когда купили, что, какой был средний чек. Можно сказать о предпочитаемой категории товаров, последнем купленном продукте и частоте повторных покупок.

По данным веб-аналитики можно сказать, как покупатель попал на сайт, через какой партнерский канал или витрину, какие товары и категории просмотрел, что искал, на каких страницах провел больше времени.

По каталогу товаров есть статистика, кто что покупал, и что покупал вместе с выбранным товаром. Зная, какие продукты были куплены, какие продукты были просмотрены, какие продукты покупали или смотрели другие пользователи, какие товары имеют схожие 
характеристики (размер, цвет, стиль и т.д.), можно строить товарные рекомендации.

Данные программируются по технологиям предиктивного анализа, в возможностях использования — рекомендации на странице товара, рекомендации в рассылках, в корзине, при подтверждении заказа.

Основная задача — собрать все данные, привести их под общий знаменатель и загрузить в одну панель управления.

Пример персонализации на базе имеющихся данных: Юлия из Киева, купила стильную сумку месяц назад, это ее первая покупка, она не читает рассылку. Тема письма: "Юлия, мы кое-что подобрали к вашей новой сумочке!" Содержание письма: набор рекомендованных товаров в рамках системы товарных рекомендаций. То есть, можно искать возможности для кросс-продаж по подходящим товарам, аксессуарам.

Есть welcome-сценарии, основанные на клиентском поведении, серии сообщений, мотивирующие человека остаться. Они не должны быть одинаковыми для всех. На что стоит обратить внимание — как человек попал на сайт. Может, он просто подписался на рассылку — тогда товар ему предалагать еще рано, он, скорее всего, ждет интересный контент.

Можно провести дополнительно RFM-анализ по источникам трафика, истории покупок, модели активности, и выявить "спящих" VIP-клиентов.

Еще один интересный момент — это предпочитаемое время открытия писем. Дает возможность таргетирования по времени активности для анализа неактивных сегментов.

Нужно создать некоторые образы клиентов, и по ним продолжать работать. Например, если это единичный покупатель, то нужно искать возможности для кросс-продаж, можно сделать какие-то рекомендации, но контактировать с ним реже. Для охотника за скидками подойдет активная рассылка спецпредложений. Фанатов можно приглашать в VIP-клубы, предлагать поощряющие программы.

Скорость отправки приветственного сообщения и открываемость писем при отсылке письма в течение 15 минут после посещения сайта дает 64% вовлечения, до 120 минут — 18%, после 2-х часов — 18%.

Для повторного заказа можно учитывать данные о сроке использования продуктов по всему каталогу, и по истечении срока напоминать покупателю об этом — это дает 5-кратную конверсию по сравнению с обычной рассылкой.

Александр Аникин (Wikimart) рассказал, почему Google Analytics не справляется с задачей экономии маркетинговых бюджетов, и кому и зачем нужны собственные системы аналитики.

На Западе все происходит просто: человек делает заказ, оплачивает его картой и ждет доставку по почте. Соответственно, данные попадают на сервера Google Analytics, там формируются отчеты, на основании этих отчетов принимаются решения и зарабатываются деньги. В России это тоже можно видеть на примере ebay, который доторговался до 400 миллионов долларов оборота и отставки директора Почты России. Но российские проекты работают немного не так.

Особенностью рынка СНГ является, во-первых, количество телефонных заказов, которые не попадают в долю аналитики, их около 50%. Их нельзя зафиксировать с помощью бесплатных инструментов.

Вторая особенность — неразвитость рынка банковских карт. В более чем 80% покупок оплата производиться курьеру наличными. К тому же, низка исполняемость заказов — около 60%. Среди неисполненных заказов большая доля клиентских отмен, примерно половина.

В результате, общепринятые Google Analytics и Яндекс.Метрика не дают корректной информации, и решения, принимаемые на основании этих данных, мягко говоря, не идеальны.

С точки зрения экономики, заказы по телефону выгоднее заказов через сайт: на 23% выше средний чак, на 5% лучше исполняемость. Чем выше стоимость заказов, тем выше будет доля заказов по телефону. Кроме того, доля заказов по телефону сильно отличается по категориям.

Что касается исполняемости. Есть некий набор заказов, которые заказами, в принципе, не являются. Сюда входят фейковые, тестовые заказы, дублирующие заказы. Исполняемость заказов также сильно зависит от канала и от цены.

Эти проблемы помогают решить системы внутренней аналитики. Внутренние системы отправляют данные на сервера и забирает все сырые данные, с которыми потом можно работать, связав их с учетностью, добавив заказы по телефону. Важным моментом еще будет то, что собственная система дает знание алгоритмов.

Работает это так. Корзине присваивается уникальный номер, это уникальный идентификатор сессии, которая создается на сайте, и которая передается в систему аналитики, что позволяет связать онлайн и оффлайн.

Создавая свою систему, можно задавать приоритеты каналу. Например, пять месяцев назад на сайт пришел человек с контекстной рекламы. Месяц назад он же напрямую и сделал заказ. Google Analytics этого человека отнесет в контекст.

Google Analytics плохо видит некоторых яндексовских роботов, они замусоривают трафик и портят показатели. Во внутренней системе все показатели можно настроить самостоятельно.

Стандарт длины сессии — 30 минут. И не все счетчики позволяют этот параметр в настройках поменять. Wikimart считает сессией все действия пользователя в течение дня.

Преимущество единой платформы: 

  • единый источник данных 
  • связь с бухгалтерией 
  • автоматизация отчетности 
  • сервисы данных 
  • Data Science

Платформа состоит из двух компонентов — из источника сырых данных и обработки. И есть три варианта: платформу можно разработать, купить или воспользоваться разработками open source. Коммерческие системы дорогие — от 100 тысяч долларов в год.

Если говорить об обработке данных, то лучше создавать свою систему потому, что можно создать свои алгоритмы в зависимости от специфики бизнеса и специфики данных. А для сбора сырых данных лучше использовать open source разработки, например, Piwik или Open Web Analytics, которые будут собирать данные и отправлять на сайт, где с ними уже можно работать.

Владислав Флакс (OWOX) рассказал о нестандартных приемах Google Analytics. Владислав привел три практических кейса. Все задачи связаны не напрямую с сайтом. Одна задача — повышение продаж, вторая — про стратегию, и третья — про принятие решений.

Первая бизнес-задача — повышение качества работы операторов call-центра и самообслуживания в пунктах самовывоза. Аналитическая задача — выявить пункты самовывоза с обслуживанием ниже среднего.

Есть метрика выручки на оператора, но она не является единственной определяющей. Есть пункты самовывоза, и не очевидно, в каких из них пользователи наименее удовлетворены качеством обслуживания.

Ebay, Amazon, Apple, например, после покупки присылают письма с предложением оценить предоставленные услуги. Каждый хочет вернуть покупателя, понять, как распределить усилия, чтобы бизнес был эффективнее.

С технической точки зрения — это event, который передается в Google Analytics и сообщает точку зрения пользователя.

Таким образом, есть данные пользователей о качестве обслуживания в конкретных пунктах самовывоза, либо, если есть связка с оператором, который консультировал клиента при покупке, есть мнение о качестве консультации. Стандартные вопросы — "будете ли вы нас рекомендовать", и, по желанию пользователя, можно собрать информацию о качестве выбора, доставки и оплаты.

В итоге получается один график, сравнивающий удовлетворенность клиентов по городам. По таким данным можно построить прозрачную систему мотивации работников.

Второй пример — оценка лояльности покупателей для ритейлеров.

Бизнес-задача — оценить достижение стратегических целей в части лидерства в ключевых товарных группах. У ритейлеров обычно есть несколько товарных категорий, и не все они являются категориями А. И у каждого есть задача — ответить на вопрос, является ли он лидером в ключевых товарных группах.

Аналитическая задача — оценить долю заказов в ключевых товарных группах, которые покупатели ассоциируют с брендом. Можно сегментировать мультиканальные последовательности, которые приводят к транзакции, и товарные группы.

Эти задачи решаются с помощью Google Analytics Custom Variables.

Можно увидеть, как меняется доля тех, кто сделал заказ добровольно, будучи знакомым с брендом. Допустим, по продаже телефонов магазин увеличил позиции. Но сдал позиции в среднем по сайту — значит, у него все большая доля трафика приходится на платно-привлеченных клиентов. Для человека, который отвечает за конкретную товарную категорию, за брендовую рекламу, это полезный график.

Третья задача — построение online dashboard на основе гибридных данных.

Бизнес-задача — вовремя принимать правильные решения. Аналитическая задача — агрегировать минимальное достаточное для принятия решения количество данных. Техническое решение — автоматизировать сбор данных из Google Analytics и Google SpreadSheets.

В компании есть определенная стратегия, и это не всегда продажи. Часто стратегией является накопление базы клиентов.

Мультиканальные ритейлеры часто идут в интернет не за продажами, а за долей рынка. На основании стратегии формируются бизнес-цели. В электронной коммерции это — объемы продаж, доли рынка, пользовательская база, присутствие в конкретных регионах, лидерство в товарных категориях.

Основная ошибка в консультирующих компаниях — когда аналитика размазана по компании. Аналитика должна служить для своевременного принятия правильных решений. Если есть решения — значит, есть зона ответственности. Значит, данные, собранные и посчитанные аналитиками, будут сгруппированы и отображены для конкретного дальнейшего использования, для конкретного человека, который будет по ним принимать решение. Если это руководитель call-центра — то для него dashboard должен предоставлять данные о качестве обслуживания, например, доли заказов через call-центр, удовлетворенности покупателя. Для логистика, соответственно, должны быть представлены данные о среднем сроке доставки, об удовлетворенности покупателей доставкой, и как это связано с регионами. Если это продакт-менеджер, то на сайте можно сегментировать конверсию и поведение аудитории. Все это, в итоге, приводит к конкретным метрикам, к конкретной аналитике.

Исходя из того, что в Google Analytics уже собраны нужные данные, можно импортировать данные как из Google SpreadSheets, так и из внешних сервисов, например, MailChimp или SendGrib, через API. Например, по доле отписок по рассылке. Большинство систем, даже 1С, позволяют выгружать данные просто в формате .csv.

Google SpreadSheets в реальном времени строит конкретный график. На примере — сравнение дохода на одно отправленное письмо. Есть рассылка по распродажам, есть товарные предложения, есть предложения аксессуаров. И можно узнать, сколько будет заработано, благодаря одному письму.

Бизнес — это решения, которые принимаются каждый день. И чтобы они были правильные, нужны объективные данные.

После доклада Владислав Флакс провел круглый стол, в котором приняли участие Олег Баша, Алексей Долотов и Роман Рыбальченко (SEO-Studio). 

Вопрос из зала: Как должна определяться зона ответственности аналитика?

Роман Рыбальченко: Веб-аналитик должен хорошо разбираться в интернет-маркетинге, должен понимать, как работает контекстная реклама, баннерная, понимать SEO. Аналитик должен понимать и программистов — как работает сервер сайта, как работает оптимизация, как сделать, чтобы сайт работал быстро, и где это можно посмотреть и проверить.

Олег Баша: Аналитики — это точно не программисты и не разработчики. Задача аналитика — не создавать продукт, а интерпретировать данные и делать выводы.

Алексей Долотов: Правильнее говорить о зоне ответственности вместе с определением зоны полномочий. Зона ответственности — это ответственность за утверждения, которые делаются. И частичная ответственность за применение результата. Чтобы у аналитика был стимул доносить информацию в удобной форме и переживать за конечный продукт. Полномочия — чтобы эту ответственность выполнять, и определенное положение в коллективе — чтобы люди прислушивались и верили. Важно, чтобы руководители высокого уровня, во-первых, хотели аналитики и понимали, что это такое, во-вторых, не считали, что они сами — лучшие аналитики.

Вопрос из зала: Какие задачи ритейлеров будут решать системы CRM в будущем? Произойдет ли интеграция данных по поведению пользователей онлайн и оффлайн, и когда персонализация в оффлайне будет играть такую же роль, как в онлайне?

Олег Баша: Большая задача — объединить онлайн и оффлайн. Проблема — в отсутствии идентификации в оффлайне. Но есть уже инструменты, которые помогают что-то сделать. Например, геотаргетирование с учетом местоположения. Есть всякие мобильные штуки, которые помогают отследить, где находится человек и что он делает. Можно отследить, когда транзакция начинается в оффлайне, а заканчивается в онлайне. Каналы перемешиваются, и постепенно все это придет к какому-то общему знаменателю. Мы сможем объединить онлайн с оффлайном, когда уйдем от кэша.

Вопрос из зала: Мобильного трафика относительно мало, но уровень конверсии зашкаливает по сравнению с обычным вебом. С чем это связано?

Олег Баша: Во-первых, нужно смотреть по регионам. В России, например, есть регионы, где проникновение мобильного интернета больше, чем обычного широкополосного доступа. И аудитория, которая до этого не имела возможности даже просто выйти в интернет. Плюс сама по себе аудитория мобильного интернета — со смещением в пользу интернет-покупателей.

Алексей Долотов: Надо понимать аудиторию мобильного интернета. Ее можно разделить на пользователей тач-фонов и всех остальных. Сейчас даже калькулятор умеет выходить в интернет. Но если сравнивать по удобству и по уровню потребления интернета телефоны и тач-фоны — разница будет в разы. И даже если сравнивать тач-фоны между собой, то на IOS активность будет больше, чем на Android. И вообще, чем более дорогие телефоны, тем более обеспеченные люди ими пользуются, и тем более активные они пользователи. И нельзя это сравнивать с обычным интернетом.

Владислав Флакс: Важно не сравнивать конверсию с мобильных устройств с конверсией, которая есть на сайте. С мобильных устройств заходят, скорее всего, те, кто уже знаком с вами и уже делал покупки. Поэтому сравнивать можно конверсию с мобильных устройств с конверсией на вернувшемся сегменте.

Роман Рыбальченко: Сейчас аудиторию стоит делить даже не по дорогим или дешевым телефонам, а на телефоны и планшеты. По количеству заказов и по обороту планшеты сильно преобладают над всеми мобильными телефонами, смартфонами и тач-фонами, вместе взятыми. В большинстве тематик людям таки проще оформить заказ на большом экране планшета, а в случае с iPad это достаточно платежеспособная аудитория, чем пытаться заказать что-то на маленьком экране.

Алексей Долотов: Планшеты нужно выделять из группы мобильных устройств. Судя по тому, когда и где люди ими пользуются, планшеты вытесняют с рынка ноутбуки. Сейчас уже нет смысла в домашнем ноутбуке потому, что все задачи можно решить с планшета, с которого еще и ребенок может поиграть. Конечно, там будут делаться и покупки, особенно, если есть хорошее приложение.

Владислав Флакс: Интересные данные: в России только в 4% транзакций участвует мобильный телефон, в Украине — в 14%.

Вопрос из зала: Есть ли механизм, позволяющий оценить пользователя, который купит и сам, и не тратить деньги на его привлечение?

Роман Рыбальченко: Сложный вопрос, особенно с модой на ремаркетинг. В случае с email-коммуникациями, с sms-коммуникациями, с прямыми коммуникациями, если есть большая база, мы можем разослать сообщение по сегменту и понять, в каком случае поменялось поведение пользователя, где рентабельно дальше рассылать это сообщение, и где — нет. То есть, 10% теста, 10% контрольная группа, и дальше до 80% бюджета можно сэкономить. Это что касается рекламы прямого отклика, и когда уже есть существующая база. Что касается баннерной, тизерной рекламы. Тут подойдет планирование рекламной кампании по методу волн. То есть, запускается маленькая волна, отслеживается результат. Если результат устраивает — эту волну можно масштабировать. Это гибкий подход интернет-бизнеса.

Алексей Долотов: Нужно принять как данность, что мы не можем провести рекламную кампанию, чтобы не накрыть тех, кто является пока только потенциальной аудиторией. Есть методика проведения эксперимента, чтобы оценить влияние. Сравнить, сколько денег принесла какая из кампаний.

Обзор подготовила Александра Кирьянова