Google Analytics — крутой инструмент для аналитики данных в интернет-маркетинге. Но не во всех случаях.
Узнайте, когда, с помощью чего и как анализировать данные без Google Analytics. Возможности собственных баз данных.
Смотрите презентацию.
Конференция Analyze 2015
Выступление Романа Рыбальченко
SalesLab: Евгений Горбачёв (Terrasoft) - Управление идеальным путешествием кл...
Аналитика вне Google Analytics на основе баз данных
1. Аналитика вне Google Analytics
на основе баз данных
1
Roma.net.ua
только эффективный
интернет-маркетинг
2. Эксперт в интернет-маркетинге (8 лет опыта).
— Основатель проекта Roma.net.ua
— Директор по маркетингу интернет-магазина Intimo
— Тренер по веб-аналитике и e-mail маркетингу
— Со-основатель Клуба Интернет-Маркетологов.
Роман Рыбальченко
Яндекс
Эксперт
Сертифицированный
КОНСУЛЬТАНТ
Google Adwords
с 2011 по 2013
2
3. Клиенты
И ещё 75: e-commerce, рекламные агентства, услуги,
продуктовые компании.
3
4. Не внедрили, мало
данных или лимиты:
• Enhanced Ecommerce
• UserId, ClientId
• Measurement Protocol
• Custom Dimensions, Metrics
• Семплирование данных
• Данные с ошибками
4
5. Источники данных
• Базы данных о товарах, заказах и Клиентах
(CMS, ERP, CRM)
• Рекламные аккаунты (Google Adwords,
Яндекс.Директ)
• Статистика сервиса (MailChimp, Youtube, Google
Webmaster, Яндекс.Вебмастер)
• Веб-аналитика (Google Analytics,
Яндекс.Метрика)
5
6. Очистка данных
• Ненужные сегменты (например опт/розница)
• Заказы от сотрудников и тестовые
(e-mail содержит домен сайта и просматриваем
топ-100 Клиентов по количеству заказов)
• Статусы заказов
• Период времени
6
10. • Валидация данных на входе
• Признак «сотрудник» в базе данных
• Причина отмены заказа — «тестовый»
• «Склейка» профилей (по номеру телефона,
адресу доставки, ФИО...)
• Импорт исправленного в БД
• Процесс обработки новых ошибок коллегами
10
11. Обогащение данных
• GA → CRM (ключ — номер заказа в e-commerce)
• IP → город, регион, страна (по базе GeoIP)
• Имя и отчество → Пол
• Адрес → Расстояние (по API карт)
• Товары в заказе → Размер
• Соцсеть → Интересы, чекины, друзья, возраст
• Школа и друзья → Возраст
• Товар → Характеристики, отзывы (по API Яндекс.Маркета)
11
16. Доработка структуры БД
• Разнесение полей
ФИО → Фамилия, имя, отчество
• Отдельные поля
• Структурированный ввод данных
• Связь по API c другими сервисами
15
17. Инвентарь
• Доступ к БД или копии БД с правами на чтение
• Простенький курс по SQL (SQL for Marketers)
• Excel и 4-7 Гб «оперативки» (или Microsoft Azure)
• Надстройки: Power Pivot, Power Query
16
20. Поля
• Номер заказа
• id Клиента или e-mail
• Дата заказа
• Статус заказа
• Сумма заказа
• Порядковый номер заказа
• Источник заказа
19
21. Вычисляемые поля
• Количество заказов
• Количество выполненных заказов
• Дата первого и второго заказа
• Дней между заказами 1 и 2
• Год и месяц текущего заказа
• Год и месяц 1-го заказа
• Месяцев и дней с первого заказа
20
22. Что строили?
• Когорты
• Life Cycle Grid
• Структура заказов по месяцам и статусам
• Исполняемость заказов в разрезах
21
23. Что определили?
• Точки для роста (0 → 1, 1 → 2)
• Диапазоны для e-mail маркетинга
• между покупкой и оплатой
• между заказами
• между покупкой и отменой
• Проблемы с наличием и актуальностью
• Проверили бизнес-модель по оттоку
• Вероятность повторной покупки
22
32. • Кто отписался (экспорт из MailChimp)
• Кто не оформлял заказ больше X дней назад
• Кто оформлял заказ по телефону
(на технические аккаунты)
SELECT `ord_tel`
FROM `orders`
WHERE `userid` = '6061'
OR `userid` = '60689'
OR `userid` = '60690'
OR `userid` = '60691'
31
36. SELECT
`orders`.`id` AS 'номер заказа', `order_status`.`name` AS 'Статус' ,
`couriers`.`name` AS 'курьер', `orders_cancel`.`descr` AS 'причина',
`delivery`.`name_ru` AS 'тип доставки', `orders`.`date` AS 'дата'
FROM `orders`
LEFT JOIN `orders_cancel` ON `orders`.`cancel_id` =
`orders_cancel`.`id`
LEFT JOIN `couriers` ON `orders`.`courier_id` =
`couriers`.`courier_id`
LEFT JOIN `delivery` ON `orders`.`deliveryid` = `delivery`.`id`
LEFT JOIN `user` ON `orders`.`userid` = `user`.`id`
LEFT JOIN `order_status` ON `orders`.`status` = `order_status`.`id`
WHERE `orders`.`date` > '2014-12-01'
AND `orders`.`date` < '2014-12-31'
AND `user`.`opt` = 0
AND `user`.`member` = 0
AND `orders`.`status`= 5
35
37. Выводы для бизнеса
• В регионе Х у отмененных заказов средний чек
выше на 24% — теряем большие заказы
• В регионе X в 2 раза чаще отмена «нет в
наличии» — работаем с остатками и сайтом
• Курьер N в 1.5 раза чаще отменяет
«не дозвонился»
36
38. Кейс 4. На каких
позициях крутить
контекст?
37
39. Сводные таблицы
• Каноническая таблица (убираем итоги,
вписываем заголовки)
• Сводная таблица
• Вычисляемые поля
• Дополнительные вычисления
• Фильтры и представление данных
38
45. Когда ещё нужны
сводные таблицы /ярлыки?
• Пол / Возраст / Интересы в КМС
• Оптимальный тип соответствия
• Влияние доп. слов в запросе (купить,
обзор, Киев, магазин)
• Группировка по категориям, когда
кампании разбиты регионально
44
47. Примеры применения
SQL-запросов и сводных
• Выгрузка сеошникам брендов с большим
количеством SKU в наличии
• Анализ ширины экрана для определения
требований к mobile-версии
• Анализ длины городов для доработки дизайна
46