Когортний аналіз: як оцінити канали залучення клієнтів і збільшити LTV

1. Про компанію
2. мета
3. проблема
4. Рішення
5. Крок 1. Об'єднати всі дані в Google BigQuery
6. Крок 2. Створити когорти і розрахувати показники
7. Крок 3. Побудувати звіти по когортного аналізу
8. результати

Матеріали для скачування

Кейси по маркетинг-аналітиці

978.32 Kb

Про компанію

boodmo.com - найбільший учасник онлайн-ринку автозапчастин в Індії. Це майданчик, на якій продавці автозапчастин можуть пропонувати оригінальні і сторонні комплектуючі, а покупці - в пару кліків знаходити потрібні запчастини. У boodmo понад 400 постачальників з усього світу, при цьому вони орієнтуються на внутрішніх покупців: «Ми - індійська компанія, що працює тільки для індійських клієнтів».

Каталог товарів на сайті boodmo.com розділений на 18 категорій і містить автомобільні деталі 42 популярних марок (Audi, BMW, Ford, Honda і ін.) - всього понад 35 млн автозапчастин. Сайт адаптований для мобільних пристроїв, тому користувачі можуть зручно робити покупки, як з комп'ютерів, так і з телефонів, планшетів, а також з мобільних додатків.

мета

Компанія, заснована в 2015 році, вже встигла зайняти вільну нішу і стати великим гравцем на онлайн-ринку автозапчастин в Індії, але зупинятися на досягнутому не збирається і прагне «стати онлайн-центром № 1 для всіх, хто цікавиться автосервісом». Щоб досягти цієї мети, boodmo необхідно збільшити охоплення ринку, збудувавши ефективну модель відносин з клієнтами.

Просто залучити користувачів добре, а утримати їх і зробити лояльними клієнтами - ще краще. Тому команда boodmo поставила перед собою завдання - визначити LTV Прибуток, яку компанія отримує від одного клієнта за весь час співпраці з ним (довічну цінність клієнта) і провести когортний аналіз, щоб зрозуміти, як цей показник збільшити. Для розрахунку LTV компанії потрібні дані про маржі і рекламних витратах на залучення користувача за певний період (докладніше за розрахунком LTV - в нашій статті ). Також вкрай важливо порівняти дані про поведінку когорт Група користувачів, які здійснили певну дію в один час. Наприклад, вперше відвідали сайт 1 червня або зробили першу транзакцію у вересні в розрізі різних джерел і каналів, щоб визначити, який канал наводить найбільш лояльних клієнтів, а який - неприбуткових (витрати на залучення яких більше, ніж прибуток від них).

проблема

Щоб провести когортний аналіз, необхідно зібрати всі дані в одній системі. Google Analytics для цього не підходить, тому що:

• Після потрапляння в GA дані про актуальний статус та склад замовлення не оновлюються. Під час обробки замовлення користувач може відмовитися від покупки або замінити товари в замовленні на інші, а в Google Analytics ці зміни не відобразяться.
• Даних про маржі і наповнюваності замовлень немає в GA - вони зберігаються в CRM системі.
• Крім того, в звіті по когортного аналізу в Google Analytics немає необхідних метрик для кожної когорти, тобто ці показники можна подивитися в інших звітах, але не в звіті по когортного аналізу:
  • LTV (в GA це окремий звіт);
  • CAC (вартість залучення клієнта);
  • кількість реєстрацій;
  • кількість користувачів когорти, які оформили 1 замовлення, 2 замовлення або 3 і більше замовлень.

Рішення

Аналітики boodmo вирішили проблему наступним чином:

• 1. Зібрали всі необхідні дані в хмарну базу даних Google BigQuery за допомогою OWOX BI Pipeline .
• 2. У Google BigQuery розподілили користувачів по когортам і розрахували для кожної LTV, CAC, кількість реєстрацій і кількість користувачів, які вчинили 1, 2 або 3 і більше покупок.
• 3. Передали дані з Google BigQuery в Google Sheets, де побудували автоматизовані звіти по когортного аналізу.

Схема цього процесу виглядає так:

Давайте докладніше розглянемо кожен крок.

Крок 1. Об'єднати всі дані в Google BigQuery

boodmo передає дані про дії користувачів на сайті в Google BigQuery за допомогою OWOX BI Pipeline. Чому компанія вибрала саме таке рішення?

• По-перше, через швидкість. OWOX BI Pipeline передає дані з сайту в GBQ практично в режимі реального часу - вони доступні для аналізу вже через 5 хвилин. Запити в GBQ обробляються за лічені секунди або хвилини в залежності від обсягу даних.
• По-друге, можна порівняти рекламні витрати і доходи в розрізі користувачів і порахувати рентабельність когорт. OWOX BI Pipeline при передачі витрат в GBQ атрібутірует їх на рівень сесії. У Google Analytics ж цього зробити не можна - там дані про витрати агреговані і прив'язані до рекламних кампаній.
• По-третє, це можливість уникнути деяких обмежень. Дані, вивантажується в Google BigQuery, що не семліруются, незалежно від обсягу. Також немає обмежень на кількість параметрів і показників в звітах, які є в GA (до 5 параметрів і до 25 показників).

Дані про маржі і наповнюваності замовлень компанія відправляє з CRM в Google BigQuery за допомогою POST запитів . Прочитати про інші способи інтеграції можна в довідці .

Крок 2. Створити когорти і розрахувати показники

Після об'єднання даних в Google BigQuery компанія приступила до створення когорт і розрахунку необхідних метрик для кожної когорти. Всі основні розрахунки були виконані в Google BigQuery за допомогою SQL запитів і додаткових UDF Функції для в BigQuery (тільки для legacy SQL) створюються за допомогою мови програмування JavaScript. Функція через підрядник приймає значення стовпців в якості аргументів, виконує код користувача і повертає заданий набір параметрів функцій ( довідка ).

Перш ніж перейти до побудови звітів, давайте трохи докладніше розглянемо когортний аналіз: що це таке і навіщо він потрібен. Суть когортного аналізу полягає в тому, що користувачів ділять на когорти, а потім досліджують поведінку кожної когорти в певні проміжки часу. Головна відмінність від простого сегментування в тому, що користувачів об'єднують в когорти по тимчасовому ознакою, а сегмент можна створити за допомогою будь-яких інших параметрів (стать, вік, місце розташування, тип пристрою). Тобто користувачі в когорті здійснюють однакову дію в один час. Наприклад, вперше відвідують сайт в червні. В сегменти ж можна об'єднувати, наприклад, клієнтів, які використовують тільки смартфон або планшет.

Для когортного аналізу важливо визначити часовий інтервал, за яким буде будуватися когорта: день, тиждень, місяць. Ознака, за яким буде збиратися когорта (перший візит, реєстрація, перша покупка і т. Д.) Необхідно вибирати виходячи з того, які цілі ви ставите і які показники хочете аналізувати. Наприклад, щоб утримати користувачів і підрахувати Retention Rate, формувати когорти можна по першого відвідування сайту, реєстрації або установити програму. Щоб визначити LTV, когорти створюють за часом покупки.

Крім того, потрібно визначитися зі звітним періодом, протягом якого буде досліджуватися кожна когорта. Таким чином, когортний аналіз дозволить визначити, як змінюються ключові метрики (LTV і CAC та ін.) З плином часу в окремо взятій когорти.

У boodmo за допомогою когортного аналізу хотіли вирішити два завдання:

• Підвищити LTV. Для цього потрібно розділити користувачів на когорти по місяцю першого відвідування і простежити, як змінювалися протягом звітного періоду LTV, CAC, кількість реєстрацій і користувачів, що роблять покупки, всередині кожної когорти. Грунтуючись на поведінці користувачів в когортах, можна взаємодіяти з кожної когортою окремо.
• Оцінити ефективність рекламних каналів і період окупності кожного з них, щоб оптимізувати витрати на рекламу. Для цього необхідно сегментувати когорти по рекламним каналам і порівняти LTV користувачів і витрати на їх залучення.

Крок 3. Побудувати звіти по когортного аналізу

Для візуалізації звітів по когортного аналізу компанія вибрала Google Sheets, тому що розмір таблиці в звіті динамічно змінюється, потрібно автоматично розраховувати нові когорти і доповнювати попередні когорти даними за нові періоди.

Для передачі даних з Google BigQuery в Google Sheets, побудови звітів в заданій структурі, а також їх автоматичного оновлення і форматування boodmo використовував Google Apps Script . Це мова програмування на основі JavaScript, за допомогою якого можна додавати функції і обробляти дані в Google Sheets і інших сервісах Google.

У звіти були додані наступні можливості:

• Фільтр по типу показників у звіті - все показники для когорт можуть бути розраховані як в абсолютних, так і у відносних значеннях.
• Фільтр по каналах і джерел - за допомогою регулярного виразу можна задавати значення джерела і каналу, щоб будувати аналіз, грунтуючись тільки на цих даних.
• Автоматичне умовне форматування за формулою, яка на основі заданих значень розраховує відношення LTV до CAC.

В результаті проведеної роботи у boodmo з'явився такий звіт:

Показники LTV і CAC розраховувалися для звіту за такими формулами:

• LTV = маржа когорти / кількість користувачів в когорті.
• CAC = витрати на залучення когорти / кількість користувачів в когорті.

З цього звіту ми бачимо, що прибуток від користувачів з когорти 2016-12 покрила витрати на їх залучення за звітний період 3 місяці. Про це говорить зелений колір заливки, в який пофарбована осередок з LTV. Червоний колір осередків означає, що у користувачів цієї когорти LTV менше, ніж CAC. Якщо динаміка показників не дозволяє розраховувати на те, що протягом трьох місяців витрати на залучення користувачів окупляться, можна приділити цій когорті більше уваги. Наприклад, відправити цим користувачам листи з акційною пропозицією.

Крім того, можна оцінити динаміку показника LTV по різних каналах залучення користувачів і замінити неефективний канал (де CAC більше LTV) на більш ефективний.

результати

• boodmo отримав повністю автоматизований інструмент, який дозволяє оцінити як ефективність кожного каналу окремо, так і всіх каналів в розрізі когорт користувачів, побудованих по місяцях.
• Проаналізувавши поведінку окремих когорт, компанія може по-різному будувати відносини з аудиторією в кожній когорті, використовувати ремаркетинг.
• Оцінивши ефективність каналів, boodmo може оптимізувати витрати на залучення користувачів і тим самим збільшити показник LTV для кожної когорти.

використані інструменти