Кейс «Туту» и CyberBrain: как построить inhouse-систему аналитики с data-driven-атрибуцией и Uplift-сегментированием

Задача построить надежную систему сбора и анализа данных всегда была серьезным вызовом, а сейчас усложнилась многократно.

Представьте, что ежемесячно на ваш сайт и в приложение заходят в среднем более 30 млн пользователей. Нужно провести импортозамещение и решить проблемы с рыночными решениями. Знаем, что это не уникальный случай. Мы прошли этот пусть и делимся результатами, чтобы вам было проще создать прозрачную систему аналитики, базирующуюся на внутренних данных.

В кейсе расскажем, как «Туту» и команда CyberBrain:

• построили систему сквозной аналитики внутри компании;
• подключили продвинутые инструменты post-view-аналитики;
• вышли на ежедневный мониторинг эффективности всех рекламных кампаний в диджитале в одном пространстве;
• избавились от потерь данных в 25% относительного прошлого решения.

А также поделимся, когда и зачем нужно заниматься разработкой внутренних систем и что для этого нужно.

«Туту» и Cyberbrain

Сервис путешествий «Туту» — самый посещаемый онлайн-сервис путешествий в России (Similar Web, 2023), где можно купить билеты на поезд, самолет и автобус, забронировать отели, найти расписание электричек, выбрать тематические туры и туристические путевки, экспедиции и экскурсии. Туту работает с 2003 года и занимает 1-е место в России, а также 25-е место в мире по количеству посетителей в тематике путешествие и туризм.

CyberBrain — независимая аналитическая платформа, оптимизирующая медийные и performance-кампании с помощью post-click- и post-view-данных. Платформа позволяет собрать полную сквозную аналитику от показа до продажи, получить автоматические рекомендации по оптимизации и анализировать эффективность запущенных digital-кампаний по воронке продаж.

Задачи

К началу проекта «Туту» использовали собственный инструмент clickstream-данных с сайта, но система строилась под задачи продуктовой команды и не имела нужных возможностей для маркетинга.

Исходя из анализа реализованных возможностей системы, команда маркетинга и Cyberbrain сформировала дорожную карту доработок. В нее вошли:

1. Формирование правил расчета привычных для маркетинга метрик.
2. Интеграция post-click- и post-view-данных на базе clickstream.
3. Реализация двустороннего обмена данными.
4. Внедрение мониторинга качества данных. 
5. Интеграция data-driven-модели атрибуции.
6. Интеграция Uplift-сегментирования, которое можно использовать для изучения и активации аудиторий.
7. Реализация единого дашборда контроля маркетинговых кампаний до продаж.  

Реализация

От рыночных систем аналитики к собственной разработке

Реализация самописной системы аналитики — всегда большой риск, особенно когда для бизнеса это не главная экспертиза. Но иногда возникают ситуации, когда альтернатив не остается.

Топ причин:

1. Масштабирование использования внутренних аналитических систем для решения задач по расхождению данных с внешними сервисами.
2. Санкции.
3. Риск потери данных.
4. Риск, что не подойдет под технический стек компании.
5. Отсутствие нужного функционала или невозможность его получить.

«Туту» столкнулись сразу с несколькими проблемами, которые сподвигли к переходу на внутреннюю систему аналитики.

Для использования внутреннего счетчика команде маркетинга пришлось создать свою модель данных и метрик:

• сессии,
• источники сессий,
• время на странице,
• показатель отказов,
• уникальные конверсии в рамках сессий (поиск билетов и покупки).

На этом этапе всем участникам важно договориться, как считать каждую метрику и что она означает, чтобы не появилась проблема, когда разные команды клиента и партнеры понимают одну и ту же метрику по-разному.

В зависимости от технического стека и опыта команды этот этап можно реализовывать разными путями, но рекомендуем использовать ClickHouse как точку хранения обработанных данных.

Интеграция внешней аналитической платформы с внутренней аналитикой

CyberBrain также следовало перевести с внешних источников данных на внутреннюю систему, чтобы клиент продолжил получать полную аналитику кампаний.

Для этого необходимо было связать внешнюю систему с внутренней через объединение cookie-файлов. Это процесс называется cookie sync.

Когда пользователь заходит на сайт, система аналитики присваивает ему cookie с уникальным номером. Так же делает и adtracker-система.

Когда все cookies-файлы присвоены системами, их отправляют в хранилище вместе с другими параметрами с сайта. Для безопасности выбрали вариант, когда «Туту» сохраняют cookies на своей стороне.

Универсальный процесс настройки сквозной аналитики от показа до продажи выглядел так:

1. Разметить кампании adtracking-системой на показ и клик.
2. Установить на сайт конверсионный тег adtracking-системы для объединения user_id трекинг системы и ID системы аналитики.
3. Настроить получение сырых данных со стороны сайта по сеансам, источникам сеансов, а также по совершенным конверсиям в разбивке ID сайта (client_id).

В самописной системе должна быть возможность выгружать данные в разрезе ID пользователя:

• по времени посещения и источнику входа;
• совершенным действиям на сайте. Для «Туту» это поиски и покупки билетов;
• доходу на каждого пользователя.

Полученные данные помогут:

• сформировать метрику сеансов,
• определить источники сеансов,
• выделить уникальные достижения цели в рамках сеансов.

К началу миграции на свой clickstream «Туту» уже использовали:

1. Data-driven-атрибуцию Шепли по всей воронке продаж. 
2. Сравнение источников и кампаний между собой по отклонению от среднего фактического CPA.
3. Отслеживание выполнения план-факта по рекламным кампаниям.
4. Мониторинг конверсионных воронок от показа до покупки билетов в разбивке по продуктам.
5. Распределение конверсий по частотам показов.

Аналитические возможности перевели на новые данные. Теперь осталось реализовать подключение Uplift-сегментирования.

Реализация и применение Uplift для оптимизации кампаний 

Uplift — это мощный инструмент оценки эффективности охватных кампаний. При этом его реализация не так сложна и затратна, как data-driven-атрибуция, и доступна большему числу компаний. Также плюс — возможность изучать и активировать сегменты пользователей, у которых есть наибольший прирост эффективности. 

Uplift показывает разницу эффективности аудитории, контактировавшей с рекламой и той, которая рекламные кампании не видела.

Для сегментации посетителей сайта использовали данные веб-трекера, сеансы, конверсии и продажи из CRM.

При выделении сегментов для подсчета CR обрабатываются большие объемы информации с применением дополнительной фильтрации — у пользователей должен быть определен в связке user_id трекера и client_id на стороне сайта, а показ рекламы должен быть раньше, чем посещение сайта и совершение конверсии.

В каждом сегменте подсчитывается уникальное количество пользователей (id), которые перешли на сайт и совершили покупку, также подсчитывается CR в покупку.

СR Uplift вычисляется как разница в процентных пунктах между CR двух сегментов, и вычисляется, на сколько процентов конверсия в покупку контактировавших с медиа отличается от конверсии в покупку тех, кто с медиа не контактировал.

Для того чтобы определить, значимое или нет получилось повышение CR, применяется расчет значений для каждого из сегментов в рамках доверительного интервала 95%.

Рассмотрим на примере, как можно выстроить оценку и оптимизацию кампаний на Uplift.

Варианты оценки:

1. Оценка повышения CR после контакта с медиа должна проводиться как суммарно по всем кампаниям для оценки вклада охватных инструментов, так и в разбивке по кампаниям и источникам для сравнения и управления эффективностью поставщиков и кампаний внутри. Для детализированной аналитики важно корректно формировать и присваивать UTM-метки.
2. Для корректного сравнения сегментов контактировавших и тех, кто не видел рекламу, должна быть возможность выравнивать сегменты по единым признакам. Например, у «Туту» кампании могут быть как федеральными, так и региональными, и под региональные формируется отдельный сегмент тех, кто не контактировал с медиа по соответствующему региональному признаку. Также из сегмента без контакта с медиа могут быть исключены пользователи, у которых в истории есть сеансы с определенного типа трафика, например с perfomance или CPA (пользователи, у которых уже отмечается заинтересованность в покупке).

Пример визуализации результатов CR двух сегментов:

*представленные данные на скриншоте смоделированы

Кроме отслеживания изменения CR и оценки рекламных активностей, для дальнейшего анализа и оптимизации можно формировать список ID пользователей, которые видели интересующие рекламные кампании, пришли на сайт или совершили конверсию для изучения объединяющих признаков. Нужно изучать их CJM и формирования кастомных аудиторий для Look a Like.

В «Туту» списки ID, сформированные в процессе Uplift-сегментирования, активно используются для внутренней аналитики и оптимизации рекламных кампаний.

Проводится выравнивание сегментов по внутренним параметрам аудитории, таким как продукт, гео, соцдем-характеристики и т. д. для дополнительной валидации полученных результатов и когортного анализа.

Результаты 

1. Внедрение собственной системы аналитики и новых методов оценки системно улучшило эффективность кампаний от 13% до 29% в зависимости от площадки.
2. Повысилась точность сквозной аналитики более чем на 20%.

Цитаты

В заключение

Работа с рекламными кампаниями — это постоянный процесс поиска и внедрения новых решений. Важно, чтобы оценка и управление строились на достоверных данных, которым доверяет команда, руководство и партнеры. Нужно стремиться сокращать время реагирования, чтобы успевать вовремя вносить нужные изменения и улучшать результаты.

Внедрение собственной системы аналитики, новых методов оценки кампаний, таких, как Uplift, помогло команде «Туту» и партнерам адаптироваться к текущим реалиям, повысить скорость реакции, а также получить достоверные и прозрачные данные.

Главной победой можно считать достижение новых результатов по эффективности кампаний, скорости и качеству планирования.

Реклама. Рекламодатель ООО «Брайнфарм» ИНН 7725366728