Кейс «Туту» и CyberBrain: как построить inhouse-систему аналитики с data-driven-атрибуцией и Uplift-сегментированием
О том, как маркетинговой команде переехать на внутреннюю систему аналитики и внедрить новые методы оценки эффективности рекламных кампаний, — в кейсе
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 путь 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:
-
Формирование правил расчета привычных для маркетинга метрик.
-
Интеграция post-click- и post-view-данных на базе clickstream.
-
Реализация двустороннего обмена данными.
-
Внедрение мониторинга качества данных.
-
Интеграция data-driven-модели атрибуции.
-
Интеграция Uplift-сегментирования, которое можно использовать для изучения и активации аудиторий.
-
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:
-
Масштабирование использования внутренних аналитических систем для решения задач по расхождению данных с внешними сервисами.
-
Санкции.
-
Риск потери данных.
-
Риск, что не подойдет под технический стек компании.
-
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:
-
Разметить кампании adtracking-системой на показ и клик.
-
Установить на сайт конверсионный тег adtracking-системы для объединения user_id трекинг системы и ID системы аналитики.
-
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:
-
Data-driven-атрибуцию Шепли по всей воронке продаж.
-
Сравнение источников и кампаний между собой по отклонению от среднего фактического CPA.
-
Отслеживание выполнения план-факта по рекламным кампаниям.
-
Мониторинг конверсионных воронок от показа до покупки билетов в разбивке по продуктам.
-
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:
-
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.
-
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
-
Внедрение собственной системы аналитики и новых методов оценки системно улучшило эффективность кампаний от 13% до 29% в зависимости от площадки.
-
Повысилась точность сквозной аналитики более чем на 20%.
Цитаты
Артем Аманов, руководитель по медиапланированию и размещению рекламы «Туту»:
«В текущий период высокой конкуренции и нехватки инвентаря важно правильно оценивать работу форматов и привлекаемого трафик и видеть цепочку от показов к мотивированным действиям клиентов на платформе через сравнение с контрольной группой».
Михаил Егошин, руководитель группы веб-аналитики «Туту»:
«На стороне команды маркетинговой аналитики проводится большая работа по опрозрачиванию результатов медийных РК и доверия к нашим аналитическим инструментам. Инструмент по Uplift дал прозрачную оценку для бизнеса проводимых рекламных кампаний на вебе. Мы не собираемся останавливаться на текущем результате и активно идем к реализации замера Uplift на мобильных устройствах, а в перспективе — и для Web + App за счет использования Stable ID».
Никита Лисицын, основатель и генеральный директор CyberBrain:
«При реализации столь масштабных работ, как разработка собственной системы аналитики и внедрение продвинутых методов оценки, важно сделать особый упор на качество данных. Внедрение Data-Quality-практик обязательно, так как весь процесс контроля качества сырья переходит с внешних сервисов на плечи внутренней команды и партнеров. Без валидированных полных данных любые навороченные методы оценки будут бесполезны».
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