Сейчас компании стремятся обрабатывать и анализировать данные о покупателях, товаре и рекламе. Это помогает выстраивать правильную стратегию и вести бизнес. 

Крупная инфраструктура завязана на Python и SQL?запросах. И разбираться в этом нужно не только аналитикам, но и продакт-менеджерам, предпринимателям и другим представителям продуктовой команды. 

При поддержке автора телеграм-канала https://t.me/FreshProductGo 

1. Продуктовая аналитика

Продуктовая аналитика направлена на улучшение продукта, его финансовых, маркетинговых и пользовательских характеристик. Эти данные важны для эффективности рекламы, удовлетворения болей клиентов и экономии бюджетов компании на всех этапах развития и реализации продукта.

Она собирает данные, которые помогают изучать поведение пользователей во время их взаимодействия с продуктом. Эти данные показывают, что происходит с продуктом: какие кнопки нажимают пользователи, как часто используют продукт, какие функции продукта популярны.  Это информация не только о клиентах, а уже о погодных условиях, которые могут повлиять на работу компании, размер среднего чека, предпочтения покупателей, динамике покупок определенных товаров, загруженности точек продаж и складских остатках. 

Внедрение “умных” трекеров, coarse grained подход - крупная, грубая картина пользовательского пути анализируется быстрым пайплайном. Находятся ребра (переходы между событиями) с самым большим потенциалом анализа, такие ребра разбиваются трекером на более мелкие события и сбор данных в итоге постоянно адаптируется под требуемую точностью анализа и конечную задачу аналитики.

Этот же подход может быть использован для “самоочищающихся данных”, когда мы принципиально не храним лишнего, используем быстрые компактные базы для грубых данных и большие медленные для детальных, кроме того мы перестаем хранить общие для всех данные, сводя поведенческие сегменты пользователей и отдельно сохраняя их модели предпочтений.В будущем кнопки и элементы интерфейса могли бы сами оценивать поведение пользователя и влияние разных факторов на весь пользовательский путь и его бизнес метрики — конверсию, средний чек, вовлеченность и retention. Возможность без вмешательства человека определить ценность отдельных элементов в плане повышения заказов или лояльности клиентов, причем отдельные этапы аналитики просто не используются, поскольку процесс автоматизирован. Кнопки сами себя регулируют, имея пробрасываемые сигналы от других кнопок в пользовательском пути и от центрального регулятора, они постоянно оптимизируют свое поведение.

Пока же такой технологии нет, но ее появления можно ожидать не только от нас буквально со дня на день. Вполне вероятно, что приложения будут «учиться друг у друга». Так, например, приложение, которое используется раз в месяц, сможет перенимать актуальные для него модели пользователей их предпочтения к эмбедингам CJM у другого приложения, которое используется ежедневно. В этом случае скорость развития первого приложения может значительно вырасти.

С помощью этих данных компания способна удержать пользователя в продукте.

Инструменты: Python, Google Analytics, Tableau, Amplitude, SQL, SimilarWeb, ClickHouse. 

2. Маркетинговая аналитика

Маркетинговая аналитика анализирует маркетинговые кампании на всех уровнях с целью увеличения эффективности рекламы: собирает данные из рекламных каналов и CRM, настраивает метрики, по которым будет оцениваться реклама.

Полученные данные позволяют смотреть, откуда пришел пользователь и с какой рекламной кампании, зарегистрировался или нет, оплатил продукт или нет.

По этим данным можно оценивать эффективность каналов рекламы, почему клиенты покупают или не покупают продукт, какой бюджет вкладывать в рекламные кампании, по каким KPI оценивать результаты рекламных кампаний. Есть три отдельные стратегии, и нужно выбрать одну:

1. Платные рекламные и не только каналы: таргет в Facebook или контекст в Яндексе. А также SEO. Так работает Booking, TikTok. 

2. Виральность, когда все активно делятся и рекомендуют продукт, так работает AirBnb, Instagram.

3. Контент,  когда пользователи активно создают его либо у вас реально интересные данные для юзеров. На это ставку делают Expedia, Pinterest.

Инструменты: Google Analytics, A/B-тестирование, R или Python, Power BI или Tableau, Яндекс.Метрика, Power View, Power Pivot, Power Query. Дополнительно: сквозная аналитика и понимание метрик.  

3. Мобильная аналитика

Мобильная аналитика - это три основных направления: аналитика маркетинга, аналитика продукта, аналитика сторов, где размещаются приложения.

Важные показатели для аналитики мобильных приложений: количество загрузок из сторов, откуда пользователи узнали про ваше приложение (из стора или по ссылке на сайте), или окупаемость затрат на рекламу, рейтинг приложения, надолго ли задерживается приложение в смартфоне, платные действия пользователей.

Доступно всего три таких модели анализа мобильного приложения, познакомимся с ними подробнее.

1. Трекинг. Сравнительно с началом развития этой отрасли, трекинг значительно улучшился. Модераторы направления сделали большую работу, вложили в систему много идей. Теперь здесь можно узнавать не только стандартную информацию. Расширились возможности для бизнеса. Но стоит помнить, что бесплатные трекинги редко предоставляют реально широкий выбор. Скорее всего, за получение статистики по установкам тоже придется платить. 

2. Система аналитики. Работа заключается не в инсталлах, а в анализе органического трафика. Эти компании априори не используют мотивированный трафик. В них достаточного трафика. Функциональность заключается в: анализе воронки действий; разделении пользователей на сегменты по заданным требованиям; отправки Push-уведомлений; поиск багов. Система аналитики в платных версиях может частично выполнять работу, которая относится к трекингу. Накрутка Гугл плей часто проверяется такими методами.

3. Система трекинга + аналитика. Тандем платформ имеет преимущества. Определить конкретные плюсы можно на конкретных примерах объединения обеих систем. Этот пункт мы разберем позже. 

Инструменты: Firebase Analytics, Flurry, AppAnnie, Mixpanel, Facebook Аnalytics, AppMetrica, Amplitude и Adjust.

4. Сквозная аналитика

Сквозная аналитика отслеживает весь путь пользователя с момента просмотра им рекламы и до покупки продукта. Поэтому сквозная аналитика представляет собой собранную систему сервисов, баз данных и инструментов аналитики и визуализации. То есть в едином интерфейсе данные по ключевым показателям из различных систем: ROI (return on investments), CPO (cost per order), CPA (cost per action), CTR (click through rate).

Данные автоматически собираются по всем каналам маркетинга. В систему сквозной аналитики также внедряются коллтрекинги для отслеживания телефонных звонков. Если компания использует email-рассылку как один из каналов привлечения, то дополнительно подключается и email-трекинг. В основе сквозной аналитики лежит client id, а не utm-метки. Client id - это уникальная метка посетителя, которая хранится в cookies браузера и к этой метке идет привязка всех кликов посетителя сайта.

Основа данных с которыми работает сквозная аналитика - это клики.

Каждый раз, когда посетитель заходит на сайт, переходит по ссылкам или нажимает F5, через счетчик на сайте фиксируется клик или переход. Это одно и тоже.

Эти клики сохраняются в БД сквозной аналитики и связываются тем самым client id. Именно так получается и история действий клиента на сайте. А сам источник вычисляется по совокупности реферера и utm-меток. Сквозная аналитика (СА) нужна компаниям, которые используют сразу несколько площадок для продвижения своих продуктов. Если рекламный бюджет вашей компании менее 50 тыс. р., возможно, пользоваться инструментами СА не совсем целесообразно. Затраты на аналитику (все хорошо работающие решения платные, бесплатные вообще не работают или работают кое-как) также будут существенными. Но, опять же, тут все сугубо индивидуально. Если же рекламных кампаний у вас много, то СА способна раз и навсегда решить проблему отчетов. После внедрения сквозной аналитики не нужно будет тратить кучу времени на формирование отчетности по РК: вручную собирать статистику по размещениям, названиям площадок, их эффективности. Ищите и внедряйте хотя бы полуготовые решения, а лучше готовые. Если у вас уже функционирует CRM, то ввести в работу систему сквозной аналитики будет гораздо проще. Еще рекомендация – выбирайте не самописные решения, а популярные, на базе облака. Они помогут сделать интеграцию более удобной и быстрой. К таким CRM можно отнести amoCRM, RetailCRM или тот же «Битрикс24». Переходим к трудностям СА. Главная из них заключается в организации автоматического сведения данных отчетов в рамках систем сквозной аналитики. Опять же, если CRM уже задействована в вашем бизнесе, то полработы уже сделано. Как понять, откуда именно пришли конверсии? Здесь на помощь придет UTM-разметка, веб-аналитика и CRM.

Если совершается конверсия, отдел продаж обязательно заносит все заявки в CRM, кроме этого, менеджер должен обязательно фиксировать состав заказа, его сумму и время формирования. Здесь и пригодится полуавтоматический метод сквозной аналитики, о котором мы говорили выше. Допустим, в один источник рекламы мы вложили 20 тыс. р. и с него получили 30 тыс. р. В другой – 30 тыс. р. и получили 5 тыс. р. Благодаря сквозной аналитике рекламный специалист сможет вовремя заблокировать неэффективный канал продаж.

Инструменты: данные выгружаются из коллтрекинга, системы веб-аналитики и CRM, выгруженные данные стримингуются в базу данных Google BigQuery, данные обрабатываются с помощью BI-платформ, чтобы рассчитать дополнительные параметры: LTV, ROMI, информация о транзакциях из системы учета также передается в Google BigQuery, данные визуализируются в Google Data Studio или Microsoft Power BI.

Кстати, если вам интересна тема продуктовой аналитики и экономики, посмотрите открытый вебинар “Как найти метрику роста и свести юнит-экономику” от Сергея Колоскова и OTUS - по ссылке.

Узнать подробнее о курсе "Product manager"