iMetrics 2013: веб-аналитика в ecommerce: обзор

14-15 ноября в Москве прошла конференция iMetrics – крупнейшее профессиональное мероприятие по веб-аналитике, собравшее не только отечественных специалистов, но и западных экспертов. Организаторами конференции выступили компании iConText и ADLABS.

Ключевым событием первого дня конференции стало выступление Тима Эша, опытного интернет-маркетолога и предпринимателя, президента компании SiteTuners.com, а также автора бестселлера «Повышение эффективности интернет-рекламы. Оптимизация целевых страниц для улучшения конверсии».

Кроме того, в первые день докладчики успели обсудить веб-аналитику для брендов и ecommerce, ее использование для разработки стратегии интернет-маркетинга, автоматизацию процессов.

Секция «Веб-аналитика в ecommerce» была открыта Натальей Баскинд, Quelle, которая рассказала об опыте использования аналитики в компании Quelle.

В Quelle используется несколько систем аналитики – Google Analytics, Яндекс.Метрика и собственная система. Такое сочетание более эффективно, чем переход на одну «крутую» систему, использование которой может быть очень недешево. 

Очень важно иметь собственную систему статистики (онлайн и офлайн заказы, данные о клиентах, продажах, акциях). Она предоставляет:

- возможность измерить все активности (как онлайн, так и офлайн) в одной системе (преимущество - позволяет получить полные данные за счет интеграции веб-аналитики компании в общую аналитику; недостаток – долго, зависят от IT-процессов компании)

- единые значения для всех служб компании, в том числе для финансовых расчетов (преимущество – предоставляет общую систему измерений для онлайн и офлайн заказов; недостаток – мало статистики для данных, не связанных напрямую с продажами).

Один из весомых плюсов такой системы – возможность настройки под любое пожелание заказчика (что, правда, достаточно дорого).

Google Analytics используется в основном:

- для анализа поведения пользователей на сайте (преимущества – огромный массив данных, настраиваемый под задачи пользователей; недостатки – синхронизация данных при настройке нескольких систем аналитики),

- для управления и оптимизации рекламных кампаний (преимущества – кастомизация отчетов; недостатки - выборка),

- предоставление партнерам доступа к их профилям (преимущества – простота настройки; недостатки – не всегда есть те, кто будет это настраивать и анализировать),

- контроль корректности данных в других системах (преимущества - бесплатно). Например, из-за ошибки в одной системе Quelle «потеряли» из статистики 17 тысяч заказов, из-за чего чуть было не принято неверное решение об эффективности канала и распределении бюджетов на рекламу. Google Analytics позволяет избежать таких «потерь» и контролировать данные.

Яндекс.Метрика используется для визуализаций (тепловая карта, вебвизор) и управления кампаниями в Директе. Преимущество сервиса в простоте.

Несколько примеров использования веб-аналитики на практике:

1.Для разных каналов было решено сделать разные посадочные страницы. На всех анонсировались акции.

В результате, запуск посадочной страницы для каналов ремаркетинга и лидогенерации позволил увеличить конверсию. Для баннеров уменьшился показатель отказов, но на конверсию не повлияло.

2. Компания решила проверить, влияет ли наличие видео на странице карточки товара на его продажи. На кнопку видео был установлен код, по которому затем отследили статистику. В результате, было отмечено, что конверсия в сессиях с просмотрами видео продукта выше средней по сайту в 4,5 раза.

3. Тестирование посадочной страницы. При тестировании 4 вариантов посадочной страницы, выяснилось, что разница в показателе Customer Retention для них незначительна. Тогда выбрали дополнительный критерий – CR из посещений в «Добавить в корзину», добавили дополнительные параметры (конверсию для новых и старых посетителей, пики и спады продаж) и, таким образом, нашли страницу, которая луче всего решала бизнес-цели.

Игорь Селицкий, La Moda, рассказал, о структурировании контента сайта в инструментах веб аналитики.

Сайт La Moda – это не только сотни тысяч товаров, тысячи брендов и категорий, десятки фильтров, но также урлы, в которых есть не вся информация, и не всегда понятна категория. В итоге, аналитики получают миллионы страниц, на которые невозможно ориентироваться. К тому же, большая часть страниц в Google Analytics попадает в Other.

Непонятные урлы – настоящая проблема для аналитиков, т.к. они нечитабельны, не отражают содержание динамических страниц, не дают достаточно данных о пользователе (что увидел пользователь, какую сортировку выбрал, авторизован или нет и т.д.). Решение – перейти от URL к единице контента:

В этом контенте важно измерять взаимодействия пользователя с сайтом.

Что важно измерять – категории, фильтры, сортировка, отображаемые товары (какие товары показывались, количество товаров, характеристики, цены, скидки, новинки). Дополняем единицу контента параметрами – категории контента (хлебные крошки), фильтры (бренд, цвет, размер), сортировка (по популярным, по возрастанию цены), количество товаров, количество страниц, откуда перешли (меню, шапка, футер).

Есть два способа дополнения:

- передача данных в счетчик (плюсы: всегда актуальная информация, то, что видел пользователь ; минусы: могут быть ошибки в установке, лимиты на передачу данных, не всю информацию можно передавать),

- загрузка данных через Feed (CSV) Content_id=> параметр (плюсы: можно передать много данных любого характера, можно использовать ошибочные данные; минусы: не всегда совпадает с тем, что видит пользователь, оперативность).

Как это сделать своими руками:

- через Google Analytics:

- Universal Analytics:

Что важно не забыть:

- отделить пользовательское поведение от прописанного во внешней ссылке,

- измерение времени (особенно актуально для контентных площадок).

Когда мы измеряем контент, важно смотреть, что видит пользователь.

Николай Хлебинский, Retail Rocket, рассказал о маркетинге в ecommerce на основе анализа данных.

В качестве примера был взят кейс магазина электроники, у которого в сезон продажи упали на 30-40%. В то же время был отключен один из поставщиков, на которого приходилось примерно 5% товаров на сайте.

Построили таблицу, чтобы посмотреть, как связано количество товаров на сайте и выручка. Связь не нашли.Затем добавили метрику Активный товар и увидели корреляцию.

Как затем выяснилось, был отключен поставщик товаров, которые попадали в категорию «активные». С тех пор список важных «активных» товаров регулярно обновляется.

Соответственно, нужно увеличить число активных товаров на сайте. Но как понять, что к ним относится?

В Рунете около 10 тысяч товарных категорий, каждую из которых можно описать семантическим ядром. Если взять частотность транзакционных запросов и умножить на конверсию – получим прогноз количества заказов. Умножим это на показатель средней стоимости товара и получим прогноз по выручке. Добавим сезонность и маржинальность – получаем прогноз по привлекательности.

Все, что мы делаем в аналитике в ecommerce, связано с трафиком.

Рассмотрим следующую таблицу по last-click атрибуции:

Кажется, что на Директ мы потратили 40% бюджета впустую. Однако по такой картине делать выводы нельзя. Анализировать нужно в разрезе товаров и товарных категорий.

Метрики, которые используем:

- измеряемые:

- расчетные:

Получаем следующее: