В одном черном-черном мессенджере...
был один черный-черный канал про диджитал…

Поведенческие паттерны в аналитике

Выступление Яны Сауловой («Риалвеб») на митапе «Секреты оценки эффективности диджитал-рекламы» в Санкт-Петербурге 16 октября.

Важно хорошо знать свою ЦА на всех этапах: и до запуска рекламной кампании, и после. Хорошо знать пользователя значит знать совокупность его качеств. Только данных по социально-демографическому портрету аудитории и географии для анализа рекламной кампании недостаточно.

Другие важные данные:

  • Мотивы: почему пользователь приходит на сайт,  совершает и не совершает те или иные действия;
  • Интересы;
  • Потребности аудитории, привычки и характер.

Есть три больших сегмента: потенциальные пользователи, целевые и лояльные. У каждой группы будет:

  • Своя стратегия рекламных размещений;
  • Разная эффективность размещений;
  • Разный подход к оценке.

Задача аналитика – беспрерывно анализировать, комфортно ли пользователю на сайте, удобно ли ему находить информацию и совершать целевые действия.


Оценка данных может использоваться для:

  • Обогащения знания о потенциальных пользователях на старте;
  • Новых знаний о целевой и лояльной аудитории.

Как обогатить данные на старте?

Кейс №1

Цель: выявить регионы с наибольшей долей потребления товаров, клиент – бакалея.

Решение: Обратились к федеральной государственной статистике и получили много интересных знаний. От клиента были вводные по реализации продукции в килограммах в регионах и доход от реализованной продукции.

Проанализировали:

  • Охват интернета;
  • Емкость населения;
  • Доходы;
  • Закономерность: как только клиент в определенном регионе повышал стоимость за упаковку, спрос на продукт резко падал, хотя стоимость была не так велика.

В итоге получили портрет аудитории.

Как выделить паттерны поведения?

Кейс №2

Цель: анализ поведения пользователей сайта, клиент – фарма.

У покупателя есть три варианта на сайте: сделать заказ, перейти на сайт «Аптека.ру» и купить офлайн.

Задача:

  • Сегментировать аудиторию на потенциальную / активную / целевую / лояльную к бренду;
  • Выявить паттерны поведения;
  • Понять особенности и потребности людей в каждом сегменте;
  • Распознать мотивы пользователей ухода в офлайн или на сторонний сайт;
  • Оценить влияние размещений на все типы покупок.

Такую картинку получили, сагрегировав данные в Google Analytics и Query:

Не просто проштудировали цели в GA, а разложили по кластерам. Кластеров может быть сколько угодно, зависит от трафика и характеристик и параметров, которые вы берете.

Также проанализировали товары и средний чек и категории товаров.

Второй кластер приходит из рекламы, но пользователи интересуется адресами аптек, им что-то не нравится на сайте (они приходят в довольно большом объеме, а генерируют небольшой доход). Задача аналитики – выяснить, что происходит.

Третий кластер – люди, которые сидят с мобильных устройств. Рекламный трафик, доход всего 7%, при этом они генерируют львиную долю трафика и просматривают много страниц.

Четвёртый кластер объёмный, 20 % пользователей, мобильные пользователи генерируют 15% дохода. Смущает, что пользователи приходят на сайт с нерекламного трафика, но затем уходят на «Аптека.ру» и совершают транзакции там. Почему пользователи себя так ведут и что мешает им купить в онлайне? (Здесь важно отметить, что и третий и четвертый кластер – это мобильные пользователи. Возможно причина в этом).

Пятый кластер – самый интересный, он генерирует 52% дохода для всего бренда, это не рекламный трафик, и этих пользователей порядка 13%. Это та самая целевая аудитория, за которой надо пристально следить. Аудитория знакома с брендом, генерирует хороший доход. Задача аналитика – понять, как получить наибольший доход от этих пользователей.

Выяснили, что аудитория из четвертого кластера, в возрасте от 25 до 44 лет, покупает две группы товаров. Первая группа направлена на снижение веса (связали с сезонностью, тк исследование проводили летом). Вторая группа – товары из линейки для женщин в возрасте 55+. Очевидно, их покупают не себе, а мамам, бабушкам. Даже если товары покупают не себе, их нельзя выкидывать из ЦА.

Проанализировав транзакции, перешли ко второй части – анализу целей.

Результаты:

Пользователи, которые приходят с компьютеров (рекламный трафик) составляют 16%. Почему они приходят на сайт только один раз и уходят на «Аптека.ру»?

Составили портрет аудитории каждого кластера и прописали стратегию оптимизации рекламных кампаний. Если перемиксовать цели, проанализировать поведение пользователей, можно сделать много полезных открытий.

Сначала предположили, что, поведение зависит от последовательности кнопок в карточке товара: первая – переход в «Аптека.ру», вторая – «Где купить» и третья – «Перейти на такой-то сайт». Провели А/Б тесты. Оказалось, что порядок кнопок не играет роли.

Оказалось, что нужно оптимизировать строчку поиска в каталоге: пользователь не видел кнопку поиска, поэтому нажимал на случайные товары и, не найдя нужный, уходил.

Оптимизировали сайт и в итоге повысили процент привлеченной аудитории. Как побочный эффект выросло количество просмотров аптек в офлайне (пока не выяснили, почему). Самое главное, количество переходов на «Аптека.ру» снизилось.

Пользователи приходили в каталог, рассматривали карточки товаров, но не покупали. Провели анализ, подмешав анализ потребительской корзины. Это помогло выявить парные товары, которые часто покупают пользователи. Например, те препараты, которые нужно принимать утром и те препараты, которые нужно принимать на ночь. Провели А/Б-тест и поставили товары вместе. Итог: увеличилось количество добавлений товаров в корзину на 14 средний чек вырос на 6% (примерно 940 рублей). Плюс упорядочили товары по хитам.

Все это помогло сделать сайт удобнее и увеличить число транзакций.

Зачем проводить кластеризацию?

  • Для получения новых знаний об аудитории;
  • Для понимания, какая навигация нужна сайту;
  • Для грамотного таргета.
You don't have permission to register