Сергей Макаров

4 управленческих решений для оценки трафика

Из выступлений Ильи Красинского:

Существует всего 4 управленческих решений для рекламных кампаний:
— Отключить, если не сходится совсем
— Донастроить/Доработать
— Не трогать: работает и работает
— Усилить

Опишу каждый пункт и дополню примерами.

Отключить, если не сходится совсем

Когда анализируем результаты рекламной кампании, нас интересуют два момента:
затраты на кампанию и доход. Затраты — это фиксированная цифра, но величина дохода зависит от способа оценки.

Илья Красинский советует разделять доход на прямой и косвенный.

Прямой доход оценивается по атрибуции last click.

Косвенный доход учитывает ассоциированные конверсии. Но тут есть хитрости подсчета:

Ассоциированный доход по бесплатному трафику включает цепочки конверсий по last click и цепочки, где бесплатный канал трафика был последний.

Ассоциированный доход по всем каналам суммирует ценность всех ассоциированных конверсий.

Для наглядности, слайд из презентации Красинского:

оценка рекламных источников

Если затраты на рекламную кампанию сильно больше, чем прямой и косвенный доход, то отключаем кампанию.

Донастроить/Доработать

Донастраиваем, если кампания сходится хотя бы по косвенному доходу.

Примеры доработки:
— Отключить семантику с низким CR(%) и ROI
— Добавить минус слов
— Расширить объявления
— Сделать релевантные объявления
— Провести А/Б тест объявлений
— Почистить площадки
— Подключить оптимизатор
— Оптимизировать таргетинги

Не трогать: работает и работает

Если кампания сходится по прямому доходу.

Усилить

Если кампания сходится по прямому доходу и есть потенциал расширения. Например: высокий ROI, узкий таргетинг.

Как усилить:
— Расширить семантику
— Повысить ставки
— Убрать операторы соответствия ключевых слов
— Добавить новые форматы объявлений
— Расширить таргетинги
— Протестировать АРФ и ДРФ

0 комментариев

Клиентская аналитика в Power Pivot

Полгода назад познакомился с блогом Павла Левчука. Павел рассказывает об удержании клиентов, LTV, CAC. Рекомендую. Чтобы глубже погрузиться в тему, прочитал книгу «Маркетинг на основе баз данных». Теперь делюсь опытом: расскажу, как считать retention rate, churn rate, LTV и строить когорты в Power Pivot.

Для начала понадобятся:
— Выгрузка из БД
— Excel с Power Pivot

Обязательные сущности для выгрузки: идентификатор клиента (client_id), дата покупки (order_date), доход (order_revenue).

Как организовать данные

  1. Добавляем выгрузку из БД в модель данных Power Pivot. Называем таблицу orders.
  2. Копируем уникальные client_id в отдельную таблицу Power Pivot и считаем дату первой покупки. Называем таблицу clients.
  3. Для каждой таблицы создаем календарь: calendar_orders и calendar_clients.

Что получилось:

customer data

Расчет метрик и когорт

Считаем уникальное количество клиентов:


#clients:=
CALCULATE(
	DISTINCTCOUNT([client_id])
)

Строим сводную: дату первой покупки ставим в строки, дату текущей покупки в столбцы, количество клиентов в значения.

#clients

Создаем меру ретеншн:


retention:=
DIVIDE([#clients];[#clients_all])

[#clients_all] — суммарное количество клиентов в когорте.


#clients_all:=
CALCULATE(
	DISTINCTCOUNT([client_id]);
	ALL(calendar_orders)
)

Добавляем ретеншн в сводную:
retention

Теперь посчитаем Churn rate:


churn:=
DIVIDE([#clients];[#clients]) - [retention])

retention

Чтобы рассчитать ltv нам нужна мера аккумулятивного дохода:


#revenue_acc:=
CALCULATE(
	SUM(orders[order_revenue]);
	FILTER(
		ALL(calendar_orders);
		calendar_orders[order_date]<= MAX(calendar_orders[order_date])
	)
)

Мера ltv:


ltv:=
DIVIDE([#revenue_acc];[#clients_all])

Добавляем ltv в сводную:
ltv

0 комментариев

Коннектор к Яндекс Директ на Python с сохранением в csv

Делюсь коннектором к Яндекс Директ на Python. Скрипт получает статистику по кампаниям с первого числа текущего месяца по вчерашний день и сохраняет в csv.

Какие данные на выходе:

— Дата
— Идентификатор кампании
— Название кампании
— Показы по поисковым кампаниям
— Показы по РСЯ
— Клики по поисковым кампаниям
— Клики по РСЯ
— Расходы по поисковым кампаниям в условных единицах
— Расходы по РСЯ в условных единицах

Скачать скрипт с GitHub

0 комментариев
,

Как объединить данные из MCF API и CORE API

Так сложилось, что данные по многоканальным последовательностям в Google Analytics выделены в отдельное API: Multi-Channel Funnels Reporting.
В интерфейсе Google Analytics нельзя построить отчет по параметрам и метрикам MCF API → нужно выгружать сторонними инструментами.

Покажу, как объединить данные MCF API и CORE API, и как построить отчеты на основе этих данных.

Запросы и обработка данных

Используем аддон Google Analytics для Spreadsheet.
1

Параметры MCF:


mcf:transactionId
mcf:conversionDate
mcf:basicChannelGroupingPath
mcf:pathLengthInInteractionsHistogram
mcf:timeLagInDaysHistogram

Метрики MCF:

mcf:totalConversionValue

Параметры CORE:

ga:transactionId
ga:productName

Метрики CORE:

ga:itemRevenue

Фильтруем только нужные конверсии:

mcf:conversionType==Transaction

Получили данные → теперь обработаем их. Например, в Power Query.

Получаем данные from web:

2

После обработки присоединяем таблицу MCF к таблице CORE через функцию Merge:
3

Выгружаем на лист и строим сводную.

Отчеты

Отчет показывает зависимость между ценностью корзины и количеством дней до транзакции:
dayshistogram

Видим, что наибольший доход приходится на корзины в диапазоне 500-2499 и длиной пути в 1 день.

Отчет показывает зависимость между ценностью корзины и количеством взаимодействий до транзакции:
interactionshistogram

Можно построить и другие отчеты. Например, исследовать зависимость между параметрами ga:productName, mcf:timeLagInDaysHistogram и метрикой mcf:totalConversionValue.

0 комментариев
, ,