Created by potrace 1.13, written by Peter Selinger 2001-2015 LOGO

Прогнозируем вероятность покупки с помощью Google Analytics

Игорь Бахарев
15 Июня 2016, в 10:00, в Новости e-commerce, в сюжете: google analytics, аналитика

Маркетолог и автор блога об электронной коммерции Павел Левчук рассказал об особенностях использования Google Analytics для eCommerce.

Я раньше рассматривал продукт Google Analytics как нечто большое и негибкое. В свое время сам Avinash Kaushik писал о GA как о системе с большом количеством слабо организованных отчетов.

Действительно в GA записывается огромное количество интересных данных о поведении пользователей. Писать такие данные к себе в БД накладно, а в GA - ничего не стоит, но выжать инсайты из GA на практике получается редко.

Сегодня я попробую объяснить почему так было с GA и что изменилось.

Начну с начала. GA состоит из 3-х подсистем:

  1. клиентский JS-скрипт, который собирает данные о действиях и перемещениях пользователя на сайте и передает их на GA back-end;
  2. GA back-end, который парсит все данные от клинского JS и аккуратно раскладывает эти данные по таблицам (dimensions), создает связи между таблицами, а также делает пред-расчеты;
  3. GA front-end (собственно сайт GA), который мы все хорошо знаем и используем, чтобы отфильтровать данные, рассчитать метрики и затем их как-то визуализировать.
На мой взгляд проблема GA кроется в том, что это коробочный продукт. Достал и работаешь. 
 
Из-за этого в нем идет много предустановленных отчетов (visuals). 
  • С одной стороны, это универсальные visuals - они часто не раскрывают суть происходящего. 
  • С другой стороны, чтобы построить сильный visuals с инсайтом практически всегда нужно понимать внутреннюю структуру таблиц и связей между ними.
Замкнутый круг.

И здесь приходит на ум лишь одно - выгружать данные из GA и рассчитывать и визуализировать их в другом инструменте. 

 
С того момента как появился Power BI Desktop и в нем появился GA connector я несколько раз играл с ним. Он удобен тем, что позволяет единожды построить отчет, а затем обновлять его одним кликом. Ниже простой кейс о том как за 5 минут я получил несколько интересных инсайтов о пользователях сайта. 
 
Итак, с одним из e-commerce проектов мы обсуждали scoring-модель, которая могла бы определить потенциал посетителя, до того как он сделал свою первую покупку.
 
Одна из гипотез состояла о том, что посетитель, который ищет продукт через поиск на сайте имеет более высокий потенциал, чем тот, кто не ищет. Но как это проверить и оценить?
 
Итак, я подключился к GA через Power BI Desktop, вытянул некоторые данные из 'Internal Search' dimension и начал задавать себе вопросы.
 
Первый вопрос: а вообще какая разница в конверсии между посетителями, которые пользуются поиском на сайте и теми, кто просто просматривают товары на сайте?
 
Прогнозируем вероятность покупки с помощью Google Analytics - 1
Ecommerce Conversion Rate by Site Search Status.
На чарте видно, что клиенты, которые используют поиск на сайте, имеют конверсию в 5х раз выше, чем те, кто не использует поиск.

Это указывает на то, что scoring с использованием этого фактора имеет бизнес смысл.

 
Второй вопрос: не является ли такой результат следствием поведения повторных покупателей?
 
Прогнозируем вероятность покупки с помощью Google Analytics - 2
Ecommerce Conversion Rate by User Type and Site Search Status.
На чарте видно, что независимо от типа посетителя (новый или старый) конверсия у тех, кто пользуется поиском на сайте выше. Причем, если у повторных посетителей использование поиска на сайте повышает конверсию в 4х раза, то у новых посетителей этот фактор повышает конверсию в 12х раз!
Это утверждает нас в том, что этот фактор вполне можно использовать для новых (неизвестных нам ранее) посетителей.
 
Третий вопрос: а много ли таких посетителей, которые используют поиск на сайте?
 
Прогнозируем вероятность покупки с помощью Google Analytics - 3
Sessions by User Type and Site Search Status.
На чарте видно, что таких посетителей (в том числе и новых) достаточно много.

Это дает нам основания ожидать, что запуск scoring посетителей с этим фактором может дать ощутимый результат.

 
Четвертый вопрос: как использование поиска на сайте влияет на средний чек?
 
Прогнозируем вероятность покупки с помощью Google Analytics - 4
Average Order Value by User Type and Site Search Status.
На чарте видно, что есть несколько интересных паттернов поведения. 
Для нас же сейчас важно, отметить, что поиск понижает средний чек. Это стоит учесть при формировании разных предложений для клиентов использующих поиск и не использующих. 
 
Бонус: также есть интересный момент связанный с bounce rate.
 
Прогнозируем вероятность покупки с помощью Google Analytics - 5
Bounce Rate by User Type and Site Search Status.
С одной стороны, очевидно, что если посетитель (особенно повторный) воспользовался поиском по сайту то bounce там уже отсутствует, а в общей массе близится к нулю. С другой стороны, смотрите как позитивно поиск влияет на вовлеченность. Даже у новых посетителей bounce rate в 2.7х раза ниже, чем у повторных, если они воспользовались поиском на сайте. Этот инсайт вполне может стать основой для одной из механик по активации нового посетителя на сайте.
Резюмируя, можно сказать, что гипотеза, в целом, подтвердилась. Новые посетители использующие поиск на сайте имеют хороший потенциал и этот фактор вполне можно использовать для scoring.

Комментарии к статье

comments powered by HyperComments