Пять важных отчётов для бизнес-аналитики проекта — опыт LPgenerator

Меня зовут Артем Кабалкин. В 2011 году я разом с братом основал лендинг-платформу LPgenerator. Ради пять лет работы проекта автор этих строк совершили много ошибок и сделали полно выводов о практиках интернет-маркетинга про облачных b2b. Я поделюсь своим опытом и расскажу о книга, как поведенческая бизнес-аналитика может переработать ваше представление о пользователях, их действиях и стратегии продвижения бизнеса.

Я знаю безлюдный (=малолюдный) понаслышке, что большинство (точное триста не скажу, думаю, около 90%) облачных компаний для разных стадиях и в разных нишах работают сверх корректной бизнес-аналитики, а управленческие решения принимаются далеко не на основе данных, а потому фигли так хочет генеральный директор. Натурально, мы тоже не были исключением.

Основные ошибки, которые я совершили, работая по наитию:

• Создавали разные никому не нужные фичи.
• Анормально оценивали лидогенирирующие и клиентогенерирующие каналы.
• Патологически работали с контент-маркетингом.
• Не могли корректно ( работу подрядчиков.
• Неправильно измеряли точки активации пользователей (onboarding) и их поступки в системе.
• Процесс оптимизации конверсии осуществлялся не принимая во внимание стратегии.
• Не могли точно определить коэффициент конверсии в воронках различных уровней вложенности за различным каналам.
• Не могли корректно обойти повторные покупки и отток.

Неважно, какой-никакой продукт качаете вы. Важно, получи что вы опираетесь при принятии решений в области разработки и маркетинга. Коль (скоро) вы хотите оптимизировать расходы, усилить маржу и больше зарабатывать, необходимо всерьез отслеживать и анализировать данные.

История относительно черный ящик

Пару лет обратно мы предприняли первые попытки вдоль настройке бизнес-аналитики — речь ладно не только о проверке источников трафика в Google, ежедневном подсчете входящих лидов и оценке базовых птица продаж верхнего уровня. Нам нужно было находиться в курсе чего, что происходит в «черном ящике» — в такой степени мы называем работу пользователя в середке системы, сайта, продукта или платформы через первой сессии и до повторных покупок и оттока.

Выяснилось, что-то ни Google, ни тем побольше «Яндекс», не подходят для работы облачных решений с-за того, что подсчет статистики отлично на основе сессий, а нам нужны данное в разрезе реальных действий пользователей (behavior analytics) — ведь есть реальные данные, а не среднее числом больнице и только в рамках простых линейных черный ворон.

После быстрого поиска и анализа автор обнаружили два сильных серьезных сервиса, заточенных лещадь облака — Kissmetriсs и Mixpanel (напоминаю, зачем речь идет про 2014 годик, сегодня таких решений еще вяще). Внедрив (тогда мы думали, чего настроили все корректно) Kissmetriсs, идеже консолидировалась информация для последующего отслеживания черный ворон и создания отчетов, мы радовались, кое-что наконец-то получаем корректную поведенческую аналитику и во-вот сможем использовать данные с целью масштабирования бизнеса.

Но грандиозные ожидание столкнулись с реальностью. Знание, конечно, — Силаша, но просто обладать информацией слишком мало. С данными необходимо уметь работать: обладать способностью интерпретировать отчеты, кастомизировать воронки, щупать узкие части конверсионных туннелей. Одно занятие, когда у тебя есть цифры, и крошки другое — когда ты умеешь их одолевать, понимать и применять аналитику на практике.

Истечении (года) этого в течение двух лет автор сделали еще два захода бери Mixpanel, потом обратно на Kissmetriсs, следом несколько раз заказывали кастомную настройку Google, и, догадайтесь, будто? Совершенно верно — все это было безмерно круто в теории, но не давало результатов получай практике.

Пытаясь настроить бизнес-аналитику LPgenerator, наш брат пришли к главному выводу — нам необходим подготовленный человек, который, пользуясь релевантными инструментами, короче работать с данными на постоянной основе. В конце 2016 возраст мы приняли решение построить собственную дочернюю компанию PrimeData, которая занималась бы гешефт-аналитикой для облаков.

Топ-5 отчетов для того SaaS

За время выстраивания процессов правильной интерпретации нужных нам поведенческих данных да мы с тобой выделили топ-5 отчетов, необходимых руководителю и маркетологу на того, чтобы принимать обоснованные решения в продвижении и разработке. Думаю, что такое? эти примеры будут полезны директорам соответственно маркетингу и фаундерам стартапов на различных стадиях развития.

Отзыв № 1 «Воронки по рекламным каналам»

Получай самом деле звучит просто, чисто? Я готов поспорить, что в большинстве случаев вам некорректно считаете ROI контекстной, медийной либо другой рекламы.

Проблематика следующая:

1. Пропаганда как канал привлечения:

• Пользователь нажал бери объявление, перешел на ресурс, выполнил регистрацию и оплатил в лучший раз.
• Привлеченный однажды пользователь выполняет сильнее чем одну оплату тарифного плана (плохо месяца и более).

2. Реклама как выпор, участвующий в конвертации пользователя в первой сессии:

• Ламер покинул ресурс и попал на него с новой силой через рекламную кампанию (не всего-навсего через ретаргетинг, но и поиск неужто таргетинг).

3. Реклама как канал, соучаствующий в ретеншене (продлениях):

• Пользователь с просроченным тарифом перешел за рекламному объявлению и продлил тарифный расписание.

Некоторые примеры:

В карточке пользователя хранится весь информация о его взаимодействии с нашим проектом. Цифирь из различных подсистем нашей компании (сайт, backend сервиса, саппорт, CRM, колл-средина и другие) передаются в карточку пользователя, и наша сестра знаем всю его «историю». Цифры по пользователям хранятся в одном месте, подобно как позволяет их анализировать, выстраивая понятные табличные материал.

Часть карточки пользователя с его свойствами (properties). Значения UTM-меток, что и всех других свойств, не перезатираются и хранятся с метками времени. Сие удобно для оценки эффективности рекламных кампаний различного будто на разных этапах воронки и жизни клиента.

Приютский отчет по воронке (Funnel Report) с сегментацией за каналам привлечения (модель атрибуции — во-первых значение в выбранном периоде). Мы строим воронки с различной детализацией и сегментацией про поиска «узких мест» и оценки рекламных каналов иначе говоря кампаний.

Интерпретируемая информация в итоге представляется в простом отчете: бери рекламу потратили «х» рублей, ROI воронки соответственно первой сессии составил «x%», ROI воронки с продлениями «z%» — в общей сложности получаем чистый ROI по платным каналам привлечения вслед указанный месяц. Таким образом, ты да я точно понимаем, как работает выше- бюджет и какова реальная отдача.

Отзыв № 2 «Лидогенерирующие каналы»

Какой канал привлечения генерирует интересах вашего бизнеса самые квалифицированные лиды, которые превращаются в клиентов? Предмет обсуждения. Ant. выход простой, но большинство маркетологов безвыгодный знают на него ответ. Семо также входит отчет, о котором да мы с тобой говорили выше, но это паки (и паки) не все.

Как у вас обстоят обстановка с партнерским маркетингом? Ваши рассылки дают следствие? Что с контент-маркетингом, какой гусь лапчатый постов в вашем блоге генерирует клиентов, сиречь выстроить корректный медиаплан? SMM окупает себя? А партнерская программка? SEO-продвижение, брендовые запросы и так ниже. А какое соотношение всех каналов привлечения и слабо стоит направить усилия?

Это некоторые люди примеры отчетов, которые мы используем пользу кого оценки лидогенерирующих и клиентогенерирующих каналов:

Троп сводного отчета по новым регистрациям и оплатам. Вслед выбранный период времени мы видим численность новых пользователей, количество оплат, конверсию в оплату, а как и выручку по каждому каналу привлечения. Возле необходимости можем сделать вложенную детализацию.

Иносказание детализации канала Organic: Google до первой точке (странице) входа держи сайт. Мы видим, какие правильно страницы сайта и какие посты блога дают нам новых пользователей и выручку.

Пакет отчета по выручке (Revenue Report) с сегментацией вдоль каналу привлечения (модель атрибуции — на певом месте значение за все время). Наша сестра наглядно видим, какие каналы трафика впервой привлекают к нам пользователей, которые становятся клиентами. В отчете отображаются основные метрики интересах SaaS по каждому сегменту. Сегментация можно выполнять по любым параметрам (свойствам), которые фиксируются сервисом.

Составленный отчет по партнерской (реферальной) программе. Я увидели, какое количество каких пользователей нам привлекают партнеры. У топовых партнеров, привлекающих нам «горячих» лидов, питаться чему поучиться и применить это у себя.

Исповедание № 3. «Когортный анализ»

Когортный анализ — сие методика или подход для исследования данных. Утилизация когортного анализа для облачных сервисов особенно актуально, неведомо зачем как оплата тарифного плана в большинстве случаев происходит отнюдь не в момент первого визита или регистрации, а смещена (как) будто минимум на период триального доступа. Используя проект по воронкам, мы просто видим неполные способности.

Во-первых, мы используем когортный разбирание для расчета окупаемости рекламных каналов. Начальственно понимать, что за привлечение лидов наша сестра платим сегодня, а клиентами они станут сквозь две недели (после окончания триального доступа) али еще позже. Получается, что посерединке расходами на рекламу и доходами через нее есть смещение (окно). Наша сестра делаем когорты новых пользователей по части рекламным каналам или кампаниям и смотрим, точно они покупают и сколько выручки дают в мысль нескольких месяцев.

Во-вторых, когортный испытание позволяет найти лояльных клиентов и фанов продукта. Автор разбиваем пользователей на когорты точно по условиям (временные когорты или когорты числом значениям свойств) и исследуем их.

(наглядный) когортного отчета (Cohort Report) чтобы оценки конверсии «Регистрация → Оплата» с учетом отложенных покупок. Когорты формируются вдоль первому значению канала привлечения. Ради расчета конверсии берем только первую покупку.

С когортного отчета (Cohort Report) для того поиска лояльных клиентов — Power users (клиенты, которые платят вслед за сервис на протяжении, например, четырех месяцев). С когортного отчета можно выгрузить матрикул пользователей из каждой ячейки. Объединение такому же принципу находим пользователей, которые всё пользуются определенными фичами сервиса.

Ведомость № 4. «Onboarding или каналы активации изнутри. Ant. снаружи системы»

Onboarding-процессом обычно называется поступки пользователей в системе, из которого позволительно выделить определенный паттерн, говорящий о волюм, что ценность продукта донесена и шанс конвертации в платящего клиента стремительно возрастает. Оный тот самый черный ящик вашего продукта.

Onboarding — сие обычно активационные маркеры (действия) в первой сессии следом регистрации или при первом посещении вашего ресурса. Вас знаете, что у вас является активационным действием? Неужто думаете, что знаете? А ведь сие основа такого эффективного сегодня Growth Hacking.

Дело поиска действий активации похож бери реверс-инжиниринг. Данные для такого реверсирование-инжиниринга мы находим в отчетах Kissmetrics и в анализируем их для выявления «узких мест» воронки.

Как правило мы видим ситуацию, когда питаться множество путей, по которым пользователи идут ото момента регистрации до покупки. В этом множестве путей снедать один-два «массовых» (по которым идут квалифицированная покупателей) и один-два наиболее конверсионных. После нам нужно направить большинство пользователей вследствие наиболее конверсионный путь. В итоге автор этих строк получим рост конверсии «Регистрация → Оплата» и преимущественно продаж.

Пример отчета по путям пользователей (Path Report). Пишущий эти строки исследуем пути пользователей в целом ото регистрации до покупки (по событиям или — или параметрам с различной детализацией) и более до малейших подробностей для каждого блока функциональности сервиса. Сие первый шаг к «расшифровке» реального поведения пользователей (во)внутрь сервиса.

Используя отчеты вроде People Search, автор этих строк делаем выборки пользователей по нужным условиям (сценариям использования сервиса, сценариям многоканальных последовательностей, сценариям покупок и скажем далее) и выводим нужные параметры (свойства) чтобы более детального изучения.

Отчет № 5. «Отчеты за A/B-тестам»

Часто ли вы делаете сплит-тесты? Во вкусе вы понимаете, что именно нужно опробовать? А как вы интерпретируете результаты тестов?

Маркетологи и фаундеры облачных сервисов многократно «играются» цветом кнопок или надписями для CTA-элементах, при этом такие тесты как всегда дают локальные изменения микроконверсий, а итоговая, назовем ее «макроконверсия», в покупку безлюдный (=малолюдный) меняется или даже становится в меньшей степени. Суть в том, что при проведении сплит-тестов вы нужно проверять влияние теста ни дать ни взять на «локальную» конверсию (микроконверсию), в такой мере и на «глобальную» конверсию в покупку.

Изучая аллопрининг реальных пользователей и клиентов (смотрите Исповедание № 4 «Onboarding или каналы активации в недрах системы»), вы явно увидите места вашей воронки, которые нужно провести диагностику, чтобы увеличить конверсию в оплату. Свыше не нужно тратить время и резерв на кучу бессмысленных тестов.

Я используем отчеты по A/B-тестам (A/B Test Report), которые позволяют постичь, как различные варианты страниц влияют держи отдельные части и на всю воронку в целом. Тесты хоть настраивать в Optimizely, VWO (для них жрать готовые решения по интеграции с Kissmetrics) или — или с помощью любых других инструментов.

Намек отчета типа A/B Test Report. В отчете показываются основные границы теста: количество участников, количество конверсий, конверсии, победивший план и другие. Конверсии рассчитываются по пользователям.

Респектабельно, что всегда можно получить ведомость пользователей (с нужными параметрами), которые участвовали в тестировании, примем:

• Те, кто видели вариант А.
• Тетка, кто видели вариант, А и совершили конверсию.
• Тетка, кто видели вариант B.
• Те, который видели вариант B и совершили конверсию.

Намек списка группы участников тестирования. Наш брат можем добавить колонки с разными параметрами и выгрузить в CSV в целях дальнейшего анализа. Ссылки в списке пользователей кликабельны — подле клике переходим в карточку пользователя.

Выводы и пожелания

Во примерный список задач, которые решает наша великолепная пятерка и вратарь в компании PrimeData:

1. Внедрение Behavior Analytics получай базе Kissmetriсs. Исправляем то, яко неправильно настроено, либо внедряем с нуля.

2. Обеспечение Data-аналитика, специалиста, который сможет:

• Корректно поставить строем базовые и кастомные отчеты для вашего бизнеса любого уровня вложенности и сложности.
• Трактовать данные вашей команде на еженедельных сессиях.
• Подать повод объективные предпосылки для принятия управленческих решений в основе полученных данных.
• Найти узкие места городская ласточка продаж.
• Определить гипотезы для оптимизации маркетинга и продукта.

3. Взламываем «черный ящик».

• Найдем паттерн активных пользователей — тех, который оплачивает услуги.
• Узнаем, какие фичеры вашего решения являются особо маржинальными.
• Узнаем, какие пользователи платят боле всего, на каких этапах и рано или поздно по времени.
• Предоставим команде ваших маркетологов и разработчиков реальные поведенческие эмпирика пользователей различных сегментов.
• Обогатим вашу систему управления информацией али CRM новыми данными Kissmetriсs.
• Продемонстрируем саппорту, колл-центру и маркетингу вашей компании, какими судьбами делают различные клиентские сегменты в глубине продукта и таким образом поможем вас повысить клиентоориентированность компании и реальную прирост.

Обычно все посты я заканчиваю фразой «Высоких вас конверсий», но сегодня добавлю ещё раз и «Делайте бизнес на основе данных» в новом 2017 году.

Источник: vc.ru