узнайте, чем мы можем помочь вашей компании
Оставьте заявку, чтобы мы вас проконсультировали по нашим услугам
закажите проект
для своей компании
для своей компании
Оставьте заявку, и мы расскажем, как можем автоматизировать бизнес-процессы
Сквозная маркетинговая аналитика в режиме self-service для
YouTravel — это маркетплейс авторских туров от тревел-экспертов и частных независимых гидов.
ЗАДАЧА
Наша задача – построить сквозной отчет от клика пользователя по рекламному объявлению до покупки, чтобы оценить эффективность маркетинговых кампаний.
- Есть несколько рекламных кабинетов, из которых нужно собрать затраты на рекламные кампании: Facebook, Yandex.Direct, Google Adwords, Vkontakte. Также есть затраты на маркетинг, которые не проходят через рекламные кабинеты, а ведутся в ручном справочнике.
- Пользователи, которых привлекли с помощью рекламных кампаний, совершают покупку на сайте.
- На сайте установлен Google Analytics, который фиксирует id пользователей, их UTM-метки и покупки.
Задача сквозной маркетинговой аналитики кажется стандартной, но в клиентском проекте есть несколько нюансов в бизнес-логике, из-за которых стандартные решения не подошли:
- Из-за особенностей маркетинговой стратегии нужно реализовать кастомную логику атрибуции.
- Есть ряд особенностей бизнес-логики, которые нужно учитывать при выстраивании связи маркетинговых каналов с покупками: например, языки пользователей.
процесс
В результате анализа выделяем в данных:
- анкеры (это основные существительные предметной области, например, Пользователь, Визит, Рекламная кампания и т.п.);
- атрибуты (это характеристики анкеров, например, Имя пользователя, Дата визита, Название рекламной кампании);
- линки (связи между двумя анкерами, например, “Пользователь сделал Заказ”).
Найденные анкеры, атрибуты и линки сразу же документируем в excel-файле, то есть описание финальных данных появляется раньше реализации.
- Моделирование данныхДля проектирования модели предметной области используем минимальное моделирование. Это подход к моделированию данных, который позволяет одновременно разобраться в структуре данных и задокументировать ее.02
- Моделирование данныхДля проектирования модели предметной области используем минимальное моделирование. Это подход к моделированию данных, который позволяет одновременно разобраться в структуре данных и задокументировать ее.02
В результате анализа выделяем в данных:
- Анкеры (это основные существительные предметной области, например, Пользователь, Визит, Рекламная кампания и т.п.).
- Атрибуты (это характеристики анкеров, например, Имя пользователя, Дата визита, Название рекламной кампании).
- Линки (связи между двумя анкерами, например, “Пользователь сделал Заказ”).
Найденные анкеры, атрибуты и линки сразу же документируем в excel-файле, то есть описание финальных данных появляется раньше реализации.
Финальная модель данных выглядит вот так
- Сбор витрины для self-service аналитикиДля отчетности мы используем бесплатный инструмент с открытым исходным кодом Metabase.
В модели данных Metabase можно задать словарь метрик, который будет доступен бизнес-пользователям при построении отчетов.
Добавление новых метрик не требует программирования и доступно всем пользователям Metabase.03
- Сбор витрины для self-service аналитикиДля отчетности мы используем бесплатный инструмент с открытым исходным кодом Metabase.
В модели данных Metabase можно задать словарь метрик, который будет доступен бизнес-пользователям при построении отчетов.
Добавление новых метрик не требует программирования и доступно всем пользователям Metabase.03
- Финальный отчетВсе данные собраны, метрики определены, приступаем к сборке финального отчета.
Мы это делаем без написания SQL, просто накликивая данные в Metabase.04
- Финальный отчетВсе данные собраны, метрики определены, приступаем к сборке финального отчета.
Мы это делаем без написания SQL, просто накликивая данные в Metabase.04
- Документация по проектуПод конец проекта приводим в порядок документацию. Это просто, поскольку все данные мы описали в самом начале проекта — на этапе моделирования данных. Проверяем опечатки и возникшие расхождения при реализации.
На этом проекте мы дополнительно перенесли всю документацию в Notion (для красоты).05
- Документация по проектуПод конец проекта приводим в порядок документацию. Это просто, поскольку все данные мы описали в самом начале проекта — на этапе моделирования данных. Проверяем опечатки и возникшие расхождения при реализации.
На этом проекте мы дополнительно перенесли всю документацию в Notion (для красоты).05
Выводы и следствия
В ходе проекта мы реализовали для заказчика отчетность по сквозной маркетинговой аналитике. Данные доступны бизнес-пользователям в режиме self-service аналитики (аналитики самообслуживания).
Благодаря использованию концепций минимального моделирования получили ряд важных следствий
Благодаря использованию концепций минимального моделирования получили ряд важных следствий
- данные полностью документированы, актуальность документации поддерживается «по построению», для бизнес-пользователей данные доступны в режиме self-service аналитики;
- благодаря независимой реализации каждого атрибута в отчеты легко добавлять дополнительные данные и разрезы (например, реализация альтернативной модели атрибуции — это добавление ровно одного атрибута);
- аналитики, которые подключатся к проекту в будущем, смогут легко отследить логику трансформации данных и вносить изменения в проект.
Подробнее о деталях реализации этого кейса читайте в нашей статье на
контакты AGIMA AI
107031, г. Москва, ул. Петровка, д. 19, стр. 4
hello@agima.ai
Теперь вы знаете, где нас искать
Обычно мы работаем с 10 до 19
Обычно мы работаем с 10 до 19
