Синергия данных веб-сайта и мобильного приложения: как ввести сross-device аналитику
Cross-device аналитика – это не попросту престижный тренд, а необходимость для современного бизнеса. Она дозволяет узреть, как юзеры ведут взаимодействие с брендом на различных устройствах и платформах, улучшить рекламные кампании и увеличивать ROI.
Но, невзирая на большой потенциал, построение действенной cross-device отчетности связано со значительными трудностями. Разрозненные данные, технические трудности и ограничения конфиденциальности – только часть айсберга.
Вместе с коммерческим директором DataGo! Дмитрием Ежовым и управляющим группы аналитики данных АЭРО Сергеем Шивалиным разглядим, какие трудности формирования cross-device отчетности остаются самыми животрепещущими, и какие подходы дают специалисты для их преодоления.
О чем побеседуем?
-
В чем задачка и трудности построения рекламной аналитики web+app?
-
Что учитывать при реализации задачки рекламной web+app аналитики?
-
Что необходимо создать для реализации cross-device отчетности?
В чем трудности построения app+web аналитики?
Юзеры все почаще ведут взаимодействие с брендом и на веб-сайте, и в мобильном приложении. Чтоб получить целостное представление о их поведении и отлично улучшить рекламные усилия, нужно соединить данные из этих 2-ух источников. Какие определенные трудности могут появиться на этом пути?
Ожидание/действительность
Ожидание 1. Довольно верно избрать «ту» платформу.
Действительность
Искажение результатов. Часто большая часть компаний не покрывает решение собственных задач единственной платформой. Рекламщики получают оценку из, как минимум, 2-ух систем, дублируя одних и тех же юзеров. Это искажает и переоценивает итог маркетинговой кампании.
Дублирование инструментов. Команды продукта и маркетинга могут употреблять различные инструменты и жить в параллельных инфраструктурах.
Мягкое принуждение. Бизнесы с уже реализованной и развитой аналитической инфраструктурой обязаны интегрировать решения от маркетинговых экосистем для таргетирования маркетинговых кампаний.
Ожидание 2. В коробочных решениях уже все есть нужные отчеты.
Действительность
Требуются данные из остальных источников. Для оценки эффективности маркетинговых каналов и/либо мобильного приложения недостаточно данных, которые собираются коробочным решением.
Не хватает обычных отчетов, которые не учитывают индивидуальности бизнес-модели вашего проекта. В том числе из-за ограничений использования данных из внутренних источников компании.
Привычка к отличному. Русские решения пока что отстают по функциональности от инструментов репортинга в UI от более узнаваемых интернациональных платформ.
Ожидание 3. Если подключить аналитику, можно отлично распределять маркетинговый бюджет.
Действительность
Трудности с оценкой cross-device. Оценка эффективности маркетинговых кампаний ограничена без учета продвижения юзера по воронке на различных устройствах и перетекания аудитории меж мобильным приложением и веб-сайтом.
Утраты бюджета на фродовый трафик. Приходится растрачивать существенное время на управление СРА-каналом и/либо терять бюджет на жульническом трафике, потому что не все инструменты разрешают отлично биться с фродом.
Ограничения в оценке воздействия медийной рекламы на продвижение приложения. Рынком не решена понятным образом задачка оценки эффективности медийных кампаний на продвижение мобильного приложения, что сдерживает рекламодателей даже при наличии бюджета.
Представим, что ваш аналитический проект уже собирает «сырые» web- и app-данные, и перед вами стоит задачка объединения web+app трафика в едином отчете.
-
Необходимо решить, как соединить session-based и event-based данные
Аналитика мобильных приложений ушла в парадигму анализа данных на базе событий, в то время как веб-аналитика строится вокруг сессий. Из-за этого возникает сложность со структурированием данных в единых формат.
-
Принципиально найти правила формирования синтетического сеанса в мобильном приложении
Ответьте для себя на вопросцы: что такое сессия в мобильном приложении? Если юзер за 20 минут 10 раз открыл и закрыл приложение – это 10 сессий либо одна?
-
Нужно настроить расчет атрибуций в единой методологии
Понимаете ли вы, по каким конкретно правилам атрибутирует ваш мобильный трекер источники установки либо действия? Совпадает ли эта логика с атрибуций на интернет?
-
Обусловьтесь с вправду сопоставимыми событиями
Как сравнимы меж собой посещения веб-сайта и мобильного приложения? Имеет ли смысл единая оценка цены и закупки трафика? В которой момент возникает сопоставимая исходя из убеждений AAARRR воронка сути?
-
Принципиально настроить надежное каждодневное обновление из большего количества таблиц
Обычно, в веб-данных употребляются 2 сути, в то время как в мобильных данных их еще больше (установки, предустановки и др.) Частота обновления таблиц различается. Все нужно настроить и оркестрировать так, чтоб отчет рассчитывался в необходимое время на животрепещущих данных.
Атрибуция и отчетность. Что учитывать при реализации одного подхода к расчету производных метрик и атрибуции?
Даже если данные удачно объединены, возникает вопросец: как верно атрибутировать конверсию? Какое устройство и какое взаимодействие сыграло решающую роль? Различные модели атрибуции дают различные результаты, и выбор пригодной модели быть может сложным. Cross-device атрибуция просит наиболее сложных моделей, учитывающих весь путь юзера, а не только лишь крайнее взаимодействие.
Что принципиально учитывать?
-
Разработайте единый перечень сравнимых меж собой событий, важных для бизнеса.
-
Изберите основную парадигму: session-based, user-based, event-based, и настройте расчет витрины business-ready данных с ее учетом.
-
Настройте единую атрибуцию для сеансов/событий и высчитайте единую атрибуцию на базе raw data.
Cross-device. Что учитывать при внедрении сквозного идентификатора?
Отсутствие всепригодного идентификатора юзера – одна из самых огромных сложностей при формировании cross-device отчета. Юзеры могут вести взаимодействие с брендом на различных устройствах, используя различные браузеры и не постоянно входя в свои аккаунты. Без одного идентификатора (к примеру, логина юзера на веб-сайте либо в приложении) трудно связать эти взаимодействия в единую цепочку. Ограничения конфиденциальности (к примеру, GDPR и CCPA) еще более усложняют сбор и объединение данных.
Что принципиально учитывать?
-
Обогащать User_Profile через User_ID для наиболее глубочайшей идентификации юзеров.
-
Передавать ID в момент перехода с платформы на платформу для идентификации.
-
Употреблять ID наружных поставщиков.
Преодоление этих сложностей просит от рекламщиков глубочайшего осознания технологий, аналитических способностей и умения работать с различными платформами и инструментами. Также нужно учесть этические нюансы и соблюдать политику конфиденциальности при сборе и использовании данных о юзерах.
DWH – решение для кросс-канальной аналитики
Большая часть компаний раздельно анализируют данные из всякого источника: со складов и производства, из CRM и «1С», из интернета и приложений. В итоге бизнес лицезреет неполную картину и воспринимает не самые действенные решения.
Почему данные необходимо соединять воединыжды уже на данный момент
Еще 5 годов назад у русского рынка была фактически нулевая дата-культура: всю бизнес-информацию хранили в Excel и мессенджерах, а высококачественной аналитикой занимались только большие ИТ-компании. Сейчас большая часть установок на первой стадии дата-трансформации: определили продуктовые метрики, разметили цифровые витрины, научились базово рассматривать и визуализировать данные.
Чтоб перейти на последующую ступень, необходимо не только лишь собирать больше данных и заавтоматизировать этот процесс, да и соединить всю корпоративную информацию – и начать стоит с каналов коммуникации с клиентами. Чем резвее это создать, тем посильнее будет конкурентноспособное преимущество.

Этапы развития культуры данных
Позже, с распространением телефонов и удаленки, главный цифровой витриной для большинства бизнесов (сначала для B2C) стал мобайл, в особенности приложения. Под их затачивают интерфейсы, туда стараются привести юзеров – а веб-сайты выступают быстрее источником лидов для тех же приложений.
При всем этом не достаточно кто может буквально ответить, к примеру, сколько юзеров опосля посещения веб-сайта скачали приложение, не говоря уже о том, почему они это сделали. Это трудно выяснить, делая упор на характеристики сходу нескольких трекеров: они усредняют, семплируют – и в итоге выдают несовершенные данные, которые опосля перемножения, деления и иных операций уводят еще далее от реалий. К тому же требуется очень много времени, чтоб проверить любой трекер.
Необходимо единое окно, ответы в каком будут формироваться на базе всех изначальных данных. Без таковой аналитики рекламщики будут и далее расходовать бюджет почти во всем втемную.
Как соединить данные с витрин
Для высококачественной омниканальной аналитики наилучшее решение сейчас – единая база данных, Data Warehouse (DWH). Это хранилище, в каком аккумулируются исторические и текущие данные из как можно большего числа источников корпоративной инфы. Данные в DWH очищаются и упорядочиваются, благодаря фильтрам и визуализации в их просто ориентироваться и не ИТ-специалистам.
Как устроено хранилище
Исходя из убеждений данных в DWH, обычно, три слоя: сырые данные, предобработанные и готовые. К крайнему слою почаще всего и обращаются бизнес-пользователи.

Облегченная схема DWH
-
Сырые данные. В этот слой информация обязана попадать из источников стопроцентно и в первозданном виде, без какой-нибудь предобработки. Это поможет избежать искажений и отыскать отправную точку, если ошибка все-же случится.
-
Предобработанные данные. Тут база очищается от дублей, тестов, старенькой и иной мусорной инфы. Все приводится к одному формату.
-
Готовые данные. Здесь данные преобразуются в удачный вид, группируются по смыслам и визуализируются. На этом слое можно развернуть «песочницы» для тестов.

Пример визуализации
Есть несколько типов хранения, и, как следствие, форматов данных: «жаркие» и «прохладные». В первых находится самая свежайшая и принципиальная информация – та, которая нужна для ежедневной работы и обязана быть доступна с малой задержкой. «Прохладное» хранение – нечто вроде архива, куда заглядывают несколько раз в год: там данные лежат в очень сжатом виде, чтоб минимизировать издержки.
Пример работы с DWH
Один из клиентов АЭРО, большой русский ритейлер с 2-мя веб-сайтами, 2-мя мобильными приложениями и 10+ тыщами точек продаж возжелал разобраться, как конкретно клиенты перебегают с веб-сайтов в приложения.
Для этого пригодилось хранилище и три дата-параметра: информация о сессиях юзеров на веб-сайтах и в приложениях, посещенных ими страничках на веб-сайтах за этот же срок и неповторимые идентификаторы юзеров.
Мы обработали все эти данные, выстроили линии движения движения. Оказалось, часто люди делают первую покупку на веб-сайте и лишь позже закачивают приложение. Провели A/B-тесты и узнали, что если опосля первой покупки показать баннер с призывом установить приложение, это увеличивает количество скачек. А если юзер лицезреет баннер до покупки, он на него фактически не реагирует.
Это осознание посодействовало компании улучшить рекламный бюджет и осознать, как успешнее вести клиентов в приложения, где ее продукты приобретают охотнее в два-три раза.
Основная сложность кросс-аналитики веб-сайтов и приложений
Соединять воединыжды данные в DWH тяжело – трудно выделить на это средства, трудно учитывать все варианты потенциального масштабирования, как и расставить ценности в источниках, и надзирать доступы.
В интернет и апп-аналитике в критериях импортозамещения основная неувязка – импортировать офлайн-данные. Как выяснить, что один и этот же юзер поглядел продукт на веб-сайте, а позже купил его вживую? Либо напротив, сделал резвую покупку на веб-сайте, но перед сиим длительно консультировался с сотрудниками по телефону?
Ранее подобные данные дозволял собирать Гугл Analytics, но с 1 июля его внедрение в Рф запрещено. Но есть лайфхак для остальных аналитических систем: синхронизировать мотивированные метрики в разметках веб-сайта и приложения. Это поможет выровнять по смыслу собираемые данные – и будет легче выслеживать логику действий клиентов, сопоставлять данные из различных баз.

Пример синхронизированных метрик для e-commerce. Слева разметка веб-сайта, справа – приложения
В качестве приза: вначале синхронизированные по метрикам данные куда легче осознавать. Другими словами они гарантируют высочайший уровень самообслуживания: рекламщики и остальные юзеры могут свободнее работать с хранилищем и меньше отвлекать ИТ-отдел и аналитиков.
Полезные сервисы
Решений для хранилищ и кросс-канальной аналитики много. Из СУБД на данный момент животрепещущи опенсорсные ClickHouse и PostgreSQL, построенная на базе PostgreSQL и заточенная под огромные данные и предиктивную аналитику Greenplum, S3-совместимые хранилища. Для оркестрации отлично подступает открытый и не подверженный бану Airflow.
Со сбором данных из интернета и приложений посодействуют эти сервисы: Yandex Метрика, DataGo! Web Streaming и Matomo для веб-сайтов, AppMetrica – для приложений, PostHog – для того и другого.

Примеры сервисов для работы с DWH
Естественно, это не все решения, выставленные на русском рынке – но это самые пользующиеся популярностью и тестированные АЭРО. Выбор зависит от ценностей компании, будь то экосистемность, масштабируемость либо независимость сервисов.

Рациональные связки сервисов
Оригинал статьи на SEOnews