Пять важных отчётов для бизнес-аналитики проекта — опыт LPgenerator

Сооснователь PrimeData и LPgenerator Артем Кабалкин написал для vc.ru колонку о том, почему необходимо анализировать данные при развитии SaaS-компании и какие приемы можно использовать при настройке бизнес-аналитики.

Меня зовут Артем Кабалкин. В 2011 году я вместе с братом основал лендинг-платформу LPgenerator. За пять лет работы проекта мы совершили много ошибок и сделали немало выводов о практиках интернет-маркетинга для облачных b2b. Я поделюсь своим опытом и расскажу о том, как поведенческая бизнес-аналитика может изменить ваше представление о пользователях, их действиях и стратегии продвижения бизнеса.

Я знаю не понаслышке, что большинство (точное число не скажу, думаю, около 90%) облачных компаний на разных стадиях и в разных нишах работают без корректной бизнес-аналитики, а управленческие решения принимаются не на основе данных, а потому что так хочет генеральный директор. Конечно, мы тоже не были исключением.

Основные ошибки, которые мы совершили, работая по наитию:

  • Создавали различные никому не нужные фичи.
  • Неправильно оценивали лидогенирирующие и клиентогенерирующие каналы.
  • Неправильно работали с контент-маркетингом.
  • Не могли корректно оценивать работу подрядчиков.
  • Неправильно измеряли точки активации пользователей (onboarding) и их действия в системе.
  • Процесс оптимизации конверсии осуществлялся без стратегии.
  • Не могли точно измерить коэффициент конверсии в воронках различных уровней вложенности по различным каналам.
  • Не могли корректно измерить повторные покупки и отток.

Неважно, какой продукт качаете вы. Важно, на что вы опираетесь при принятии решений в области разработки и маркетинга. Если вы хотите оптимизировать расходы, увеличить маржу и больше зарабатывать, необходимо серьезно отслеживать и анализировать данные.

История про черный ящик

Пару лет назад мы предприняли первые попытки по настройке бизнес-аналитики — речь идет не только о проверке источников трафика в Google, ежедневном подсчете входящих лидов и оценке базовых воронок продаж верхнего уровня. Нам нужно было знать, что происходит в «черном ящике» — так мы называем работу пользователя внутри системы, сайта, продукта или платформы от первой сессии и до повторных покупок и оттока.

Выяснилось, что ни Google, ни тем более «Яндекс», не подходят для работы облачных решений из-за того, что подсчет статистики идет на основе сессий, а нам нужны данные в разрезе реальных действий пользователей (behavior analytics) — то есть реальные данные, а не среднее по больнице и только в рамках простых линейных воронок.

После быстрого поиска и анализа мы обнаружили два сильных серьезных сервиса, заточенных под облака — Kissmetriсs и Mixpanel (напоминаю, что речь идет про 2014 год, сегодня таких решений еще больше). Внедрив (тогда мы думали, что настроили все корректно) Kissmetriсs, где консолидировалась информация для последующего отслеживания воронок и создания отчетов, мы радовались, что наконец-то получаем корректную поведенческую аналитику и вот-вот сможем использовать данные для масштабирования бизнеса.

Но грандиозные планы столкнулись с реальностью. Знание, конечно, — сила, но просто обладать информацией недостаточно. С данными необходимо уметь работать: уметь интерпретировать отчеты, кастомизировать воронки, искать узкие части конверсионных туннелей. Одно дело, когда у тебя есть цифры, и совсем другое — когда ты умеешь их разбирать, понимать и применять аналитику на практике.

После этого в течение двух лет мы сделали еще два захода на Mixpanel, потом обратно на Kissmetriсs, затем несколько раз заказывали кастомную настройку Google, и, догадайтесь, что? Совершенно верно — все это было очень круто в теории, но не давало результатов на практике.

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

Топ-5 отчетов для SaaS

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

Отчет № 1 «Воронки по рекламным каналам»

На самом деле звучит просто, верно? Я готов поспорить, что в большинстве случаев вы некорректно считаете ROI контекстной, медийной или другой рекламы.

Проблематика следующая:

1. Реклама как канал привлечения:

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

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

  • Пользователь покинул ресурс и попал на него повторно через рекламную кампанию (не только через ретаргетинг, но и поиск или таргетинг).

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

  • Пользователь с просроченным тарифом перешел по рекламному объявлению и продлил тарифный план.

Некоторые примеры:

В карточке пользователя хранится вся информация о его взаимодействии с нашим проектом. Данные из различных подсистем нашей компании (сайт, backend сервиса, саппорт, CRM, колл-центр и другие) передаются в карточку пользователя, и мы знаем всю его «историю». Данные по пользователям хранятся в одном месте, что позволяет их анализировать, выстраивая понятные табличные данные.

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

Базовый отчет по воронке (Funnel Report) с сегментацией по каналам привлечения (модель атрибуции — первое значение в выбранном периоде). Мы строим воронки с различной детализацией и сегментацией для поиска «узких мест» и оценки рекламных каналов или кампаний.

Интерпретируемая информация в итоге представляется в простом отчете: на рекламу потратили «х» рублей, ROI воронки по первой сессии составил «x%», ROI воронки с продлениями «z%» — итого получаем чистый ROI по платным каналам привлечения за указанный месяц. Таким образом, мы точно понимаем, как работает наш бюджет и какова реальная отдача.

Отчет № 2 «Лидогенерирующие каналы»

Какой канал привлечения генерирует для вашего бизнеса самые квалифицированные лиды, которые превращаются в клиентов? Вопрос простой, но большинство маркетологов не знают на него ответ. Сюда также входит отчет, о котором мы говорили выше, но это еще не все.

Как у вас обстоят дела с партнерским маркетингом? Ваши рассылки дают эффект? Что с контент-маркетингом, какой тип постов в вашем блоге генерирует клиентов, как выстроить корректный медиаплан? SMM окупает себя? А партнерская программа? SEO-продвижение, брендовые запросы и так далее. А какое соотношение всех каналов привлечения и куда стоит направить усилия?

Это некоторые примеры отчетов, которые мы используем для оценки лидогенерирующих и клиентогенерирующих каналов:

Пример сводного отчета по новым регистрациям и оплатам. За выбранный период времени мы видим количество новых пользователей, количество оплат, конверсию в оплату, а также выручку по каждому каналу привлечения. При необходимости можем сделать вложенную детализацию.

Пример детализации канала Organic: Google по первой точке (странице) входа на сайт. Мы видим, какие конкретно страницы сайта и какие посты блога дают нам новых пользователей и выручку.

Часть отчета по выручке (Revenue Report) с сегментацией по каналу привлечения (модель атрибуции — первое значение за все время). Мы наглядно видим, какие каналы трафика впервые привлекают к нам пользователей, которые становятся клиентами. В отчете отображаются основные метрики для SaaS по каждому сегменту. Сегментирование можно выполнять по любым параметрам (свойствам), которые фиксируются сервисом.

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

Отчет № 3. «Когортный анализ»

Когортный анализ — это методика или подход для исследования данных. Использование когортного анализа для облачных сервисов особенно актуально, так как оплата тарифного плана в большинстве случаев происходит не в момент первого визита или регистрации, а смещена как минимум на период триального доступа. Используя расчет по воронкам, мы просто видим неполные данные.

Во-первых, мы используем когортный анализ для расчета окупаемости рекламных каналов. Важно понимать, что за привлечение лидов мы платим сегодня, а клиентами они станут через две недели (после окончания триального доступа) или еще позже. Получается, что между расходами на рекламу и доходами от нее есть смещение (окно). Мы делаем когорты новых пользователей по рекламным каналам или кампаниям и смотрим, как они покупают и сколько выручки дают в течение нескольких месяцев.

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

Пример когортного отчета (Cohort Report) для оценки конверсии «Регистрация → Оплата» с учетом отложенных покупок. Когорты формируются по первому значению канала привлечения. Для расчета конверсии берем только первую покупку.

Пример когортного отчета (Cohort Report) для поиска лояльных клиентов — Power users (клиенты, которые платят за сервис на протяжении, например, четырех месяцев). Из когортного отчета можно выгрузить список пользователей из каждой ячейки. По такому же принципу находим пользователей, которые постоянно пользуются определенными фичами сервиса.

Отчет № 4. «Onboarding или каналы активации внутри системы»

Onboarding-процессом обычно называется поведение пользователей в системе, из которого можно выделить определенный паттерн, говорящий о том, что ценность продукта донесена и вероятность конвертации в платящего клиента стремительно возрастает. Этот тот самый черный ящик вашего продукта.

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

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

Обычно мы видим ситуацию, когда есть множество путей, по которым пользователи идут от момента регистрации до покупки. В этом множестве путей есть один-два «массовых» (по которым идут большинство покупателей) и один-два наиболее конверсионных. Дальше нам нужно направить большинство пользователей через наиболее конверсионный путь. В итоге мы получим рост конверсии «Регистрация → Оплата» и больше продаж.

Пример отчета по путям пользователей (Path Report). Мы исследуем пути пользователей в целом от регистрации до покупки (по событиям или параметрам с различной детализацией) и более детально для каждого блока функциональности сервиса. Это первый шаг к «расшифровке» реального поведения пользователей внутри сервиса.

Используя отчеты вроде People Search, мы делаем выборки пользователей по нужным условиям (сценариям использования сервиса, сценариям многоканальных последовательностей, сценариям покупок и так далее) и выводим нужные параметры (свойства) для более детального изучения.

Отчет № 5. «Отчеты по A/B-тестам»

Часто ли вы делаете сплит-тесты? Как вы понимаете, что именно нужно протестировать? А как вы интерпретируете результаты тестов?

Маркетологи и фаундеры облачных сервисов часто «играются» цветом кнопок или надписями на CTA-элементах, при этом такие тесты обычно дают локальные изменения микроконверсий, а итоговая, назовем ее «макроконверсия», в покупку не меняется или даже становится меньше. Суть в том, что при проведении сплит-тестов вам нужно проверять влияние теста как на «локальную» конверсию (микроконверсию), так и на «глобальную» конверсию в покупку.

Изучая поведение реальных пользователей и клиентов (смотрите Отчет № 4 «Onboarding или каналы активации внутри системы»), вы явно увидите места вашей воронки, которые нужно протестировать, чтобы увеличить конверсию в оплату. Больше не нужно тратить время и ресурсы на кучу бессмысленных тестов.

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

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

Важно, что всегда можно получить список пользователей (с нужными параметрами), которые участвовали в тестировании, например:

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

Пример списка группы участников тестирования. Мы можем добавить колонки с разными параметрами и выгрузить в CSV для дальнейшего анализа. Ссылки в списке пользователей кликабельны — при клике переходим в карточку пользователя.

Выводы и пожелания

Вот примерный список задач, которые решает наша команда в компании PrimeData:

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

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

  • Корректно выстроить базовые и кастомные отчеты для вашего бизнеса любого уровня вложенности и сложности.
  • Интерпретировать данные вашей команде на еженедельных сессиях.
  • Создать объективные предпосылки для принятия управленческих решений на основе полученных данных.
  • Найти узкие места воронок продаж.
  • Определить гипотезы для оптимизации маркетинга и продукта.

3. Взламываем «черный ящик».

  • Найдем паттерн активных пользователей — тех, кто оплачивает услуги.
  • Узнаем, какие фичеры вашего решения являются наиболее маржинальными.
  • Узнаем, какие пользователи платят больше всего, на каких этапах и когда по времени.
  • Предоставим команде ваших маркетологов и разработчиков реальные поведенческие данные пользователей различных сегментов.
  • Обогатим вашу систему управления информацией или CRM новыми данными Kissmetriсs.
  • Продемонстрируем саппорту, колл-центру и маркетингу вашей компании, что делают различные клиентские сегменты внутри продукта и таким образом поможем вам повысить клиентоориентированность компании и реальную прибыль.

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

©  vc.ru