Роман Зыков - Роман с Data Science. Как монетизировать большие данные [litres]

Я считаю, что преимущество GDPR относительно остальных законов очевидно, и надеюсь, что российские законы также подтянутся до его уровня.

В этой главе я расскажу о проблемах, которые стоят перед современными компаниями в e-commerce, а также о способах их решения. Думаю, вам также пригодится мой опыт создания Retail Rocket в качестве одного из учредителей.

Веб-аналитика – это предметная область, которая изучает поведение людей в интернете. Веб-аналитику я делю на две части: оценка эффективности рекламы и анализ взаимодействия пользователей с сайтом.

Начну с анализа эффективности интернет-рекламы. Есть крылатая фраза Джона Ванамейкера (1838–1922) – легендарного американского коммерсанта, революционера в торговле (он открыл первый универсам и первым применил ценники) и отца современной рекламы: «Я знаю, что половина моего рекламного бюджета расходуется впустую, вот только не знаю, какая именно».

Раньше я искренне считал, что именно интернет-реклама положит конец пустому расходованию денег и станет намного эффективнее рекламы на телевидении и в печати. Например, вы показали в телеэфире ролик – как теперь измерить его эффективность? Есть несколько способов: от изменения графика продаж в момент показа рекламы до опроса аудитории с целью узнать, насколько повысилась осведомленность. Для печатной рекламы, помимо этих методов, существует еще один, более точный – использование промокодов на скидку или подарок. По числу введенных промокодов можно определить условную эффективность рекламы.

С интернет-рекламой все стало проще. Все ссылки помечаются специальными тегами, например utm-метками. Обратите на них внимание, когда кликаете на рекламе. После перехода на сайт на компьютер пользователя записываются так называемые куки-файлы (cookies), по которым сайт узнает этого посетителя, когда он туда вернется. С помощью этого механизма можно отследить покупки пользователя, сделанные через несколько дней или недель после перехода с рекламы. Не правда ли, что это выглядит намного точней, чем при традиционной офлайн-рекламе? Именно так я наивно и считал в далеком 2005 году, когда только начал заниматься оценкой эффективности рекламы в онлайне. Тогда не было такого количества рекламы и перекрестных переходов, поэтому ее влияние отслеживалось хорошо.

В наши дни рекламы стало не просто много, а очень много, и пользователь перед покупкой порой делает несколько переходов с разных источников рекламы. Вначале он может искать что-то в поисковике, перейти на сайт интернет-магазина c поисковой рекламы, сделать в магазине пару кликов, уйти с сайта. Через несколько дней он может вернуться на сайт с так называемой ретаргетинговой рекламой (например, этим занимается уже известная нам Criteo), зарегистрироваться в магазине, бросить товар в корзину и уйти с сайта. Скорее всего, через несколько часов или даже минут он (или она) получит письмо – «вы забыли оформить заказ, ваш товар уже в корзине». Пользователь возвращается на сайт магазина из письма и совершает заказ. Внимание, вопрос: благодаря какой рекламе пользователь сделал покупку? Кажется очевидным, что если бы не его первый переход из поисковой системы, магазин точно не получил бы заказ. Но как быть с остальными двумя – ретаргетинговой рекламой и письмом с просьбой завершить заказ? Действительно ли они повлияли на результат в этой цепочке переходов?

В стандартных инструментах веб-аналитики обычно выигрывает последний клик (last click attribution). В нашем примере это письмо о забытом заказе, но его бы не было без первых двух переходов. Это называется проблемой реатрибуции – когда разные источники рекламы «бьются» между собой за заказ. Как посчитать эффективность рекламы, если было несколько разных переходов с источников рекламы перед целевым действием, например заказом? Чтобы ответить на этот вопрос наверняка, нужно провести А/Б-тест – половине людей показывать ретаргетинг, другой – нет. Половине людей отправить письмо, другой – нет. А если эффективность ретаргетинга и email зависят друг от друга? В теории можно было бы сделать сложный многофакторный тест – но на практике это невыполнимо. А/Б-тесты такого типа в интернет-рекламе – очень сложные и достаточно дорогие, так как приходится отключать часть интернет-рекламы, а это падение выручки. Многие великие умы бьются над созданием альтернативных способов расчета эффективности рекламы. Возможно, рано или поздно они выработают систему, в основе которой будет лежать некий вероятностный подход: например, давать больший вес начальным переходам. Чтобы построить такую модель, нужно сделать много А/Б-тестов, которые обойдутся очень дорого, но при этом все равно получить некую частную, а не общую модель, которую невозможно распространить на всю индустрию.