Документ обсуждает аналитические методы интернет-маркетинга, включая очистку данных и их обогащение для повышения эффективности. Основываясь на опыте Романа Рыбальченко, рассматриваются различные источники данных, примеры анализа и специфические кейсы по улучшению работы бизнеса. Также упоминаются инструменты и подходы для автоматизации процессов и валидации данных.

1. Аналитика вне Google Analytics
на основе баз данных
1
Roma.net.ua
только эффективный
интернет-маркетинг

2. Эксперт в интернет-маркетинге (8 лет опыта).
— Основатель проекта Roma.net.ua
— Директор по маркетингу интернет-магазина Intimo
— Тренер по веб-аналитике и e-mail маркетингу
— Со-основатель Клуба Интернет-Маркетологов.
Роман Рыбальченко
Яндекс
Эксперт
Сертифицированный
КОНСУЛЬТАНТ
Google Adwords
с 2011 по 2013
2

3. Клиенты
И ещё 75: e-commerce, рекламные агентства, услуги,
продуктовые компании.
3

4. Не внедрили, мало
данных или лимиты:
• Enhanced Ecommerce
• UserId, ClientId
• Measurement Protocol
• Custom Dimensions, Metrics
• Семплирование данных
• Данные с ошибками
4

5. Источники данных
• Базы данных о товарах, заказах и Клиентах
(CMS, ERP, CRM)
• Рекламные аккаунты (Google Adwords,
Яндекс.Директ)
• Статистика сервиса (MailChimp, Youtube, Google
Webmaster, Яндекс.Вебмастер)
• Веб-аналитика (Google Analytics,
Яндекс.Метрика)
5

6. Очистка данных
• Ненужные сегменты (например опт/розница)
• Заказы от сотрудников и тестовые
(e-mail содержит домен сайта и просматриваем
топ-100 Клиентов по количеству заказов)
• Статусы заказов
• Период времени
6

7. Выполненные заказы
от Клиентов розницы,
без тестовых
и заказов
сотрудников,
за 2015
7

8. Принципы очистки
• Автофильтр в Excel:
• сортировка
• пустые
• неправильные данные
• Находим жирафов
8

9. Ручная «проработка»→
Автоматизация очистки
9

10. • Валидация данных на входе
• Признак «сотрудник» в базе данных
• Причина отмены заказа — «тестовый»
• «Склейка» профилей (по номеру телефона,
адресу доставки, ФИО...)
• Импорт исправленного в БД
• Процесс обработки новых ошибок коллегами
10

11. Обогащение данных
• GA → CRM (ключ — номер заказа в e-commerce)
• IP → город, регион, страна (по базе GeoIP)
• Имя и отчество → Пол
• Адрес → Расстояние (по API карт)
• Товары в заказе → Размер
• Соцсеть → Интересы, чекины, друзья, возраст
• Школа и друзья → Возраст
• Товар → Характеристики, отзывы (по API Яндекс.Маркета)
11

12. dadata.ru
12

13. dadata.ru
12

14. Аналоги Dadata
• http://iqdq.ru/
• http://iqsystems.ru/
• http://kladr-api.ru/
13

15. 14

16. Доработка структуры БД
• Разнесение полей
ФИО → Фамилия, имя, отчество
• Отдельные поля
• Структурированный ввод данных
• Связь по API c другими сервисами
15

17. Инвентарь
• Доступ к БД или копии БД с правами на чтение
• Простенький курс по SQL (SQL for Marketers)
• Excel и 4-7 Гб «оперативки» (или Microsoft Azure)
• Надстройки: Power Pivot, Power Query
16

18. Кейсы

19. Кейс 0. Анализ БД.
Когорты, LCG
18

20. Поля
• Номер заказа
• id Клиента или e-mail
• Дата заказа
• Статус заказа
• Сумма заказа
• Порядковый номер заказа
• Источник заказа
19

21. Вычисляемые поля
• Количество заказов
• Количество выполненных заказов
• Дата первого и второго заказа
• Дней между заказами 1 и 2
• Год и месяц текущего заказа
• Год и месяц 1-го заказа
• Месяцев и дней с первого заказа
20

22. Что строили?
• Когорты
• Life Cycle Grid
• Структура заказов по месяцам и статусам
• Исполняемость заказов в разрезах
21

23. Что определили?
• Точки для роста (0 → 1, 1 → 2)
• Диапазоны для e-mail маркетинга
• между покупкой и оплатой
• между заказами
• между покупкой и отменой
• Проблемы с наличием и актуальностью
• Проверили бизнес-модель по оттоку
• Вероятность повторной покупки
22

24. Кейс 1. Анализ прибыли
по источнику в CRM
23

25. SourceBuster
24
http://sbjs.rocks/

26. SELECT
`orders_utm`.`ord_id` , `orders_utm`.`source` ,
`orders_utm`.`medium` , `orders_utm`.`compaign` ,
`orders_utm`.`term` , `orders_utm`.`content` ,
`orders_utm`.`id` , `orders`.`id` , `orders`.`status`
FROM `orders_utm`
JOIN `orders` ON `orders`.`id`=`orders_utm`.`ord_id`
WHERE `orders_utm`.`source` = 'recreativ'
AND `orders_utm`.`medium` = 'shops'
AND `orders`.`date` > '2014-07-01'
AND `orders`.`date` < '2014-07-31'
25

27. 26

28. 27
Источник заказа
+ источник регистрации

29. 28
5.

30. 29

31. Кейс 2. Реанимация
ремаркетингом
в соцсетях
30

32. • Кто отписался (экспорт из MailChimp)
• Кто не оформлял заказ больше X дней назад
• Кто оформлял заказ по телефону
(на технические аккаунты)
SELECT `ord_tel`
FROM `orders`
WHERE `userid` = '6061'
OR `userid` = '60689'
OR `userid` = '60690'
OR `userid` = '60691'
31

33. 32
Facebook Ads по аудитории
Конверсия = 2.5х
CPO = 96 грн

34. Кейс 3. Анализ отмен
заказов в разрезах
33

35. Заводим причины отмен
в БД
34

36. SELECT
`orders`.`id` AS 'номер заказа', `order_status`.`name` AS 'Статус' ,
`couriers`.`name` AS 'курьер', `orders_cancel`.`descr` AS 'причина',
`delivery`.`name_ru` AS 'тип доставки', `orders`.`date` AS 'дата'
FROM `orders`
LEFT JOIN `orders_cancel` ON `orders`.`cancel_id` =
`orders_cancel`.`id`
LEFT JOIN `couriers` ON `orders`.`courier_id` =
`couriers`.`courier_id`
LEFT JOIN `delivery` ON `orders`.`deliveryid` = `delivery`.`id`
LEFT JOIN `user` ON `orders`.`userid` = `user`.`id`
LEFT JOIN `order_status` ON `orders`.`status` = `order_status`.`id`
WHERE `orders`.`date` > '2014-12-01'
AND `orders`.`date` < '2014-12-31'
AND `user`.`opt` = 0
AND `user`.`member` = 0
AND `orders`.`status`= 5
35

37. Выводы для бизнеса
• В регионе Х у отмененных заказов средний чек
выше на 24% — теряем большие заказы
• В регионе X в 2 раза чаще отмена «нет в
наличии» — работаем с остатками и сайтом
• Курьер N в 1.5 раза чаще отменяет
«не дозвонился»
36

38. Кейс 4. На каких
позициях крутить
контекст?
37

39. Сводные таблицы
• Каноническая таблица (убираем итоги,
вписываем заголовки)
• Сводная таблица
• Вычисляемые поля
• Дополнительные вычисления
• Фильтры и представление данных
38

40. Сводная без фильтра
39

41. Если отфильтровать
брендовую кампанию?
40

42. Вычисляемое поле

43. Кейс 5. Какая форма
подписки дает больше
Покупателей?
42

44. 43

45. Когда ещё нужны
сводные таблицы /ярлыки?
• Пол / Возраст / Интересы в КМС
• Оптимальный тип соответствия
• Влияние доп. слов в запросе (купить,
обзор, Киев, магазин)
• Группировка по категориям, когда
кампании разбиты регионально
44

46. 8+ примеров
по сводным таблицам
roma.net.ua/oa/
45

47. Примеры применения
SQL-запросов и сводных
• Выгрузка сеошникам брендов с большим
количеством SKU в наличии
• Анализ ширины экрана для определения
требований к mobile-версии
• Анализ длины городов для доработки дизайна
46

48. Ещё полезные ссылки
• https://import.io/
• http://webscraper.io/
• http://www.wordz.co/
• http://laborare.info/all/notepad-ppc/ (win)
• CSV Converter (mac)
• Google Refine
47

49. Понравилось выступление?
Зайди на roma.net.ua
и подпишись на рассылку.
Уже подписчиков3 714
48

50. Понравилось выступление?
Зайди на roma.net.ua
и подпишись на рассылку.
Уже подписчиков3 720
48

51. Понравилось выступление?
Зайди на roma.net.ua
и подпишись на рассылку.
Уже подписчиков3 735
48

52. Понравилось выступление?
Зайди на roma.net.ua
и подпишись на рассылку.
Уже подписчиков3 757
48

53. Вопросы?
r@roma.net.ua
Roma.net.ua
только эффективный
интернет-маркетинг
49