Saas: когортный анализ для расчета реального roi рекламных кампаний

В данной статье мы разглядим неприятности, с которыми сталкиваются маркетологи/аналитики/трафик-менеджеры облачных сервисов при оценке эффективности рекламных кампаний, и методы их решения. Разберем пример оценки выручки, которую приносят контекстные объявления.

Все сведенья забраны из настоящего проекта LPgenerator. Употребляется совокупность аналитики Kissmetrics. В целях нераскрытия тайной информации ко всем отчетам применен фильтр, что делает выборку пользователей по нескольким определенным параметрам.

Как в большинстве случаев вычисляют эффективность рекламных кампаний?
Берем период (семь дней/месяц), наблюдаем какое количество израсходовали на рекламу, сколько взяли выручки, вычисляем ROI. Все легко!

Такая методика совсем не подходит SaaS-проектам, по причине того, что выручка, которую мы приобретаем сейчас — это выручка от пользователей, каковые прошли регистрацию сейчас, день назад, 3 семь дней назад, 2 месяца назад либо кроме того 4 года назад.

Ниже мы детально разберем 3 обстоятельства, по которым несложная математика расчета ROI не подходит для облачных сервисов.

Просматривайте кроме этого: Рассчитываем ROI интернет рекламы

Обстоятельство №1. Временное смещение между регистрацией (триалом) и приобретением

В большинстве облачных сервисов пользователям предлагается попытаться возможности продукта в течение 7-30 дней безвозмездно. Так, большинство приобретений тарифа происходит по окончании окончания триального периода: для чего платить на данный момент, в случае если возможно оплатить по окончании окончания бесплатного периода?

Saas: когортный анализ для расчета реального roi рекламных кампанийПример карточки пользователя сервиса LPgenerator в совокупности аналитики Kissmetrics. Пользователь прошёл регистрацию (событие Sign up) 14 сентября 2016, а первую оплату (событие Billed) совершил 20 октября 2016 года. Между оплатой и регистрацией прошло 36 дней.

Кроме этого большая часть новых пользователей не имеет явного намерения оплатить сервис прямо на данный момент. У них имеется неприятность (боль), которую окажет помощь решить ваш сервис, но неприятность «не горит» ,и они до тех пор пока изучают сервисы и ваш сервис ваших соперников. Такие пользователи кроме этого совершают оплаты, но в большинстве случаев это происходит через пара недель по окончании первой регистрации (да, такие пользователи довольно часто регистрируются пара раз) в сервисе.

Мы именуем приобретения таких пользователей — отложенные приобретения.

взглянуть на скриншот когортного отчета (подробная статья о когортном анализе) и оцените масштабы неприятности смещения. Заберём семь дней с 1 по 7 сентября 2016 года включительно и разглядим как платили пользователи, каковые прошли регистрацию в это время. Всего мы привлекли 397 новых пользователей в это время.

30 человек из них совершили оплату в течение первой семь дней по окончании регистрации. Это пик оплат. Наряду с этим в отчете мы видим «долгий хвост» оплат, что растягивается более чем на 12 недель (более 3 месяцев!).

Еще 40 оплат (сумма всех ячеек в первой строке не считая первой ячейки) приходится на пользователей, каковые совершили оплату уже спустя 1 семь дней по окончании регистрации.

Такую же картину мы замечаем и для других недель в сентября и в других месяцах.

Как просматривать отчет: во время с 1 по 7 сентября 2016 года мы взяли 397 новых регистраций. В течение первой семь дней по окончании регистрации совершили оплату 30 человек. В течение второй семь дней по окончании регистрации оплатили еще 16 человек.

И без того потом по строкам и ячейкам.

В итоге мы приобретаем смещение — мы заплатили за привлечение нового пользователя сейчас, а приобретёт он на следующий день, через несколько дней либо по большому счету через пара месяцев. Такое смещение затрудняет оценку выручки, которую приносят рекламные кампании.

Просматривайте кроме этого: Из-за чего ROI — тщетный показатель?

Обстоятельство №2. Повторные и рекуррентные приобретения

В SaaS-проектах в большинстве случаев имеется 2 типа платежей: единовременные (к примеру, приобретение домена, приобретение пакета SMS и направляться) и рекуррентные (фактически регулярные платежи за сам сервис). В рекуррентных платежах вся мощь SaaS-бизнеса: один раз завлекаешь клиента, а он платит систематично и неоднократно (ага, если бы не было Churn).

Уверен, что вы 100500 раз видели эту картину про соотношение цены привлечения (CAC) и пожизненной ценности клиента (LTV). С расчетом CAC в большинстве случаев неприятностей нет, а вот как посчитать LTV многие не знают. Как правило появляются сложности с учетом повторных и рекуррентных платежей.

Самое ответственное, что соотношение CAC/LTV нужно вычислять в разрезе сегментов и каналов привлечения целевой аудитории. Практически в SaaS-бизнесе нам необходимо вычислять не ROI каналов привлечения, а соотношение CAC/LTV, дабы осознавать можем ли применять и масштабировать данный канал привлечения. Чем больше у нас в портфеле каналов с «верным» соотношением CAC/LTV, тем стабильнее и прибыльнее SaaS.

Обстоятельство №3. большое количество и Многоканальность касаний перед регистрацией/приобретением

Большая часть клиентов и пользователей вашего облачного сервиса приходят на сайт неоднократно и с различных каналов перед регистрацией и на протяжении триального периода. Многоканальность усложняет оценку эффективности рекламных кампаний, по причине того, что не все инструменты веб-аналитики сохраняют всю историю сотрудничества пользователей с вашим проектом.

Кроме этого необходимо выбрать модель атрибуции, по которой полученная выручка будет распределяться по каналам/кампаниям.

Какая модель атрибуции оптимальнее ? Я считаю, что для каждого проекта необходимо выбрать собственную, оптимальную как раз для него.

Мы используем модель атрибуции «First Ever» — первое значение за все время, и оцениваем ассоциированные конверсии по кампаниям и рекламным каналам.

Пользователь в первый раз пришел на сайт LPgenerator (событие Visited site) 20 апреля 2016 года. Первую оплату пользователь совершил 18 сентября 2016 года. Между двумя этими датами было много касаний.

Просматривайте кроме этого: Как совместить сегментацию и атрибуцию данных с целью достижения маркетингового успеха?

Когортный анализ — верная методика

Сущность когортного анализа в том, дабы вырабатывать группы (когорты) людей и после этого изучить их особенности с течением времени.

При SaaS-бизнеса когорты в большинстве случаев формируют по дате регистрации и/либо по каналам/кампаниям привлечения. Вот пример: когорта пользователей, каковые прошли регистрацию в Сентябре 2016 и пришли с рекламной кампании «Brand osnovnye poisk-cpc google». Потом необходимо оценить выручку от определенной когорты пользователей с учетом отложенных и повторных приобретений.

Использовать когортный анализ возможно и необходимо для оценки любых маркетинговых активностей, направленных на привлечение новых пользователей в облачный сервис.
К примеру, вы проводите вебинар либо разместили «гостевую» статью на блоге ваших партнеров. Чтобы верно оценить эффект от этих мероприятий нужно организовать соответствующие когорты (люди, каковые пришли на вебинар; люди, каковые перешли на ваш сайт с «гостевой» статьи) и взглянуть, сколько человек из этих когорт прошли регистрацию, сколько оплатили тариф и какое количество денег они вам принесли.

Дабы посчитать выручку от пользователей определенной когорты мы используем конструктор сводных отчетов в Kissmetrics, в котором задаем критерии формирования когорт и показатели по выручке и покупкам. Пример для того чтобы отчета ниже.

Сводный отчет (Power Report) в Kissmetrics. Когорта пользователей, каковые прошли регистрацию в Сентябре 2016 и пришли с рекламной кампании «Brand не poisk-cpc гугл» содержит 39 человек. Из данной когорты во время с 1 сентября по 31 декабря 2016 года приобрел 1 человек на 2456 рублей.

Из-за чего мы используем модель атрибуции «First Ever»?

В LPgenerator для оценки эффективности лидогенерирующих рекламных кампаний мы используем модель атрибуции «первый клик» чтобы осознавать, какие конкретно каналы/рекламные кампании в первый раз стали причиной нам на сайт пользователя либо клиента.

В Kissmetrics все свойства, в которых хранится информация о каналах привлечения, не перезатираются и записываются с метками времени. По каждому пользователю мы можем взглянуть его историю «касаний», среди них и все значения utm меток.

Раздел особенностей (properties) в карточке пользователя LPgenerator в совокупности аналитики Kissmetrics. Значения utm меток записываются машинально с метками времени.

Так как многие пользователи совершают пара визитов на главный сайт и на блог LPgenerator, то нам необходимо видеть как раз самый первый канал привлечения (свойство Channel:Origin) за все время. Вот наглядный пример того, что самый первый канал привлечения и первый в текущем периоде канал привлечения не совпадают.

Часть отчета People Search в Kissmetrics. Продемонстрированы первые значения и покупатели тарифа канала привлечения (свойство Channel:Origin) за сентябрь 2016 и за все время.

Посмотрите как изменяются значения количества регистраций, выручки и количества покупателей при применении различных моделей атрибуции (First Ever и First in period). Вы видите, что трансформации имеется кроме того на совсем маленькой выборке приобретений. На полных данных отличие еще более большая.

Просматривайте кроме этого: Когортный анализ: секреты верной интерпретации

Какие конкретно инструменты применять?

В данной статье большое количество примеров и скриншотов из совокупности Kissmetrics лишь по тому, что мы ее используем ежедневно. Согласитесь, значительно несложнее говорить и показывать то, ЧТО и КАК делаешь. Вы имеете возможность применять каждый инструмент, в котором имеется функционал когортного анализа.

Кроме этого нужно, дабы совокупность записывала параметры визитов пользователей (т.е. имела личный код отслеживания) либо имела возможность подгружать информацию о параметрах визита из совокупностей веб-аналитики.

Напишите в комментариях о том, как вы вычисляете эффективность рекламных кампаний для вашего SaaS-проекта и какие конкретно инструменты используете.

Делайте бизнес на базе данных!

Создатель этого поста:

Антон Елфимов, технический директор агентства имплементации поведенческой бизнес-аналитики PrimeData

» Все статьи автора

Случайные статьи:

Как повысить ROI рекламной кампании Яндекс Директ на 314% с помощью 4х простых настроек


Подборка похожих статей:

admin