Как анализировать многоканальные последовательности на основе сырых данных «Яндекс Метрики»

После ухода Universal Analytics стало понятно, что ни одно решение на рынке не умеет строить детализированные цепочки визитов. В GA4 анализ последовательностей появился только спустя время, но даже сейчас его функционал довольно ограничен: цепочки доступны только в урезанном агрегированном виде — «Первый канал», «Канал в середине», «Последний канал».

Как получилось решить эту проблему, разработав решение для анализа многоканальных последовательностей на основе сырых данных «Яндекс Метрики», рассказал Александр Сбытов, Senior Web Analyst в «Артикс».

Анализ многоканальных последовательностей — важная часть анализа трафика, позволяющая получить представление об эффективных связках каналов и кампаний, проанализировать влияние каналов и построить любые модели атрибуции. На маркетинговом слэнге моногоканальные последовательности называют цепочками визитов. Они нужны, чтобы проследить весь путь целевого пользователя от первого касания до совершения покупки и видеть целостную картину, а не только результат.

Рынок не предлагает инструментов, которые бы смогли строить детализированные цепочки. Поэтому единственный выход — разрабатывать свои решения. Например, мы в «Артикс» используем решение, которое умеет строить цепочки на основе сырых данных «Яндекс Метрики». Сейчас оно может создавать 26 отчетов по восьми тематикам, более 150 графиков при самых стандартных настройках, считает атрибуцию по Маркову и Шепли и собирает все данные в презентацию для наглядной отчетности.

Как работает построение цепочек

Основной источник данных — Logs API «Яндекс Метрики», так как это самый популярный российский инструмент отслеживания веб‑трафика. Работа с сырыми данными позволяет собирать информацию по каждому отдельному визиту пользователя и строить цепочки по любым периодам с максимальной детализацией, так как они предоставляют ID пользователей для объединения данных и не сэмплируются.

Строить цепочки можно по нескольким параметрам: Client ID пользователя, время начала визита, источник трафика по умолчанию, utm source или utm campaign и цели, которые были выполнены внутри визита.

Можно также использовать данные GA4, мобильных трекеров, медиа‑трекеров и других систем, а также объединять их для построения цепочек по взаимодействию пользователей внутри разных трекинг‑систем. Главное — иметь общий id для объединения данных в этих системах.

Так получился продукт, который умеет строить различные отчеты по цепочкам трафика — для анализа последовательностей визитов, а уже после построения сырого и агрегированного отчетов по цепочкам — извлекать дополнительные данные из цепочек.

Какие отчеты можно строить на основе цепочек данных

После того, как мы получили цепочки данных, из них можно извлечь много дополнительной информации. Мы выделили 8 категорий отчетов:

1. Цепочки (визиты).
2. Первые источники.
3. Источники влияния.
4. Расположение источников.
5. Переходы.
6. Временные разницы.
7. Removal Effect.
8. Сравнение атрибуций.

Рассмотрим подробнее каждую из них.

С помощью порядкового номера цепочки можно проанализировать длину касаний до покупки. Например, увидеть, что путь до первой покупки был в четыре раза дольше пути до повторной покупки. Отчет покажет разницу между путем до первичных и повторных целевых действий, а данные по длинам цепочек помогут проанализировать эффективную частоту касаний.

Первые источники. С помощью этого отчета удобно анализировать, как заданные источники влияли на последние в качестве первых источников. Особенно он полезен при анализе медийного, социального и брендового трафика.

Источники влияния. Отчеты группируются по источникам влияния и последним источникам, помогают оценить наличие определенных каналов на пути к конверсии и влияние промежуточных каналов на основные каналы, генерирующие конверсии по Last Click атрибуции. Также есть возможность посмотреть все каналы до и после определенного в цепочке.

Переходы. Анализ переходов из заданного источника в остальные и, наоборот, переходов в заданный источник. Показывает, откуда приходит и куда уходит трафик с отслеживаемого канала.

Временные разницы. В блоке отображается, сколько времени проходило между действиями пользователей. Доступны отчеты: время от первого визита до первой конверсии, время от первого визита до любой конверсии, время между первым визитом и первой конверсией и между всеми конверсиями, время между касаниями. Отчет помогает понять особенности трафика и узнать оптимальное время для ретаргетинговых взаимодействий, а также — рассчитать, сколько времени после запуска рекламы требуется на совершение целевого действия, то есть, когда стоит ожидать результат от рекламной кампании.

Removal Effect. Нужен для аргументации пользы канала и расчета атрибуции по цепям Маркова, основанным на вероятностях перехода между каналами. Removal Effect позволяет подсчитать потери трафика в момент отключения канала без необходимости его отключения или проведения геотестирования.

Мы в «Артикс» на основе цепочек реализовали возможность расчета всех основных моделей атрибуции и атрибуции на основе данных.

Помимо этого, решение автоматически собирает все полученные данные в презентацию.

Выводы. С помощью сырых данных «Яндекс Метрики» можно строить цепочки для анализа последовательностей — примем не только на данных целей, но и на данных e‑com. Это позволит анализировать пользователей вплоть до самой низкой конверсии.

На основе цепочек можно строить разные отчеты по расположению, влиянию источников и Removal Effect, а также любые модели атрибуции, в том числе кастомные и DDA, чтобы находить эффективные источники, даже если они работают только в связке с другими или располагаются в середине цепочки.

Данные в цепочках можно брать не только из «Яндекс Метрики», а еще из медиа‑трекеров, App‑трекеров и других источников, а также смешивать друг с другом для изучения влияния медиа на конверсии и понимания углубленных воронок, чтобы учитывать в анализе все касания пользователя с рекламой, включая просмотры и взаимодействия с менеджерами вплоть до совершения сделки.