В этой статье мы рассмотрим проблемы, с которыми сталкиваются маркетологи/аналитики/трафик-менеджеры облачных сервисов при оценке эффективности рекламных кампаний, а также способы их решения. Разберем пример оценки выручки, которую приносят контекстные объявления.
Все данные взяты из реального проекта LPgenerator. Используется система аналитики Kissmetrics. В целях нераскрытия конфиденциальной информации ко всем отчетам применен фильтр, который делает выборку пользователей по нескольким определенным критериям.
Как обычно считают эффективность рекламных кампаний?
Берем период (неделя/месяц), смотрим сколько потратили на рекламу, сколько получили выручки, считаем ROI. Все просто!
Такая методика совершенно не подходит SaaS-проектам, потому что выручка, которую мы получаем сегодня — это выручка от пользователей, которые зарегистрировались сегодня, вчера, 3 недели назад, 2 месяца назад или даже 4 года назад.
Ниже мы подробно разберем 3 причины, по которым простая арифметика расчета ROI не подходит для облачных сервисов.
Причина №1. Временное смещение между регистрацией (триалом) и покупкой
В большинстве облачных сервисов пользователям предлагается попробовать возможности продукта в течение 7-30 дней бесплатно. Таким образом, большая часть покупок тарифа происходит после окончания триального периода: зачем платить сейчас, если можно оплатить после окончания бесплатного периода?
Пример карточки пользователя сервиса LPgenerator в системе аналитики Kissmetrics. Пользователь зарегистрировался (событие Sign up) 14 сентября 2016, а первую оплату (событие Billed) совершил 20 октября 2016 года. Между регистрацией и оплатой прошло 36 дней.Также солидная часть новых пользователей не имеет явного намерения оплатить сервис прямо сейчас. У них есть проблема (боль), которую поможет решить ваш сервис, но проблема «не горит» ,и они пока изучают ваш сервис и сервисы ваших конкурентов. Такие пользователи также совершают оплаты, но обычно это происходит через несколько недель после первой регистрации (да, такие пользователи часто регистрируются несколько раз) в сервисе. Мы называем покупки таких пользователей — отложенные покупки.
Посмотрите на скриншот когортного отчета (подробная статья о когортном анализе) и оцените масштабы проблемы смещения. Возьмем неделю с 1 по 7 сентября 2016 года включительно и рассмотрим как платили пользователи, которые зарегистрировались в этот период. Всего мы привлекли 397 новых пользователей в этот период. 30 человек из них совершили оплату в течение первой недели после регистрации. Это пик оплат. При этом в отчете мы видим «длинный хвост» оплат, который растягивается более чем на 12 недель (более 3 месяцев!). Еще 40 оплат (сумма всех ячеек в первой строке кроме первой ячейки) приходится на пользователей, которые совершили оплату уже спустя 1 неделю после регистрации.
Такую же картину мы наблюдаем и для других недель в сентября и в других месяцах.
Как читать отчет: в период с 1 по 7 сентября 2016 года мы получили 397 новых регистраций. В течение первой недели после регистрации совершили оплату 30 человек. В течение второй недели после регистрации оплатили еще 16 человек. И так далее по ячейкам и строкам.В итоге мы получаем смещение — мы заплатили за привлечение нового пользователя сегодня, а купит он завтра, на следующей неделе или вообще через несколько месяцев. Такое смещение затрудняет оценку выручки, которую приносят рекламные кампании.
Причина №2. Повторные и рекуррентные покупки
В SaaS-проектах обычно есть 2 типа платежей: единовременные (например, покупка домена, покупка пакета SMS и тд) и рекуррентные (собственно регулярные платежи за сам сервис). В рекуррентных платежах вся мощь SaaS-бизнеса: один раз привлекаешь клиента, а он платит регулярно и много раз (ага, если бы не было Churn).
Уверен, что вы 100500 раз видели эту картинку про соотношение стоимости привлечения (CAC) и пожизненной ценности клиента (LTV). С расчетом CAC обычно проблем нет, а вот как посчитать LTV многие не знают. В большинстве случаев возникают сложности с учетом повторных и рекуррентных платежей.
Самое важное, что соотношение CAC/LTV надо считать в разрезе каналов привлечения и сегментов целевой аудитории. Фактически в SaaS-бизнесе нам нужно считать не ROI каналов привлечения, а соотношение CAC/LTV, чтобы понимать можем ли использовать и масштабировать этот канал привлечения. Чем больше у нас в портфеле каналов с «правильным» соотношением CAC/LTV, тем стабильнее и прибыльнее SaaS.
Причина №3. Многоканальность и большое количество касаний перед регистрацией/покупкой
Большинство пользователей и клиентов вашего облачного сервиса приходят на сайт много раз и с разных каналов перед регистрацией и во время триального периода. Многоканальность усложняет оценку эффективности рекламных кампаний, потому что далеко не все инструменты веб-аналитики сохраняют всю историю взаимодействия пользователей с вашим проектом.
Также нужно выбрать модель атрибуции, по которой полученная выручка будет распределяться по каналам/кампаниям.
Какая модель атрибуции лучше всего? Я считаю, что для каждого проекта нужно выбрать свою, оптимальную именно для него.
Мы используем модель атрибуции «First Ever» — первое значение за все время, а также оцениваем ассоциированные конверсии по рекламным каналам и кампаниям.
Пользователь впервые пришел на сайт LPgenerator (событие Visited site) 20 апреля 2016 года. Первую оплату пользователь совершил 18 сентября 2016 года. Между двумя этими датами было большое количество касаний.Когортный анализ — правильная методика
Суть когортного анализа в том, чтобы формировать группы (когорты) людей и затем исследовать их особенности с течением времени.
В случае SaaS-бизнеса когорты обычно формируют по дате регистрации и/или по каналам/кампаниям привлечения. Вот пример: когорта пользователей, которые зарегистрировались в течение сентября 2016 и пришли с рекламной кампании «Brand osnovnye poisk-cpc google». Далее нужно оценить выручку от определенной когорты пользователей с учетом отложенных и повторных покупок.
Применять когортный анализ можно и нужно для оценки любых маркетинговых активностей, направленных на привлечение новых пользователей в облачный сервис.
Например, вы проводите вебинар или разместили «гостевую» статью на блоге ваших партнеров. Для того чтобы правильно оценить эффект от этих мероприятий необходимо сформировать соответствующие когорты (люди, которые пришли на вебинар; люди, которые перешли на ваш сайт с «гостевой» статьи) и посмотреть, сколько человек из этих когорт зарегистрировались, сколько оплатили тариф и сколько денег они вам принесли.
Чтобы посчитать выручку от пользователей определенной когорты мы используем конструктор сводных отчетов в Kissmetrics, в котором задаем критерии формирования когорт и показатели по покупкам и выручке. Пример такого отчета ниже.
Сводный отчет (Power Report) в Kissmetrics. Когорта пользователей, которые зарегистрировались в течение сентября 2016 и пришли с рекламной кампании «Brand osnovnye poisk-cpc google» содержит 39 человек. Из этой когорты в период с 1 сентября по 31 декабря 2016 года купил 1 человек на 2456 рублей.Почему мы используем модель атрибуции «First Ever»?
В LPgenerator для оценки эффективности лидогенерирующих рекламных кампаний мы используем модель атрибуции «первый клик» для того, чтобы понимать, какие каналы/рекламные кампании впервые привели к нам на сайт пользователя или покупателя.
В Kissmetrics все свойства, в которых хранится информация о каналах привлечения, не перезатираются и записываются с метками времени. По каждому пользователю мы можем посмотреть его историю «касаний», в том числе и все значения utm меток.
Раздел свойств (properties) в карточке пользователя LPgenerator в системе аналитики Kissmetrics. Значения utm меток записываются автоматически с метками времени.Так как многие пользователи совершают несколько визитов на основной сайт и на блог LPgenerator, то нам нужно видеть именно 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. Показаны покупатели тарифа и первые значения канала привлечения (свойство Channel:Origin) за сентябрь 2016 и за все время.Посмотрите как меняются значения количества регистраций, количества покупателей и выручки при использовании разных моделей атрибуции (First Ever и First in period). Вы видите, что изменения есть даже на совсем небольшой выборке покупок. На полных данных разница еще более значительная.
Какие инструменты использовать?
В этой статье много скриншотов и примеров из системы Kissmetrics только по тому, что мы ее используем каждый день. Согласитесь, гораздо проще рассказывать и показывать то, ЧТО и КАК делаешь. Вы можете использовать любой другой инструмент, в котором есть функционал когортного анализа. Также необходимо, чтобы система записывала параметры визитов пользователей (т.е. имела собственный код отслеживания) или имела возможность подгружать данные о параметрах визита из систем веб-аналитики.
Напишите в комментариях о том, как вы считаете эффективность рекламных кампаний для вашего SaaS-проекта и какие инструменты используете.
Делайте бизнес на основе данных!
Антон Елфимов, технический директор агентства имплементации поведенческой бизнес-аналитики PrimeData
» Все статьи автора
