Google Analytics + Power BI Desktop = новые инсайты

Я раньше рассматривал продукт Google Analytics как нечто большое и негибкое. В свое время сам Avinash Kaushik писал о GA как о системе с большом количеством слабо организованных отчетов.

Действительно в GA записывается огромное количество интересных данных о поведении пользователей. Писать такие данные к себе в БД накладно, а в GA - ничего не стоит, но выжать инсайты из GA на практике получается редко.

Сегодня я попробую объяснить почему так было с GA и что изменилось.

Начну с начала. GA состоит из 3-х подсистем:

1. клиентский JS-скрипт, который собирает данные о действиях и перемещениях пользователя на сайте и передает их на GA back-end;
2. GA back-end, который парсит все данные от клинского JS и аккуратно раскладывает эти данные по таблицам (dimensions), создает связи между таблицами, а также делает пред-расчеты;
3. GA front-end (собственно сайт GA), который мы все хорошо знаем и используем, чтобы отфильтровать данные, рассчитать метрики и затем их как-то визуализировать.

На мой взгляд в GA самое слабое звено это подсистема (3). Все это время Google вкладывался в нее меньше всего. Улучшение шло только за счет увеличения количества предустановленных отчетов (visuals). Сейчас их более 200. Структура данных и способы визуализации отчетов менялись незначительно.

Для того, чтобы выжать из GA какую-то историю, нужно строить custom reports. Но даже проделав такую работу вопрос визуализации и нахождения инсайтов никуда не девается. Поэтому на ум приходит только одно - выгружать данные из GA, а затем рассчитывать и визуализировать их в другом инструменте. 

С того момента как появился Power BI Desktop и в нем появился Google Analytics Connector я несколько раз играл с ним. Он удобен тем, что позволяет комбинировать dimensions и метрики в нужную тебе историю. Единожды построив отчет, данные в нем обновляются одним кликом мышки.

Я сделал небольшой кейс о подключении к GA и нахождении инсайтов через внешний инструмент.

Итак, с одним из e-commerce проектов мы обсуждали scoring-модель, которая могла бы определить потенциал посетителя, до того как он сделал свою первую покупку.

Одна из гипотез состояла о том, что посетитель, который ищет продукт через поиск на сайте имеет более высокий потенциал, чем тот, кто не ищет. Но как это проверить и оценить?

Я решил подключиться к GA через Power BI Desktop и вытянуть некоторые данные из 'Internal Search' dimension с тем, чтобы начать задавать себе правильные вопросы.

Первый вопрос: а вообще какая разница в конверсии между посетителями, которые пользуются поиском на сайте и теми, кто просто просматривают товары на сайте?

Ecommerce Conversion Rate by Site Search Status.

На чарте видно, что клиенты, которые используют поиск на сайте, имеют конверсию в 5х раз выше, чем те, кто не использует поиск.

Это указывает на то, что scoring с использованием этого фактора имеет бизнес смысл.

Второй вопрос: не является ли такой результат следствием поведения повторных покупателей?

Ecommerce Conversion Rate by User Type and Site Search Status.

На чарте видно, что независимо от типа посетителя (новый или старый) конверсия у тех, кто пользуется поиском на сайте выше. Причем, если у повторных посетителей использование поиска на сайте повышает конверсию в 4х раза, то у новых посетителей этот фактор повышает конверсию в 12х раз!

Это утверждает нас в том, что этот фактор вполне можно использовать для новых (неизвестных нам ранее) посетителей.

Третий вопрос: а много ли таких посетителей, которые используют поиск на сайте?

Sessions by User Type and Site Search Status.

На чарте видно, что таких посетителей (в том числе и новых) достаточно много.

Это дает нам основания ожидать, что запуск scoring посетителей с этим фактором может дать не только ощутимый, но и статистически значимый результат.

Четвертый вопрос: как использование поиска на сайте влияет на средний чек?

Average Order Value by User Type and Site Search Status.

На чарте видно, что есть несколько интересных паттернов поведения. 

Для нас же сейчас важно, отметить, что поиск понижает средний чек. Это стоит учесть при формировании активационных предложений для клиентов использующих поиск. 

Бонус: также есть интересный момент связанный с bounce rate.

Bounce Rate by User Type and Site Search Status.

Смотрите как позитивно поиск влияет на вовлеченность.

Даже у новых посетителей (еще плохо понимающих value сайта) использование поиска существенно понижает bounce rate даже по отношению к повторным посетителям, которые не воспользовались поиском (15.23% vs 40.55%). И хотя этот инсайт скорее относится к вопросу активации посетителя, он, тем не менее, показывает как сильно меняется поведение пользователя после использования поиска по сайту.

Резюмируя, можно сказать две вещи.

(1) Начальная гипотеза о поиске на сайте, в целом, подтвердилась.

Новые посетители использующие поиск на сайте имеют хороший потенциал. У них низкий bounce и высокий e-commerce conversion rate. Т.о. пользователям подающим такие сигналы волне можно присваивать более высокий score.

(2) Внешний аналитический продукт помогает существенно быстрее проверить N гипотез, а custum визуализация позволяет быстрее схватить суть данных.