Блог про аналитику

Недавно меня пригласили на одну конференцию, где я выступал с необычной для себя темой: анализ  платных рекламных компаний. Я решил поделиться несколькими мыслями о том, как ppc-менеджеру (или его руководителю) атаковать проблему оптимизации рекламных кампаний. Хотя я сам не крутил рекламу ни в Google Adwords, ни в Яндекс.Директ, но я курировал ребят, которые занимаются этим ежедневно. А потому у меня регулярно возникали одни и те же вопросы: какие рекламные кампании стоит масштабировать ? для каких рекламных кампаний недостаточно данных (и нужно продолжать  их "крутить")? какие рекламные кампании стоит останавливать ? Итак, для простоты изложения я возьму небольшую выборку (35 рекламных кампаний).  Обычно, ppc-менеджер начинает свой анализ с рекламных кампаний, которые "съедают" больше всего бюджета. Он сортирует список рекламных кампаний от самых больших по бюджету к самым маленьким.  Как мы видим, ТОП3 рекламные кампании соответствуют 30.5% рекл...

Я думаю, вы уже пришли к выводу, что в работе с LTV главное рассчитывать вероятность совершения повторной покупки и быстро реагировать на ее снижение. Существуют разные подходы к ее оценке, но все они так или иначе связаны с поведенческими характеристиками, причем практически всегда характеристика #1 это Recency. Сегодня я покажу вам 3 подхода к оценке вероятности совершения повторной покупки (от менее точного к более точному): на основе Recency и Latency на основе Recency, Lifetime , Frequency на основе модели Pareto/NBD Прелесть каждого из подходов в том, что мы рассчитываем вероятность совершения повторной покупки для каждого клиента индивидуально ( не на основе когорты). Оценка вероятности на основе Recency и Latency Начну с того, что бегло напомню вам разницу между Recency и Latency . Recency - время, которое прошло с момента совершения последней покупки до сейчас. R = today() - last_order_date Latency - среднее время между покупками. L = ( last...

Итак, в прошлом посте мы прошлись по основным шагам, которые нужны для грамотного расчета LTV используя классический подход Pareto/NBD . Сегодня мы будем говорить об LTV в другом контексте - упрощенно-прикладном. Итак, перед вам Life Cycle Grid . Название и концепцию этой замечательной технике дал выдающий маркетолог Jim Novo. Обязательно перечитайте его блог , особенно ранние статьи. Life Cycle Grid (LCG). Source: blog.jimnovo.com По сути - LCG это RF(M) матрица: По горизонтальной оси вы смотрите на R ecency (недавность последней покупки); По вертикальной оси вы смотрите на F requency (количество покупок); В каждой ячейке вы видите количество клиентов с определенными параметрами R и F. Построив такую матрицу мы можем сразу ответить на много вопросов, но нас сейчас интересует всего четыре: какие клиенты  критически важны  для бизнеса? (правый верхний квадрант) каких клиентов реально развивать дальше? (правый нижний квадрант) какие клиенты...

Прогнозирование LTV - задача весьма нетривиальная. Почему? Потому, что для прогноза LTV нам потребуются 3 отдельные (независимые) оценки: распределение повторных покупок распределение оттока клиентов распределение среднего чека покупок Это сложные математические задачи и, очень здорово, что ученые мужи взялись за них и решили (причем давно, в 1987 году). Сегодня мы бегло пройдемся по классическому подходу прогнозирования LTV под названием Pareto/NBD . Начну с того, что этот алгоритм применяется в ситуациях, где нет регулярных платежей (т.е. не  контрактная форма оплаты как, например, в e-commerce). Также отмечу, что примечателен этот подход тем, что для его реализации нам потребуется самый обычный лог транзакций. Transaction log. Первое, что мы делаем так это формируем специальную таблицу. Называется она Customer-Centric-Statistic ( CBS ). Customer Centric Statistic (CBS). Не вдаваясь в подробности, могу сказать, что эта таблица формируется из RFM стати...

В прошлом посте мы обсуждали как проанализировать поведение когорт во времени . Сегодня мы сфокусируемся на одном безумно важном моменте - "локальный максимум". Начну с того, что когорты, в целом, это отличный способ узнать, кого вы привлекли и что можно ожидать от таких клиентов. И использовать их безусловно можно и нужно. Однако результат первых нескольких периодов когорты еще не является на 100% определяющим будущие свойства такой когорты. Поэтому, например, прогноз LTV когорты на основе первых нескольких периодов вполне м.б. ложным. Удивлены? Давайте смотреть. У нас есть 4 когорты Male. Посмотрим как они себя ведут за короткий промежуток времени. Вот динамика LTV когорт за первые 7 дней . Male Cohorts. LTV (7d). Согласно чарту выше самая перспективная когорта это когорта #2. Это локальный максимум за первые 7 дней. Самая низкодоходная когорта #4. Хотя разница между когортами #3 и #4 как и между когортами #1 и #2 незначительна. Т.о. за первые 7 дней опре...

Итак, в прошлый раз мы рассмотрели простой пример. Мы построили когорты, а затем обогатили их соцдемом (добавили характеристику Female/Male). Это позволило нам количественно оценить их базовое различие. Мы выяснили, что аудитория Male подходит нам больше: она быстрее активируется, но что важнее, она лучше вовлечена в последующих периодах. Сегодня давайте рассмотрим, как соединять когорты с поведенческими характеристиками. Хотя Male нам подходит лучше, но в разные периоды мы привлекаем male клиентов из разных каналов и очевидно ведут себя такие клиенты по-разному. Давайте изучим как отличается поведение разных когорт внутри сегмента Male. Начнем с дохода. Посмотрим как когорты генерируют аккумулятивный доход. Для этого мы возьмём все те же 4 когорты и посмотрим понедельно как каждая из них наращивают свой доход. Male Cohorts. Accumulative Revenue. Сам по себе доход когорты уже полезен тем, что позволяет понять, а окупается ли она вообще. (Для простоты изложения мы...

На днях у меня был интересный диалог с Дмитрий Кудренко и Андрей Панкратов на тему алгоритма расчета LTV. Поэтому сегодня будем говорить о том, как рассчитать LTV и какие нюансы возникают при расчёте LTV. Единой схемы расчета LTV для разных бизнес-моделей - нет.  Например, для SaaS компаний все достаточно просто. Клиент покупает подписку. У подписки, как правило, есть срок действия. Если в последний день окончания подписки клиент не продлевает подписку, то на следующий день такой клиент считается "ушедшим". Для e-commerce компаний все не так однозначно. Клиент мог купить товар или несколько товаров, потом какой-то период времени (иногда продолжительный) не покупать, а затем снова вернуться к покупкам. В этом случае понять когда клиент действительно "ушел" уже нетривиальная задача. Быстрый старт Дима и Андрей проделали отличную работу и создали модель с  шаблоном в Google Sheets , который на основе таблицы заказов бизнеса рассчитывает Когорты , Churn rat...

Сегодня я продолжу тему LTV. В прошлом посте я показывал возможную финансовую отдачу от клиентов, если они привлечены с учетом LTV, а не, как обычно, на основе CAC. Очевидно, что модель, которую я показывал в прошлый раз, упрощенная и к ней имеется ряд вопросов. Давайте вместе пройдемся по таким возможным вопросам. (1) LTV - прогнозная величина. Насколько эта метрика точная? Это зависит от ваших возможностей по сбору данных и особенно от последующей аналитики. Если у вас нет полноценного доступа к данным из БД, а также возможности контролировать какие данные туда писать, то вопрос расчета LTV для вас будет малоподъемным. Основные подходы для расчета LTV следующие: подход на основе ARPU (большая погрешность) подход на основе Cohorts (приемлемая погрешность) подход на основе моделей вероятностей (минимальная погрешность) Есть также два альтернативных подхода: подход LTD (Lifetime to Date) . При этом подходе LTV не прогнозируется , а рассчитывается ценность клиента на о...

Как и обещал я начинаю серию постов про LTV. Сегодня будем говорить об LTV в разрезе привлечения клиентов. Итак LTV это сокращение от  L ife T ime V alue. Суть LTV подхода в том, чтобы рассчитывать возможную прибыль, которую принесет клиент (или группа клиентов) за все то время, пока он (или они) будет покупать в вашем e-commerce. DISCLAIMER: Я сделал небольшую модель того, как могли бы обстоять дела при привлечении клиентов. Очевидно, в вашем бизнесе результаты могут существенно отличаться. Хотя мы будем говорить об LTV, но начнем, тем не менее, с CAC. Customer Acquisition Cost (CAC) Допустим у вас есть 3 канала привлечения клиентов: Facebook, Google Adwords, Yandex Direct. В каждом из каналов есть несколько Рекламных Компаний (РК). Рис.1. (кликните на рисунок, чтобы увеличить его)  Мы видим, что каждый из каналов имеет разный бюджет. В каждом из каналов есть свой набор РК каждая из которых обладает свой конверсией. В результате каждый канал генери...