Как аналитика циклов принятия решений может помочь в росте продаж

Электронная коммерция — сфера, в которой предприниматель сталкивается с очень большим количеством разнообразных данных, и порой разобраться в них бывает очень сложно. Поговорим о том, как настроить продуктовую аналитику в интернет-магазине на примере российского бренда одежды.

В 2019 году наш клиент начал развитие собственного интернет-магазина. Нас, команду Aero, привлекли к проекту, чтобы сделать канал продаж более эффективным. Нужно было настроить продуктовую аналитику: изучить покупательский опыт и создать инструменты для его дальнейшего улучшения.

Циклы принятия решений

У бренда много офлайн-активностей и акций, которые влияют на поведение и онлайн-пользователей. Это существенно затрудняет классический анализ воронки и клиентских путей. Вместе с Анной мы придумали новый метод — аналитика на основе циклов принятия решений.

Сессионная аналитика нам не подошла: она строится по универсальной логике формирования event-сессий. У нее есть источник входа, источник выхода, тайм-аут и конец сессии.

Но покупает не сессия — покупают люди. Человек может прийти несколько раз: посмотреть, добавить товар в корзину, забыть, вернуться и в итоге купить.

Люди пользуются разными устройствами: наши пользователи приходят с мобильного трафика, а покупают с десктопа. Многие покупатели смотрят товары онлайн, а мерить и покупать их едут офлайн. В сессиях мы смотрим только на кусочек того, что происходит с покупателем, и не видим всей картины

Event-based-аналитика нам тоже не подошла. На больших объемах это очень дорого, и для нее требуется высокий уровень квалификации команд. На практике никто не понимает результаты этой аналитики. На ее основе сложно делать дашборды и KPI — бизнесу пользоваться такими данными неудобно. Этот тип аналитики отлично подходит для цифровых продуктов, но для eСommerce, где разное время принятия решений, он не очень удобен.

Цикл - набор сессий, сформированный по правилам.

Возьмем для примера придуманную нами историю условной Василисы, обычной покупательницы — женщины средних лет с ребенком. Она пришла первый раз в интернет-магазин. Скорее всего, на первый раз она ничего не купит.

Потом в течение 10 дней придет еще раза три. Решит, что ей пока ничего не подходит, и уйдет дней на 30. Потом вернется за новой одеждой и добавит в корзину платье. Через некоторое время произойдет уценка товаров, она об этом узнает и вернется к корзине. К платью добавит еще майку, ее отвлекут дети, и она вернется через пару дней, чтобы все-таки закончить покупку.

Если на все это смотреть в сессионном стриминге, мы будем видеть события по отдельности: есть сессия с покупкой, есть сессия с добавлением товара, есть сессия, где Василиса просто пришла на сайт и ничего не купила. В каждой сессии она считывается как новый пользователь.

Это создает проблему для аналитики: мы смотрим на воронку, и очевидно, что каналы, которые приводят охватывающий трафик, не конвертируют. В сессионной аналитике все очень усредненно и непонятно, как интерпретировать данные.

Мы построили свою систему — аналитику циклов принятия решений. В ней новый пользователь — тот, который в принципе первый раз провзаимодействовал с магазином бренда.

ШАГ 1. Определить наборы сессий, которые можно объединить в циклы

Например:

• покупатель зашел на сайт и положил вещи в корзину,
• сходил в офлайн-магазин,
• померил пиджак и купил,
• получил рассылку и вспомнил, что вещи в корзине подешевели.
• Это набор действий клиента — аналог сессий, но на макроуровне. Цикл открывается с посещения человеком сайта и закрывается или покупкой, или некоторым периодом бездействия.

ШАГ 2. Определить, каким действием заканчивается каждый цикл

У этой системы кастомизированная и понятная для бизнеса логика формирования циклов — они устроены так же, как и сессии. Цикл заканчивается покупкой или периодом бездействия, и период может определяться самим бизнесом: если у вас цикл принятия решения — полгода, то он и будет полгода. В доставке еды цикл может быть два часа: если пользователь не решил заказать еду сейчас, то он и не закажет ее позже.

Мы видим историю поведения пользователя непосредственно перед покупкой и можем использовать ее в дальнейшем взаимодействии. Каждый цикл содержит полный набор действий, мы ничего не упускаем. Покупатель пришел на сайт и смотрит каталог без покупки — мы это видим. Цикл можно строить с учетом разных устройств и даже покупок в офлайне. У нас есть возможность закрыть цикл, даже если человек добавил товар в корзину и потом купил его офлайн.

ШАГ 3. Сделать расчет длительности каждого шага в цикле

Теперь мы можем подсчитать длительность каждого шага. Мы знаем, сколько нужно времени от посещения сайта до просмотра карточки товара, от просмотра до корзины и от корзины до покупки. Мы не ускоряем пользователя по воронке, потому что знаем, сколько ему нужно времени на подумать. И уже с этими знаниями работаем дальше.

ШАГ 4. Определить, что делать с пользователем на каждом этапе, чтобы подтолкнуть его к закрытию цикла

Воронка цикла едина для трафика и продукта: каждый момент времени понятно, на каком этапе находится пользователь и что с ним сделать

Этот подход дает новые метрики бизнесу, он помогает подталкивать пользователей к закрытию цикла и к покупке, используя онлайн- и офлайн-инструменты.

Каждая команда понимает, что нужно делать, а у сайта появляется более точная задача: конкретно с этим пользователем конкретно в этот момент нужно взаимодействовать вот так. Например, мы знаем, что для принятия решения человеку нужно девять сессий и в среднем пять дней, а до покупки он должен провести примерно 57 минут на сайте.

Становится понятна роль каждой команды. Мы знаем, что конкретно этот пользователь находится в этом сегменте и должен видеть такую рекламу. Сайт не должен закрывать цикл сегодня, но должен подталкивать к его завершению.

Мы знаем, что пользователю нужно время и у сайта более понятная и точечная задача. Мы можем показывать дополнительные попапы, например, потому что знаем, что именно сказать пользователю на этом этапе воронки.

Итоги работы

С новой системой аналитики мы можем точнее работать с атрибуцией и расчетом вероятности покупки внутри цикла. Вместе с этим возникает другой подход к анализу CJM, в котором нужно учитывать разные параметры цикла: например, CJM импульсивных покупателей не такой же, как у долго думающих.

Циклы можно использовать в персонализации: мы можем делать импульсивных еще более импульсивными, а тем, кто думает дольше, предлагать другие анонсы и баннеры, вести иную коммуникацию. Такого в eСommerce еще не было, и нам не терпится попробовать наш подход в других сферах.