Руководитель отдела аналитики интерактивного агентства AGIMA Кирилл Бушев о том, как оптимизировать продукт и принимать решения на основе статистики.
С работой СМИ связано множество мифов. Например, что при капитальном редизайне обязательно просядет глубина и упадут CTR баннеров. Или что увеличив штат редакции вдвое, можно ожидать сопоставимого притока аудитории. Что можно без последствий регулярно и на глаз менять цены и условия подписки на платные продукты.
Или что главное — публиковать то, что сейчас нравится аудитории. И журналистам платить соответственно количеству показов их материалов. Или что нормально брать деньги с рекламодателей за факты загрузки их рекламы вне зоны видимости.
Возможно, всё это так. Но, согласитесь, было бы здорово перестать брать на себя ответственность за подобные решения, и подходить к этим вопросам не экспертно, а с точки зрения реальных цифр.
Посмотрим, как с помощью собираемых на сайте СМИ данных можно заниматься оптимизацией продуктовых метрик и использовать данные при принятии управленческих решений. Статья может быть полезна digital-директорам, менеджерам по продукту, редакции и, конечно, коммерции.
Что и зачем отслеживать на сайтах СМИ
Во-первых, безусловно, контент и его потребление. Хорошей практикой здесь считается использование абстракции расширенной электронной торговли Google Analytics, где показы и клики по анонсу материала в различных списках (страница конкретной рубрики, блок «Читайте также», ссылки в тексте статьи) фигурируют как product impression (показ продукта) в конкретном продуктовом списке (по аналогии с товарами — каталог, поиск, рекомендованные товары).
Почему этот метод хорош: он отлично укладывается в модель «Пользователь — сессии — действия — товары» и позволяет рассматривать всё в совокупности, а не по отдельности, как предлагается альтернативными сервисами.
Вы легко можете, скажем, создать аудиторный сегмент из пользователей, которые на протяжении ряда сессий регулярно взаимодействовали с определенным контентом (товарами), экспортировать его в Optimize для персонализации интерфейса и всё ещё оставаться в рамках одной системы.
Пример учета показов материалов в RNS.online до перехода на сервис Kraken.
Например, в списке «Главное за сегодня» четыре материала. Если вас интересует CTR блока, то нужно средний CTR умножить на количество элементов в списке. Просмотр каждого материала добавляет +1 к просмотрам в рамках этого блока, четыре материала дают сразу +4, а клик будет всего один, стало быть, CTR искусственно занижен.
Интересно сравнивать эффективность одного и того же материала в различных списках. Не забывайте также передавать номер позиции материала в списке — это косвенно ответит на вопрос об оправданности длины подобных списков. И, разумеется, передавать факт показа материала или группы материалов только после реального попадания во вьюпорт (viewport — видимая часть окна браузера — vc.ru) при скролле.
Этот инструмент становится особенно незаменим, когда ваше издание проводит кардинальный редизайн и вам нужно иметь возможность быстро понять, как изменилась кликабельность блоков. Безусловно, для этого и старый, и новый сайт должны быть предварительно размечены сопоставимым образом.
Продолжим предложенную абстракцию «Продукт=Статья»: нас интересует воронка дочитывания статьи. Для описания этих взаимодействий хорошо подходит воронка из product-detail view → add-to-cart → checkout → transaction.
При необходимости можно добавить произвольное количество шагов чекаута, например, по факту прочтения части материала. Таким образом при загрузке страницы и попадании заголовка материала в видимую область мы будем передавать факт «добавления в корзину», по мере чтения 10-30-50% материала передавать отдельные шаги чекаута, а по факту дочитывания статьи до конца — транзакцию. В стоимости транзакции можно по умолчанию указывать 1 рубль или что-то более сложное.
Сразу же transactions per user очень сильно начинает напоминать метрику глубины, а revenue per user — LTV. Воронки расширенной электронной торговли поддерживают сегментацию, поэтому её можно разрезать по различным свойствам товаров (статей). Например:
- Автор материала.
- Количество дней от публикации до факта просмотра (давность).
- Наличие фото или видео.
- Рубрика.
- Присвоенные теги.
- Эмоциональная окраска статьи и тому подобное.
Пример 1
Пример 2
Консистентность SKU наших статей в различных методах обеспечивается за счет URL этих статей или даже уникального идентификатора конкретной статьи. Впрочем, никто не мешает сопровождать даже анонсы статей в блоках дополнительными data-атрибутами или использовать query time dimension widening по этому ключу, передавая все свойства материала из редакторской системы сайта.
Примечательно, что даже штатный механизм Related Products прекрасно себя чувствует на материалах, а не на товарах. Для установления взаимосвязи между материалами используются как сильные сигналы, такие как транзакции с продуктами (дочитывание до конца), так и более слабые сигналы, такие как просмотры карточек материалов и добавление их в корзину (начало чтения).
Для СМИ это возможность быстро получить неплохие контентные рекомендации (как базовые рекомендации при «холодном» старте).
Возвращаясь к тому, что может пригодиться в процессе настройки сбора данных, — это пользовательское время в сочетании с page Visibility API. Чаще всего об этом стоит задумываться технологически прогрессивным СМИ, использующим архитектуру SPA или PWA.
Тогда, несмотря на динамически обновляемый контент и подгрузку по мере скролла, вы сможете учитывать реально проведенное пользователем время с единицей вашего контента. Учитывая набирающую популярность текстовых динамически обновляемых трансляций в связи с определенными событиями, оба эти метода оказываются незаменимыми.
Не стоит забывать про отслеживание микроконверсий и иных взаимодействий, характеризующих вовлечение, — использование комментариев, социальных кнопок «Лайк» и «Поделиться» и так далее (в зависимости от существующей функциональности — хоть наведение на курсы валют на РБК).
Процедуры подписки
Это могут быть отдельные воронки вроде Goal Funnel. По факту оплаты вы можете слать самостоятельные покупки, но самое главное — это отделять в моменте ту аудиторию на сайте, которая, например, просто авторизована или авторизована и у нее оплачен конкретный тариф подписки.
Для придания пользователю таких свойств используются Custom dimension session и User scope. Например, авторизован пользователь или нет — это сессионная переменная. А платный он или бесплатный — уже user Scope custom dimension.
Пример 1
Пример 2
В сочетании с качественными методами исследования, такими как юзабилити-тестирование и дневниковое наблюдение, регулярно проводя триггерные опросы, можно действительно начать измерять и понимать аудиторию, а не только «чувствовать» её.
Все эти настройки позволяют сегментировать аудиторию и контент, соотносить их, сопоставлять, удовлетворять существующий спрос определенных сегментов, стремясь при этом обеспечить главную функцию по освещению обязательных инфоповодов.
Расширяя штат, увеличивая объем охватываемых инфоповодов или производительность редакции, вы сможете оценивать эффект от этих изменений по ряду не средних, а очень конкретных, сегментированных показателей, таких как процент отработанных материалов по теме или рубрике из общего информационного фона, доле новой аудитории, частоте возврата. В этих вопросах всё ещё очень многое зависит от интерпретации показателей, но их наличие чаще лучше их отсутствия.
Оставшиеся Custom dimensions всегда можно использовать для загрузки ответов, полученных из регулярных опросов аудитории, и получать массу полезной и не очень информации, например, насколько комфортно себя чувствуют представители тех или иных религиозных конфессий на вашем сайте. Достаточна ли глубина просмотра у тех, кто указал о себе высокий доход на члена семьи, действительно ли они потребляют ту информацию, которую вы для них пишете. Всё это очень важные вопросы, разумеется.
В итоге у вас всегда два пути — с каждым днем публиковать всё больше и больше котиков и расчлененки, пока растут CTR, или вспомнить о классической журналистике, соблюдении формата и нежелании стареть вместе со своей аудиторией.
Отчеты с реальными деньгами
При использовании пакета DoubleClick for Publishers Premium для планирования и открутки рекламы и Google Analytics 360 становится возможным «подружить» данные из этих двух систем, которые привяжут к страницам материалов данные о показах медийной рекламы с соответствующей прибылью для площадки.
Только при условии, что у вас уже размечены свойства материалов. Например, авторы: можно быстро получить отчет по реальным отгрузкам рекламы со страниц материалов конкретного автора, грубо говоря, сколько его публикация принесла изданию живых денег.
Для традиционных СМИ, в которых журналист не выбирает, о чем и как ему писать, подобная модель при использовании её «в лоб» позволит платить журналистам, освещающим непопулярные, но от этого не менее важные темы, сущие копейки.
Тем не менее, например, в глянце, подобный подход мог бы себя оправдать. Тем более, что в этом случае мерилом успеха является критерий наличия рекламодателей под производимый контент или под аудиторию, которая его потребляет, — будь то прямые продажи или сетки.
Возвращаясь к классическим изданиям и прямым размещениям: по крайней мере, из таких отчетов можно получать ряд инсайтов о том, как скорректировать таргетинг кампаний без потери охвата и с увеличением целевых метрик.
Оптимизация и A/B-тесты
Помимо отчетов, основная польза от такой интеграции на поверхности — возможность проводить контентные изменения на сайте СМИ, имея цель получить реальный доход со страницы и доход на пользователя и при этом не ущемляя права читателя и не спускаясь до желтых заголовков и других негативных приёмов.
В этом примере к интеграции GAP + DFP добавляется продукт Optimize 360
Теперь, помимо редакционных и аудиторных метрик, в ходе сплит-тестов можно ориентироваться на денежные показатели и проводить изменения, направленные, например, на повышение CTR рекламных мест и на монетизацию остаточного инвентаря.
Это хорошее дополнение к минимизации овербукинга по прямым продажам за счет штатной прогнозной модели DFP. Любимый вопрос всех СМИ — при каких обстоятельствах и как лучше встроить рекламные места в фотогалереи с высокой глубиной — наконец, обретает смысл.
Ну и, разумеется, это открывает новые просторы для оптимизации рекомендательных систем и персонализированных блоков, позволяя кастомизировать внешний вид сайта под разные аудитории, как завещали нам ребята из LAM в феврале 2013 года.
Монетизация собственных данных рекламодателя
Вторая внушительная польза, которую можно извлечь из интеграции двух продуктов, заключается в возможности использования поведенческих аудиторных сегментов из Google Analytics в качестве таргетинга рекламных кампаний в DFP.
Для ряда прямых сделок это незаменимый инструмент, позволяющий рекламодателям получать более релевантную аудиторию, а площадке — гранулированно и с наценкой продавать эту аудиторию.
Вторая большая часть подхода к оптимизации доходов — манипуляция с Prebid.js для оценки эффективности открытых аукционов. На момент написания этой статьи свежими считались следующие подходы: Prebid Analytics with Google Analytics и Streaming Prebid to Google BigQuery.
Заключение
Безусловно, остается ещё множество возможных точек приложения усилий — оптимизация работы редакции и редакторской системы, повышение скорости публикации материалов, повышение качества факт-чекинга, проверка на уникальность текста материалов, автоматические помощники по перелинковке с архивом, исследования информационного поля с агрегаторов и понимание своей роли в нем, вложения в серьезные рекомендательные системы и многое другое.
Инструменты позволяют перестать отталкиваться от экспертных мнений и добавить во все процессы факты и объективность.