Яндекс.Аудитории позволяют создавать сегменты не только на основе данных из Яндекса, но и использовать собственные данные. Например, выгрузить список контактов из CRM или ID мобильных устройств. В этой статье поговорим о распространенных ошибках загрузки файлов.
Яндекс.Аудитории помогают настроить показы рекламных объявлений на собственную аудиторию в Яндекс.Директе, Яндекс.Дисплее и ADFOX. Можно задавать сегмент по существующей базе и персонализировать предложения — познакомить клиентов с новым товаром, запустить кросс-продажи или найти похожих клиентов с помощью технологии Look-alike.
Чтобы маркетологу использовать инструментарий, потребуется подготовить файл со списком контактов и загрузить таблицу в Аудитории. Однако, загрузка часто сопровождается ошибками, решение которых не очевидно. Попробуем разобрать популярные ошибки и подготовить файл к загрузке.
Какие ошибки загрузки файлов встречаются
Встречаются две ошибки при загрузке списка с электронными адресами и телефонами:
- Ошибка валидации заголовка в файле CRM сегмента;
- Количество корректных уникальных элементов меньше, чем 1000.
В первом случае предупреждение возникает когда некорректно указан разделитель столбцов или используется неверный формат заголовков столбцов. В записи должно быть хотя бы одно из полей phone или email, а поля записи отделяются друг от друга запятой.
Вторая ошибка более очевидна — загружаемый на сервер документ не соответствует требованием по количество контактов. Исправить проблем легко — нужно расширить число телефонов или эмейлов клиентов до 1 тысячи или более.
В любом случае — перед отправкой файла внимательно проверьте, соответствует ли документ основным рекомендациям Яндекса.
Какие требования Яндекс предъявляет к файлам
Требования к файлам Яндекс описал в официальной справке. Коротко перечислим их и мы:
- Формат файла — CSV;
- Максимальный размер — 1 Гб;
- Требования к формату записей: в первой строке указываются названия полей, отделенные запятой;
- Обязательные поля в записях: phone или email;
- Количество записей — от 1000;
- Кодировка файла — UTF-8 или Windows-1251.
Не забывайте, что в номере телефона нельзя использовать пробелы и дополнительные символы, а в поле email запрещается использовать прописные буквы — используйте только строчные.
Как должен выглядеть правильный список контактов
Правильная таблица с контактами состоит из двух столбцов — phone и email. В номерах телефона запрещено использовать «+», пробелы и круглые скобки, а электронные адреса обязательно в нижним регистре.
Посмотрите на пример таблицы — два столбца с данными.
Список должен быть сохранен в формате CSV (разделители — запятые). Такой формат можно выбрать в Excel при сохранении файла.
Однако не все так просто — в Windows файл часто сохраняется по каким-то собственным правилам: в качестве разделителя вместо запятой ставится точка с запятой. Подмена настраивается на уровне операционной системы. Поэтому загрузка завершается неудачей — мы видим надпись «Ошибка валидации заголовка в файле CRM сегмента».
Как исправить ошибку валидации заголовка в файле CRM сегмента
Исправить ошибку можно двумя способами. Первый способ потребует изменений в настройках формата числа операционной системы, во второй случае можно отредактировать поля с помощью блокнота.
Первый вариант устранения проблемы на Windows 10 записан на скринкасте. Ниже найдете подробный путь до нужных настроек.
- В Windows 10: Настройка языка → Дата и время → Формат даты, времени и региона → Дополнительные параметры даты и времени → Изменение форматов даты, времени и чисел → Дополнительные параметры.
- В Windows 7: Панель управления → Часы, язык и регионы → Изменение форматов даты, времени и чисел → Дополнительные параметры.
В поле Разделитель элементов списка вместо точки с запятой укажите запятую и примените настройки.
После сохранения вернитесь к исходному файлу с контактами и пересохраните файл в CSV формате еще раз. Если все хорошо, то загрузка списка на сервер Яндекса пройдет без ошибок.
Если же метод не помог и ошибка никуда не делась, то рекомендую открыть документ программой Notepad++ (или стандартным блокнотом Windows) и проверить корректность написания заголовков и разделителей столбцов.
На скриншоте заголовок первого столбца содержит кавычки — удаляем их и сохраняем изменения.
Не забудьте перепроверить корректность разделения столбцов. Во всех строках значения должны разделяться только запятой, но никак не точкой с запятой.
Если все верно, то сохраняйте файл с данными и загрузите ещё раз в Аудитории. Уверен, что теперь все получится.
Загрузить список в формате XLSX получится?
К сожалению, нет. Формат файлов табличного типа XLSX не подойдет для загрузки контактов в Яндекс.Аудитории. Причины очевидны:
- CSV — это стандарт сохранения табличной информации в текстовый файл с разделителями;
- CSV не имеют ограничений по строкам, а вот Excel позволит записать не более 1 миллион строк данных;
- Файлы в CSV могут быть открыты и прочитаны машинами, а также любым текстовым редактором, с XLSX такое невозможно;
- CSV не могут содержать форматированные данные и прочую информацию помимо самих данных.
Заключение
Статья получилась объемной, поэтому в заключение выделю главные правила работы со списками в Яндекс.Аудиториях.
- Внимательно проверяйте заголовки и разделители между значениями в строках;
- Если список готовите в Excel, то для сохранения файла выберите формат CSV (разделители — запятые);
- Проверьте настройки формата разделителя числа в вашей ОС, возможно операционная система по умолчанию проставляет точку с запятой;
- Если проблема не решается — откройте файл блокнотом или Нотпадом и проверьте корректность оформление таблицы;
- Для загрузки используйте формат CSV, а не XLSX.
Надеюсь, что материал оказался полезным. Если остались вопросы, то пишите в комментариях ниже. И не забывайте делиться ссылкой с коллегами.
Что важного в диджитал на этой неделе?
Каждую субботу я отправляю письмо с новостями, ссылками на исследования и статьи, чтобы вы не пропустили ничего важного в интернет-маркетинге за неделю.
Узнать подробнее →
Статьи по теме:
- Как ограничить показы объявлений в конкретном регионе с «Расширенным географическим таргетингом» в Яндекс.Директ
- Как отслеживать видео с помощью Google Analytics и Google Tag Manager
- Как заработать 15 миллионов рублей с помощью стратегии роста Account Based Marketing
- Как перенести ресурс Google Analytics из одного аккаунта в другой
- Как конвертировать отчеты AdWords в Google Таблицы
Метки #инструменты, #реклама
Руководство подготовлено в 2018 году на основе ролика Никиты Кравченко из eLama.
В ноябре 2022 года мы обновили статью:
- Добавили актуальные скриншоты.
- Обновили данные о требованиях. Раньше Яндекс Аудитории требовали не менее 1000 записей для создания сегмента, теперь достаточно 100 записей.
- Создаем сегмент
- Загружаем файл в систему
- Исправляем ошибку валидации заголовка
- Несколько рекомендаций по использованию данных CRM
Создаем сегмент
Для создания сегмента понадобится файл с контактами клиентов. Он должен соответствовать требованиям:
-
формат CSV;
-
разделители — запятые;
-
в первой строке пишутся названия столбцов: phone и email;
-
в каждой строке можно разместить запись об одном клиенте;
-
формат номера телефона — 79657777777 для российских номеров, для других стран семерка в начале номера меняется на соответствующую цифру, начинать номер с восьмерки или со знака «+» нельзя;
-
формат email — hello@ppc.world, использование заглавных букв не допускается.
Теперь согласно этим требованиям создаем таблицу в Excel.
Сохраняем таблицу в формате «CSV (разделители — запятые)».
Загружаем файл в систему
Переходим в Яндекс Аудитории, нажимаем «Создать сегмент» — «Данные CRM».
Даем название сегменту, загружаем нужный файл и ставим чекбоксы.
Нажимаем «Создать сегмент». Если всё верно, он отправится на обработку, обычно она занимает не более двух часов. После обработки вы увидите охват сегмента, тип данных («Данные CRM») и статус «Готов». Охват может быть больше, чем количество записей в файле. Это связано с тем, что показатель отражает количество анонимных идентификаторов пользователей. У одного пользователя может быть несколько устройств и несколько браузеров, а подсчет охвата производится по файлам cookie.
Если в файле менее 100 записей, система вам об этом сообщит.
Но система может выдать и другую ошибку. Разберемся с ней.
Исправляем ошибку валидации заголовка
Сообщение об ошибке выглядит так:
Почему она возникает? Дело в том, что в большинстве систем Windows в Российской Федерации при сохранении файла в формате «CSV (разделители — запятые)» сохраняется не запятая, а точка с запятой.
Проверьте это, открыв файл в программе «Блокнот». Скорее всего вы увидите эту ошибку — точку с запятой вместо обычной запятой.
Ошибку можно поправить вручную в файле или изменить системные настройки.
Для второго варианта зайдите в «Настройки языка» в своем компьютере.
Затем перейдите в раздел «Сопутствующие параметры» — «Форматы даты, времени и региона».
После этого переходим в «Региональные параметры» — «Региональные стандарты».
В разделе «Региональные стандарты» находим пункт «Дополнительные параметры».
Здесь нас интересуют два выделенных пункта.
Меняем разделитель — вместо точки с запятой ставим запятую. Также нужно поменять разделитель целой и дробной части, иначе запятая будет использоваться в обоих выделенных пунктах и система не сможет работать корректно. Вместо запятой ставим точку. Сохраняем изменения нажав «Применить» — OK.
Снова заходим в Excel, сохраняем тот же файл в формате «CSV (разделители — запятые)». Проверяем файл в «Блокноте».
Теперь все отображается корректно. Переходим в Яндекс Аудитории, загружаем файл и создаем сегмент.
Несколько рекомендаций по использованию данных CRM
Вот несколько простых правил, которые помогут сделать работу с данными CRM более эффективной.
-
Пополняйте базу: собирайте контакты пользователей на сайте, в соцсетях и офлайн. Как? Читайте в нашем материале.
-
По возможности сегментируйте базу. Так вы сможете создать более персонализированное предложение.
-
Выбирайте сегменты в качестве аудиторий ретаргетинга для показа в РСЯ.
-
Задавайте корректировки ставок по сегментам на поиске или в РСЯ. Для этого нужно создать в Директе аудиторию ретаргетинга на основе этого сегмента, а затем при настройке кампаний задать корректировку. Например, можно задать корректировку −100% для пользователей, которые уже совершили покупку, чтобы не показывать им рекламу.
-
Создавайте похожие сегменты. Это можно сделать в Яндекс Аудиториях, выбрав «Похожий сегмент» и указав сегмент на основе данных CRM в качестве исходного.
Подпишитесь, чтобы получать полезные материалы о платном трафике
Загрузка данных CRM (телефонов) в Яндекс.Аудитории за 84 секунды
В этой статье я рассказываю (и показываю на видео), как с помощью макроса Excel нормализовать базу телефонных номеров и загрузить сегмент в Яндекс.Аудитории за 84 секунды.
Давайте представим ситуацию. У вашего заказчика есть база клиентов. От вас он узнал, что в Яндекс.Директ есть инструмент, который позволяет показывать данной аудитории рекламу с уникальным предложением. Вы приняли решение ее запустить.
Заказчик предоставил вам файл, в котором все номера имели разный формат: где-то с +7, где-то с пробелами, два телефона в строке, дополнительные символы в виде ?, ; и т.д., а к некоторым даже были текстовые подписи (имена, комментарий).
Пример неотформатированной базы клиента
База насчитывает 10 000+ телефонных номеров. И для того, чтобы запустить ретаргетинг по файлу, нужно сначала создать сегмент, а перед этим очистить список от лишних символов, поскольку Яндекс имеет четкие требования по загружаемым файлам в Яндекс.Аудитории.
Что же делать в таком случае? Использовать Excel? Находить, заменять, удалять? Как вариант. Но есть более простое решение, которое позволяет нормализовать базу телефонных номеров для последующей загрузки в 2 клика. И это макрос Excel.
Что он умеет?
Получайте бесплатные уроки и фишки
По контекстной, таргетированной рекламе и аналитике
Источник
Яндекс.Аудитории: что это и как использовать?
Яндекс.Аудитория — это инструмент для сбора аудитории для рекламных кампаний на основе онлайн- или офлайн-данных.
Что такое Яндекс.Аудитории и что они могут?
Данный инструмент позволяет создавать сегменты и аудитории для ремаркетинга, которую в последующем можно будет использовать в рекламных кампаниях Яндекс.Директа. Сервис в качестве источника использует:
Создание сегмента на основе данных CRM в Яндекс.Аудитори
Для того, чтобы создать аудиторию понадобиться посетить сайт audience.yandex.ru после чего входим свой Яндекс.Аккаунт или же создаем новый.
Далее кликаем на «Создать сегмент» и выбираем «Данные CRM».
Теперь понадобиться дать название сегменту и при необходимости поставить галку возле Хэшированные данные. Последняя настройка позволяет зашифровать данные.
После этого понадобиться загрузить файл, который состоит из следующих данных:
Представленный список можно выгрузить из CRM системы, а скачать пример файла можно по кнопке ниже.
Важно! Минимальное количество записей в файле 1000 строк.
После загрузки файла система начнет подсчет.
Важно! Чем больше строчек будет в файле, тем дольше обрабатывается файл. В среднем несколько часов.
В итоге мы получаем готовый сегмент, а также указан «Охват».
Создание списка ремаркетинга при помощи ID мобильных устройств
В списке выбираем «ID мобильных устройств», после чего даем название новому сегменту, а после загружаем файл, содержащий идентификаторы сотовых телефонов.
После этого система также начнет обрабатывать данные и в итоге покажет охват.
Использование данных Метрики для создания сегмента в Яндекс.Аудитории
После выбора «Яндекс.Метрика» следует определиться с нужным счетчиком.
Далее нужно подобрать способ, на основе которого будет собираться аудитория, среди них:
Геолокации: окружности и полигоны
Для использования инструмента нужно использовать окружности или полигоны.
Окружность позволяет задать следующие данные:
Полигон дает возможность задать:
В дальнейшем при помощи созданных данных на основе геолокации можно будет сделать корректировку в Яндекс.Директе.
Сегмент на основе пикселя в Аудитории
Пиксель позволяет собирать идентификаторы пользователей, которые увидели баннер на поиске или креатив медийной кампании.
Для этого переходим во вкладку «Пиксели» и кликаем на «Создать пиксель».
Далее задаем ему название и получаем код.
Теперь потребуется его встроить данный пиксель в рекламную кампанию на уровне создания группы объявлений.
Как дать доступ к аудитории
Как только аудитория будет сформирована можно предоставить к ней доступ кликнув на «троеточие» и выбрав «Настроить доступ».
Вводим логин для яндекс.аккаунта и нажимаем на «Выдать доступ».
Теперь данный логин уже будет во вкладке «Доступы».
Важно! Подтверждать отправленный доступ не требуется, как и случае с Метрикой, аудитория будет добавлена в интерфейс Аудиторий автоматически.
Функция Look-a-Like в Яндекс.Аудиториях
Функция Look-a-Like (похожая аудитория) позволяет найти по своему поведению аналогичных пользователей, которым могла бы быть показана реклама.
Для этого кликаем на «троеточие» возле нужной нам аудитории и в выпавшем списке выберем «Сегмент похожих пользователей».
Запускаем сбор данных.
Как использовать данные из Яндекс.Аудитории в Яндекс.Директе
Чтобы задать корректировки на пользователей, собранных через Яндекс.Аудитории потребуется в Яндекс.Директе перейти в «Библиотеку»-«Ретаргетинг и аудитории».
Далее создаем «Новое условие».
Задаем название (необходимо для навигации) и в наборе правил в качестве данных выбираем «Сегмент Аудиторий».
Теперь выбираем нужный список пользователей.
Теперь переходим в параметры рекламной кампании в Яндекс.Директе.
Выбираем пункт «Корректировка ставок».
Добавляем «Новую корректировку».
Выбираем созданную до этого аудиторию.
После выбираем повышающий или понижающий коэффициент с его значением.
Сохраняем все настройки после чего можно будет проверить изменения в рекламных кампаниях, например, изменение:
Источник
Яндекс.Аудитории: инструкция по применению
На конференции по маркетингу «Yet another Conference on Marketing 2016» в июне Яндекс впервые анонсировал свой новый сервис — Яндекс.Аудитории.
С помощью этого сервиса можно создавать сегменты для контекстной рекламы на основе списков контактных данных клиентов. Рекламодатели могут выборочно настроить ретаргетинг по сегментам своей клиентской базы. В качестве исходных данных сервис принимает email-адреса, телефоны и идентификаторы устройств.
Стоит отметить, что Яндекс не был первооткрывателем сервиса с подобными возможностями. До Яндекса в Рунете такие же возможности представляли сервисы размещения таргетированной рекламы в ВКонтакте, Одноклассники и Facebook, причем последний сервис позволяет находить схожие аудитории.
Однако каждый из сервисов ограничен размером собственной аудитории. К примеру, настраивая таргетированную рекламу в ВКонтакте, можно охватить только тех пользователей, которые присутствуют в этой социальной сети.
В этом плане Яндекс.Аудитории открыли для рекламодателей возможности охвата еще большей аудитории. Рекламные объявления, настроенные на сегменты из сервиса, будут показываться на всех площадках РСЯ и в поисковой выдаче Яндекса.
Когда стоит использовать Яндекс.Аудитории
Как работают Google Аудитории, мы рассказывали в прошлой статье, а теперь давайте разберемся с сервисом от Яндекса и узнаем, как настроить рекламу по основным сегментам.
Загрузка сегментов в Яндекс.Аудитории
Заходим в сервис Яндекс.Аудитории и нажимаем на кнопку «Создать сегмент».
Далее перед нами выпадает список вариантов для загрузки сегментов.
Выбираем нужный нам сегмент. Предлагаю разобрать основные из них.
Сегменты на основе данных в Яндекс. Аудиториях:
Сегмент на основе данных из CRM
Если ваш сайт интегрирован с CRM-системой и у вас уже есть контактные данные клиентов —настроить на них показы рекламных объявлений будет хорошей идеей.
Единственное ограничение — у вас должно быть минимум 100 контактных записей: номера мобильных телефонов или email.
Как настроить?
Готово! Ваша аудитория отправилась на обработку. Этот процесс может длиться от 2 часов до 2 дней. Запаситесь терпением.
Для чего это можно применить?
Для работы с действующими клиентами. Оповещать их о:
Сегмент на основе ID мобильных устройств
Процесс создания аудитории такой, как и с данными из CRM. С требованиями для загрузочного документа можете ознакомиться по ссылке.
Для чего можно применить?
Для работы с действующими клиентами. Оповещать их о:
Сегмент на основе данных из Яндекс.Метрики
Чтобы создать данный сегмент, к вашему сайту должна быть подключена Яндекс.Метрика для сбора данных о поведении пользователей.
Как настроить?
Вам доступно три способа создания аудиторий для сегмента:
Сегмент на основе данных AppMetrica
Если вы продвигаете приложение — обязательно установите на него счетчик AppMetrica. Это как Яндекс.Метрика, только для приложений.
Сервис AppMetrica выполняет следующие действия:
Как настроить?
Для чего можно применить?
Для взаимодействия с людьми, которые пользуются вашим мобильным приложением. Какие плюсы дает:
Сегмент на основе геолокации
Для кого?
Для локального бизнеса:
Как настроить?
Выбираете сегмент на основе геолокации. После система предложит вам выбрать тип геолокации.
Если выбрать окружность
Используйте, если вы хотите показывать рекламные объявления в радиусе N км от вашего магазина / розничной точки.
Если выбрать полигон
В данном случае, выбранная площадь должны быть не больше 10 кв. км. Данный сегмент позволяет более точно указать места пребывания вашей аудитории.
В настройках сегмента укажите, как аудитория связана с местоположением:
Сегмент на основе пикселя Яндекс. Аудитории
Этот способ создания сегмента подойдет тем рекламодателям, которые используют медийную рекламу в Яндекс.Директе или Яндекс.Дисплее. Данный вид рекламы направлен на охват и увеличение узнаваемости вашего бренда. Вы будете платить на за клики, а за показы рекламных объявлений.
Что такое пиксель?
Это код, который отслеживает аудиторию медийной рекламы. Он собирает анонимные данные о пользователях, которые смотрели рекламные объявления. В дальнейшем эти данные можно использовать для детальной настройки рекламы.
Как настроить?
Похожий сегмент
Для всех загружаемых сегментов Яндекс.Аудитории можно создать сегмент похожих пользователей. Он будет состоять из людей, которые по поведению и характеристикам близки к исходному сегменту.
Как настроить?
Как использовать сегменты в рекламе
Тут вам нужно перенести аудиторию из сервиса Яндекс.Аудитории в рекламный кабинет.
В данном случае мы используем геосегмент с повышающей корректировкой, чтобы поисковые объявления имели хорошие позиции для людей в шаговой доступности относительно магазина клиента и не распылять рекламный бюджет на тех, кто не готов ехать из отдаленных районов Москвы.
Выводы
Сервис Яндекс.Аудитории уже доказал свою эффективность на практике. Рекламные кампании, настроенные на определенные сегменты, действительно показывают хорошие результаты. С помощью данного сервиса можно контактировать с офлайн-клиентами, настраивать таргетированную рекламу на группы сегментов из клиентской базы, привлекать новых посетителей, заинтересованных в ваших услугах и товарах.
Хотите попробовать Яндекс.Аудитрии, но не знаете, как применить? Или нет идей для увеличения продаж? Закажите аудит рекламной кампании — укажем и расскажем про все действующие недочеты, предложим способы увеличения целевых действий на сайте.
Источник
О чем вы хотите спросить?
Если вы не нашли нужную информацию в других разделах Справки, выберите из списка ниже тему интересующего вас вопроса.
Не могу найти счетчик или приложение при создании сегмента
Если при создании сегмента в выпадающем списке вы не нашли нужный счетчик Яндекс.Метрики или приложение AppMetrica, убедитесь, что они находятся на том же логине, что и Аудитории. Возможно, нужные счетчик или приложение принадлежат другому пользователю, и он ограничил доступ к ним. Проверьте и запросите доступ, если это необходимо.
Не могу создать сегмент
Если на вашем логине 1000 или больше сегментов на основе данных о геолокации и меньше 5% из них используются для нацеливания в Директе, создание геосегментов будет недоступно. Удалите неиспользуемые сегменты.
В загруженном файле более 100 записей, но у сегмента статус «Мало данных»
Статус готового сегмента изменился на «Мало данных»
Статус готового сегмента изменился на «Неактивен»
Сегмент исчез из списка
Сегмент, к которому вам предоставили доступ, может исчезнуть из списка, если владелец сегмента удалил его или отозвал доступ к нему. Обратитесь к владельцу сегмента.
Охват пикселя не изменяется
Если охват пикселя c течением времени не изменяется, проверьте, идут ли показы баннеров, содержащих пиксель, в Яндекс.Директе. Также убедитесь, что код пикселя был вставлен корректно. В Аудиториях найдите нужный пиксель и сравните его код с тем, который указан при настройке баннера. Коды пикселей должны совпадать.
Убедитесь, что сегмент на основе пикселя используется хотя бы в одной рекламной кампании в Яндекс.Директе. Иначе охват пикселя не пересчитывается.
Охват сегмента не изменяется
Если охват сегмента с течением времени не изменяется, убедитесь, что сегмент или созданный на его основе сегмент похожих пользователей используется хотя бы в одной рекламной кампании в Яндекс.Директе. Иначе охват сегмента не пересчитывается.
Как узнать, из каких пользователей состоит сегмент DMP и как он был собран?
В строке сегмента указана DMP, предоставившая его. Обратитесь к представителям DMP за подробной информацией о сегменте.
Другие вопросы
Если вы не нашли ответа на свой вопрос, напишите нам через форму ниже.
Источник
Что делать, если не получается загрузить данные CRM в Яндекс.Аудитории
София Гаитбаева ppc.world (до 2021 года)
При загрузке сегмента «Данные из CRM» в Яндекс.Аудитории рекламодатели часто сталкиваются с проблемой. Система не дает загрузить файл и выдает причину — «Ошибка валидации заголовка в файле CRM сегмента». В этом небольшом руководстве на основе ролика Никиты Кравченко из eLama объясняем, как исправить ошибку и правильно загрузить файл для создания сегмента «Данные из CRM» в Яндекс.Аудитории.
В марте 2018 года Яндекс объединил сегменты «Адреса электронной почты» и «Номера мобильных телефонов» для Яндекс.Аудиторий в один — «Данные из CRM». Это позволяет сократить время на создание файла, так как теперь не нужно формировать два отдельных списка, всю информацию можно загрузить в один файл. Также благодаря тому, что в файле теперь больше данных, рекламодателю проще набрать минимальный охват — 1000 записей.
Читайте и смотрите по теме:
Готовим файл для загрузки
Для создания сегмента понадобится файл с контактами клиентов. Он должен соответствовать требованиям:
в первой строке пишутся названия столбцов: phone и email;
в каждой строке можно разместить запись об одном клиенте;
формат номера телефона — 79657777777 для российских номеров, для других стран семерка в начале номера меняется на соответствующую цифру, начинать номер с восьмерки или со знака «+» нельзя;
формат email — [email protected], использование заглавных букв не допускается.
Теперь согласно этим требованиям создаем таблицу в Excel.
Сохраняем таблицу в формате «CSV (разделители — запятые)».
Загружаем файл в систему
Переходим в Яндекс.Аудитории, нажимаем «Создать сегмент» — «Данные CRM».
Даем название сегменту, загружаем нужный файл и ставим чекбоксы.
Нажимаем «Создать сегмент», и, казалось бы, все должно работать. Но система выдает такую ошибку.
Почему возникает эта ошибка? Дело в том, что в большинстве систем Windows в Российской Федерации при сохранении файла в формате «CSV (разделители — запятые)» сохраняется не запятая, а точка с запятой.
Проверьте это, открыв файл в программе «Блокнот». Скорее всего вы увидите эту ошибку — точку с запятой вместо обычной запятой.
Исправляем ошибку
Зайдите в «Настройки языка» в своем компьютере.
Затем перейдите в раздел «Сопутствующие параметры» — «Форматы даты, времени и региона».
После этого переходим в «Региональные параметры» — «Региональные стандарты».
В разделе «Региональные стандарты» находим пункт «Дополнительные параметры».
Здесь нас интересуют два выделенных пункта.
Меняем разделитель — вместо точки с запятой ставим запятую. Также нужно поменять разделитель целой и дробной части, иначе запятая будет использоваться в обоих выделенных пунктах и система не сможет работать корректно. Вместо запятой ставим точку. Сохраняем изменения нажав «Применить» — OK.
Снова заходим в Excel, сохраняем тот же файл в формате «CSV (разделители — запятые)». Проверяем файл в «Блокноте».
Теперь все отображается корректно. Переходим в Яндекс.Аудитории, загружаем файл и создаем сегмент. Если в файле не менее 1000 записей, система не выдает ошибку и загружает сегмент. Он отправится на обработку, обычно она занимает не более двух часов.
Если в файле менее 1000 записи, система вам об этом сообщит.
После обработки сегмента вы увидите охват сегмента, тип данных («Данные CRM») и статус «Готов». Охват может быть больше, чем количество записей в файле. Это связано с тем, что показатель отражает количество анонимных идентификаторов пользователей. У одного пользователя может быть несколько устройств и несколько браузеров, а подсчет охвата производится по файлам cookie.
Несколько рекомендаций по использованию данных CRM
Вот несколько простых правил, которые помогут сделать работу с данными CRM более эффективной.
Пополняйте базу: собирайте контакты пользователей на сайте, в соцсетях и офлайн. Как? Читайте в нашем материале.
По возможности сегментируйте базу. Так вы сможете создать более персонализированное предложение.
Выбирайте сегменты в качестве аудиторий ретаргетинга для показа в РСЯ.
Задавайте корректировки ставок по сегментам на поиске или в РСЯ. Для этого нужно создать в Директе аудиторию ретаргетинга на основе этого сегмента, а затем при настройке кампаний задать корректировку. Например, можно задать корректировку −100% для пользователей, которые уже совершили покупку, чтобы не показывать им рекламу.
Создавайте похожие сегменты. Это можно сделать в Яндекс.Аудиториях, выбрав «Похожий сегмент» и указав сегмент на основе данных CRM в качестве исходного.
Источник
—>
-
Главная
-
Яндекс. Обучение рекламным технологиям
-
Яндекс.Аудитории: как использовать свои данные о клиентах для таргетинга рекламы в Директе
Яндекс.Аудитории: как использовать свои данные о клиентах для таргетинга рекламы в Директе
Просмотров: 32 240
Яндекс. Обучение рекламным технологиям
06 июля 2016
Сейчас смотрят
00:05:36
Яндекс. Обучение рекламным технологиям
СМОТРЕТЬ
6 лет назад
32 240 просмотров
Яндекс.Аудитории: как использовать свои данные о клиентах для таргетинга рекламы в Директе
00:26:03
AndroidHowTo
СМОТРЕТЬ
3 года назад
8 179 просмотров
Update Samsung Galaxy J7 Prime SM-G610Y to Android 7.0 Nougat
00:10:30
Dreamedia Home Theater
СМОТРЕТЬ
3 года назад
680 432 просмотров
MUST SEE! Screen Innovations 133″ 2.35 Cinescope Black Diamond -Unboxing, Assembly, and Installation
00:21:42
Konstantin Andropov
СМОТРЕТЬ
1 год назад
5 491 просмотров
ЧТО ОНИ ПОЙМАЮТ? Взяли детей на зимнюю рыбалку… Слезы и радость отцов!
Смотрите далее
Популярные видео
Редакция. News: 49-неделя
22 часа назад
ОТВЕТ НЕКОГЛАЮ
18 часов назад
🔥В этой стране Айфон У ВСЕХ😱
23 часа назад
1,000 Blind People See For The First Time
1 день назад
VW отключает сервисы в РФ | Кларксона отменяют | Провал системы краш-тестов
23 часа назад
Испытание новых зубов Крокодила дантиста!
1 день назад
КАРБОНАРА ИЗ ДОШИРАКА — РЕЦЕПТ ПАСТЫ ОТ ДЖАВИДА
18 часов назад
TEAM SPIRIT – ЗАПРЕТИ МНЕ
22 часа назад
Учусь Крутить Мяч На Пальце #shorts #basketball #баскетбол #трюки
21 час назад
Алексей Ковальков — какие диеты не работают и какая еда успокаивает? Как не поправиться на стрессе?
23 часа назад
😰Майнкрафт, но Мы ПРОКАЧАЛИ ТНТ! x @FixPlayMinecraft
21 час назад
Лучший мод (Teardown)
1 день назад
Готовлю по этим рецептам много лет и других не ищу! Торт МУРАВЕЙНИК — ТРИ лучших рецепта!
23 часа назад
Как потерять много миллионов на одной покупке?Я купил BMW Х5М.
19 часов назад
Скупил ВСЕ ЛОТЕРЕЙНЫЕ БИЛЕТЫ на Почте России! Сколько денег я выиграл?
23 часа назад
Copyright ©
Video-muzika.ru
На нашем портале вы можете посмотреть самые популярные и свежие ролики за 2019 год
info@video-muzika.ru Почта для обратной связи , жалоб и предложений
×
Анализ домена: отчет
В сервисе подбора ключевых слов по домену сайта-конкурента доступен выбор нескольких регионов: Россия, Москва, Санкт-Петербург и Киев. Этот выбор определяет выдачу, т.е. количество найденных результатов и позицию по ключевому слову в выбранном регионе Яндекса или Google.
Если нужного вам города в списке нет, но при этом ваша цель – собрать как можно больше слов, то в качестве региона выбирайте Москву. Но если сайт украинский, то в качестве региона лучше выбрать Киев.
Для каждого из слов и словосочетаний в списке есть дополнительная информация:
- количество поисковых результатов Яндекса или Google,
- количество слов (отсутствует в интерфейсе, но есть в скачиваемой таблице),
- количество символов (отсутствует в интерфейсе, но есть в скачиваемой таблице),
- широкая частотность (слово1 слово2) по региону Яндекса «Весь мир»,
- точная частотность («!слово1 !слово2») по региону Яндекса «Весь мир»,
- лучшая позиция каждого домена в Яндексе или в Google по данному слову.
Списки ключевых слов для домена (livejournal.com) и субдомена (blog.livejournal.com) того же сайта будут различаться. При анализе субдомена список будет включать только те словосочетания, по которым находится субдомен, а при поиске домена в список входят слова, как для домена, так и для его субдоменов.
Попробуйте решить задачу — дан список, содержащий 100 триллионов элементов. Элементы в списке могут повторяться. Необходимо оценить количество уникальных элементов в этом списке. Методы точного подсчета уникальных элементов не подходят, т.к. они требуют слишком много дополнительной памяти — ее количество должно быть пропорционально количеству уникальных элементов в списке. Вначале рассмотрим основные методы точного подсчета уникальных элементов, чтобы понять, зачем им нужно столько много дополнительной памяти. Затем рассмотрим один из простейших методов оценки количества уникальных элементов, который требует существенно меньше дополнительной памяти.
Основные методы точного подсчета уникальных элементов в списке.
- Метод множеств. Записываем все элементы в структуру данных типа «множество», пропуская дупликаты, после чего подсчитываем количество элементов в множестве. Очевидно, этот метод требует много памяти. Также скорость работы этого метода мгновенно падает в 10000 раз, как только уникальные элементы множества перестают помещаться в оперативную память.
- Метод битовых карт. Этот метод подходит лишь для элементов, чьи значения могут быть представлены целыми числами в ограниченном диапазоне. Если мы знаем максимально возможное значение элемента в списке (Nmax), то мы можем создать битовую карту, содержащую Nmax битов. Затем проходимся по всем элементам списка, устанавливая соответствующий бит в карте для каждого элемента. После этого подсчитываем количество установленных битов. Хотя этот метод требует меньше памяти, чем метод множеств — в лучшем случае требуется всего лишь один бит на каждый уникальный элемент, методу битовых карт может потребоваться слишком много памяти для больших Nmax. Он также начинает тормозить, когда битовая карта перестает помещаться в оперативной памяти.
- Метод сортировки. Сортируем все элементы, после чего проходимся по отсортированному списку, подсчитывая лишь уникальные элементы и пропуская дубликаты. С первого взгляда этот метод кажется тормозным — ведь все знают, что любая сортировка сравнением работает медленнее, чем создание хэш-таблицы или битовой карты (сортировка сравнением для n элементов в лучшем случае требует O(n*ln(n)) операций, в то время как создание множества из тех же элементов на основе хэш-таблиц требует O(n) операций). Но у метода подсчета уникальных элементов с помощью сортировки есть два важных преимущества:
- Существуют эффективные методы сортировки, способные быстро сортировать списки элементов, не умещающиеся в оперативную память. Вот два основных алгоритма быстрой сортировки списков, не умещающихся в оперативную память:
- Разбить список на части, умещающиеся в оперативной памяти; быстро отсортировать эти части, после чего соединить отсортированные части в один отсортированный список, используя n-way merge. Очевидно, что различные части списка могут быть отсортированы параллельно. Это позволяет существенно уменьшить суммарное время, необходимое на сортировку. Основное преимущество этого алгоритма — его вычислительная сложность не зависит от порядка элементов в списке. Этот алгоритм обычно используется программах, ориентированных на работу на одном компьютере. Напирмер, для реализации SELECT COUNT(DISTINCT *) в СУБД.
- Мысленно разделить список на N равных частей, чтобы каждая часть умещалась в оперативную память; выбрать из списка N-1 случайных элементов, отсортировать их и поместить в список A (для выборки случайных элементов из большого списка можно воспользоваться алгоритмом «reservoir sampling»); дополнить список A спереди элементом «минус бесконечность» и сзади элементом «плюс бесконечность»; разделить начальный список на N частей, чтобы каждая часть содержала только элементы со значениями в пределах [A[i] … A[i+1]); отсортировать каждую часть, помещающуюся в память; если какая-нибудь часть не помещается в память, то рекурсивно применить для нее этот же алгоритм. После того, как все части отсортированы, соединить их в один отсортированный список. Данный алгоритм сортировки на практике работает быстрее первого алгоритма, т.к. в нем почти все операции могут быть выполнены параллельно. Но у него есть один недостаток — его вычислительная сложность зависит от качества выборки случайных элементов. В худшем случае его скорость может упасть до O(n^2). Этот алгоритм обычно используется в программах, ориентированных на параллельную работу на нескольких компьютерах. Например, в MapReduce.
- При подсчете элементы в отсортированном списке посещаются последовательно. Это в 10000 раз быстрее, чем поиск случайного бита в битовой карте или поиск случайного элемента во множестве, если соответствующие структуры данных не помещаются в оперативную память. К тому же подсчет уникальных элементов в отсортированном списке может быть элементарно распараллелен.
Несмотря на существенное преимущество в скорости при подсчете большого количества уникальных элементов, метод сортировки все равно требует большое количество дополнительной памяти, которое пропорционально количеству элементов в списке.
- Существуют эффективные методы сортировки, способные быстро сортировать списки элементов, не умещающиеся в оперативную память. Вот два основных алгоритма быстрой сортировки списков, не умещающихся в оперативную память:
Методы оценки количества уникальных элементов в большом списке.
На практике иногда достаточно знать примерное количество уникальных элементов с некоторой погрешностью. Для таких случаев существуют быстрые алгоритмы, которым необходимо намного меньше дополнительной памяти по сравнению с алгоритмами, упомянутыми в предыдущем разделе. Рассмотрим один из таких алгоритмов.
Для каждого элемента списка вычисляется значение хэш-функции, удовлетворяющей следующим условиям:
- Количество различных значений хэш-функции должно превышать ожидаемое количество уникальных элементов, чтобы минимизировать количество хэш-коллизий, когда различные элементы имеют одинаковое значение хэш-функции. В идеальном случае все элементы должны иметь различные значения хэш-функции. Это условие необходимо для того, чтобы количество уникальных элементов в списке могло быть оценено, как количество уникальных хэш-значений.
- Хэш-значения для элементов из списка должны быть равномерно распределены по области значений хэш-функции. Это условие необходимо, чтобы суммарное количество уникальных хэш-значений для элементов можно было оценить, подсчитав лишь количество уникальных хэш-значений, попавших в заданный интервал. Тогда суммарное количество уникальных хэш-значений может быть вычислено как количество хэш-значений в заданном интервале, переменоженное на количество таких интервалов, помещающихся в области значений хэш-функции.
Этим условиям могут удовлетворять различные хэш-функции. Например, все криптографические хэш-функции — они имеют большую область значений (2^128 в худшем случае), а их выходные значения равномерно распределены по всей области значений для произвольных входных данных.
Как определить положение и длину интервала для подсчета хэш-значений элементов из списка? Если взять интервал фиксированной длины, то в него может попасть либо слишком много элементов (может не хватить памяти), либо слишком мало элементов (увеличится погрешность оценки). Поэтому лучше ограничить максимальное количество хэш-значений на интервале, а при превышении максимального количества значений автоматически уменьшать длину интервала. Например, можно пройтись по элементам и найти фиксированное количество минимальных хэш-значений среди всех элементов. В этом случае длина интервала, содержащего эти хэш-значения, будет равна максимальному хэш-значению из этой выборки. Зная длину интервала, легко вычислить примерное количество уникальных элементов в списке, умножив количество элементов, хэш-значения которых попали в заданный интервал, на количество интервалов, уместившихся на всем диапазоне области значений хэш-функции. Количество дополнительной памяти, необходимое этому алгоритму, пропрционально максимальному количеству элементов в наблюдаемом интервале. Ниже представлен код программы на python для этого алгоритма.
import hashlib
import heapq
DIGEST_SPACE_SIZE = 1 << 128
def EstimatedUniqueCount(items, samples_count):
""" Estimates the number of unique items in the given list.
The function hashes each item in the list, while maintaining samples_count
digests with highest values (max_digests). It is assumed that digests
are distributed evenly across entire digest space irregardless of input
items distribution. If this assumption holds true, then the whole digest
space contains K times more items than the region containing max_digests,
where
K = DIGEST_SPACE_SIZE / (DIGEST_SPACE_SIZE - min(max_digests))
So the number of unique items in the list can be estimated as:
estimated_unique_items = K * len(max_digests)
The function requires O(samples_count) additional memory.
"""
# This list will contain up to samples_count digests with highest values.
#
# The list is actually a min-heap (
# http://en.wikipedia.org/wiki/Heap_%28data_structure%29 ), so max_digests[0]
# always contains the minimum digest among maximum digests.
max_digests = []
for item in items:
m = hashlib.md5()
m.update(str(item))
digest = m.digest()
if len(max_digests) < samples_count:
heapq.heappush(max_digests, digest)
else:
heapq.heappushpop(max_digests, digest)
if not max_digests:
return 0
min_max_digest = long(max_digests[0].encode('hex'), 16)
return (len(max_digests) * DIGEST_SPACE_SIZE /
(DIGEST_SPACE_SIZE - min_max_digest))
def PreciseUniqueCount(items):
""" Calculates the number of unique items in the given list.
The function requires O(unique_count) additional memory, where unique_count
is the number of unique items in the given list.
"""
return len(frozenset(items))
################################################################################
# Test code
################################################################################
items = range(1000 * 1000)
c_precise = PreciseUniqueCount(items)
print 'PreciseUniqueCount(items)=%d' % c_precise
for samples_count in range(10):
c_estimated = EstimatedUniqueCount(items, samples_count)
deviation = float(abs(c_estimated - c_precise)) / c_precise * 100
print 'EstimatedUniqueCount(items, samples_count=%d)=%d, deviation=%.3f%%' % (
samples_count, c_estimated, deviation)
Вот результат работы этой программы:
PreciseUniqueCount(items)=1000000 EstimatedUniqueCount(items, samples_count=0)=0, deviation=100.000% EstimatedUniqueCount(items, samples_count=1)=11957528, deviation=1095.753% EstimatedUniqueCount(items, samples_count=2)=6015054, deviation=501.505% EstimatedUniqueCount(items, samples_count=3)=1343696, deviation=34.370% EstimatedUniqueCount(items, samples_count=4)=1002502, deviation=0.250% EstimatedUniqueCount(items, samples_count=5)=1179299, deviation=17.930% EstimatedUniqueCount(items, samples_count=6)=981848, deviation=1.815% EstimatedUniqueCount(items, samples_count=7)=1030321, deviation=3.032% EstimatedUniqueCount(items, samples_count=8)=1001097, deviation=0.110% EstimatedUniqueCount(items, samples_count=9)=1082718, deviation=8.272%
Видно, что при использовании интервала, содержащего всего четыре максимальных элемента, погрешность оценки равна 0.25% 🙂
Вышеописанный алгоритм может быть легко распараллелен — разбиваем наш список на произвольное количество частей, находим по samples_count максимальных хэш-значений элементов для каждой части, после чего находим samples_count максимальных хэш-значений среди найденных максимальных хэш-значений для всех частей.
Если вас заинтересовала эта тема, то можете углубиться в нее с помощью вот этой статьи.
«Страшно, и поэтому интересно».
Анализ таргетированной рекламы в соцсетях: гайд
Какие данные анализировать для оценки своей и чужой рекламы.
Ольга Кочкина
Автор и редактор. Пишу об интернет-маркетинге, бизнесе, IT-сервисах для бизнеса, транспортной логистике и ВЭД.
More posts by Ольга Кочкина.
Ольга Кочкина
Нельзя просто взять и настроить эффективную кампанию в таргете с первого раза. Вы можете тщательно подготовиться и все сделать по уму: проанализировать продукт и конкурентов, изучить и сегментировать аудиторию, подобрать разные рекламные посылы и объявления. Но чтобы получить результат, все равно придется оптимизировать: менять и тестировать тексты и креативы, отключать и запускать аудитории, экспериментировать с настройками геотаргетинга и т. д.
А понять, что именно надо менять, без анализа рекламной кампании не получится. Как анализировать таргетированную рекламу в соцсетях, на какие показатели смотреть и какие инструменты использовать, читайте в этой статье.
Какие задачи решает анализ таргетированной рекламы
С помощью анализа рекламы таргетологи:
Оценивают эффективность кампаний. Спасибо кэп, но мы не могли об этом не упомянуть. Без анализа невозможно понять, как работают настройки, аудитории и креативы и приносит ли реклама пользу бизнесу. Или просто сливает бюджет.
Оптимизируют РК. Специалисту мало понимать, работает реклама в плюс или нет. Надо еще и постоянно повышать эффективность или как минимум удерживать ее на нужном уровне – не допускать ухудшения показателей из-за выгорания баз, появления новых конкурентов и других обстоятельств.
Получают больше информации о целевой аудитории. Детальный анализ показывает:
- как разные сегменты реагируют на те или иные креативы;
- какие аудитории приносят более дешевые лиды;
- какие сегменты лучше конвертируются в продажи, имеют более высокий средний чек и приносят больше денег.
Эту информацию можно использовать для оптимизации текущих или планирования новых рекламных кампаний.
Собирают и используют данные о рекламе конкурентов. Конечно, у специалистов нет доступа к настройкам и полной статистике чужих кампаний. Зато можно посмотреть, какие объявления конкуренты крутят в таргете, чтобы:
- проанализировать их офферы и стратегию;
- изучить продукты и предложения;
- найти идеи для тестирования в своих кампаниях;
- не повторять неудачные решения;
- отстроиться.
Учитывая информацию о рекламе конкурентов при планировании своих кампаний во ВКонтакте, Фейсбуке* и Инстаграме*, можно сделать более оригинальные объявления и выделиться на фоне других рекламодателей в той же нише.
А еще без анализа таргета не получится составить информативный отчет по рекламе для клиента, гайд по которому есть в другой нашей статье.
На что смотреть: ключевые метрики при анализе таргетированной рекламы
Набор метрик для анализа рекламы в соцсетях в каждом конкретном случае будет зависеть от того, к каким данным есть доступ у специалиста. Если речь о своих кампаниях, идеальный вариант, когда помимо рекламных кабинетов таргетолог может посмотреть статистику по сайту и/или данные в системе сквозной аналитики, если она настроена. По чужим кампаниям приходится довольствоваться тем, что есть в открытом доступе. Теперь давайте к конкретным метрикам.
Метрики своих кампаний в таргетированной рекламе
Охват – показывает, сколько уникальных пользователей увидели объявления в таргете хотя бы один раз. При анализе таргета нужен, чтобы вкупе с кликами и целевыми действиями определить процент охваченной аудитории, которая реагирует на рекламу. А по этому уже можно судить о том, насколько прицельно настроена реклама и правильно ли подобраны заходы, офферы и креативы.
Показы – сколько раз объявление было показано пользователям. Учитываются повторные просмотры, поэтому этот показатель всегда больше охвата, если вы не ограничили до 1 показа не человека. От этой метрики зависят расходы, если реклама оплачивается по модели CPM. Кроме того, показатель кликабельности (CTR) рассчитывается не от числа охваченных пользователей, а от показов.
Количество переходов – показывает, сколько раз пользователи перешли по ссылкам в объявлении. Косвенно влияет на общую эффективность рекламы для бизнеса – чем больше людей перешли по объявлению, тем больше подписчиков и/или лидов мы получим.
CTR (click-through rate) – коэффициент кликабельности объявлений, показывает, какой процент показов конвертировался в переходы. Этот показатель все еще мало что говорит о реальной экономической эффективности таргетированной рекламы. Он позволяет оценить лишь качество сбора баз и то, насколько точно посылы и креативы попали в боли и потребности сегментов аудитории.
CPC/CPM (cost per click / mille) – цена за клик / 1000 показов. В зависимости от выбранной модели оплаты, один из показателей устанавливается рекламодателем, второй рассчитывается. Например, вы настраиваете рекламу по CPC и устанавливаете ставку в 30 руб. за клик. На 10 000 показов получили 200 кликов и потратили 6000 руб. Тогда CPC будет равен 30 рублям (как вы задали в настройках), а CPM – 600 руб. (делим расходы на 10 000 показов). Анализ CPC и CPM в таргете помогает подбирать более выгодную модель оплаты и оптимизировать расходы.
Показатели в рекламном кабинете ВК
Количество целевых действий – показывает, сколько пользователей сделали то, что от них требовалось, и перешли на следующий этап воронки. Например, вы хотите увеличить аудиторию группы или аккаунта и настраиваете рекламу на подписку. Тогда количество целевых действий будет равно числу подписчиков, которые пришли с рекламы. Другой частный случай – лиды – пользователи, которые оставили свои контактные данные или заявку через сайт или лид-форму в соцсетях. Если кампания настроена с целью получения лидов, именно отправку формы мы считаем за целевое действие.
CR (conversion rate) – коэффициент конверсии, показывает, какой процент передших по объявлению пользователей совершили целевое действие. Один из ключевых показателей при анализе таргетинга, так как показывает, насколько целевая аудитория приходит с рекламы. Повышая коэффициент конверсии, мы получаем больше целевых действие при тех же охватах и бюджете. А это уже напрямую влияет на экономическую эффективность.
Так же рассчитываются коэффициенты на других этапах воронки: из лида в подтвержденную заявку, из заявки в оплаченный заказ и т. д.
CPA / CPL (cost per action / lead) – средняя стоимость за действие / лид. Показывает, во сколько в среднем компании обходится целевое действие, в частных случаях – лид. Если у бизнеса есть данные о том, какой процент целевых действий конвертируется в итоге в оплаченный заказ, специалист может посчитать, сколько лидов нужно привлечь, чтобы получить одну продажу. А исходя из стоимости лида – рассчитать цену покупки, от которой в свою очередь зависит, окупается реклама или нет.
CR и целевые действия с трафика из Инстаграма* в Яндекс.Метрике
Количество продаж – число сделок, которые принесла таргетированная реклама. Этот показатель используется для расчета стоимости покупки и может быть выбран в качестве KPI наряду с лидами и CPL.
CPO (cost per order) – та самая цена покупки, показывает, во сколько бизнесу обходится один оплаченный заказ. Рассчитывается как отношение расходов на рекламу к количеству продаж. Может использоваться для оценки эффективности рекламы, если бизнес знает целевой CPO – минимальную сумму, при которой кампания будет прибыльной.
Доход и прибыль – деньги, которые принесла бизнесу таргетированная реклама. Доход – это общая сумма полученных денег, прибыль – за вычетом расходов на рекламу.
ДРР (доля рекламных расходов) – показывает, какой процент от принесенного рекламой дохода составляют расходы на кампанию. Рассчитывается как отношение расходов к доходам, умноженное на 100 %. В идеале этот показатель должен быть меньше 100 %, и чем меньше – тем лучше. ДРР в 100 % теоретически показывает, что реклама сработала в ноль, потому что доходы равны расходам. Однако для ниш с дорогим трафиком, высоким LTV и большим количеством повторных продаж ДРР даже выше 100 % может считаться хорошим. Привлеченный клиент не окупается с первой покупки, но за счет повторных продаж может окупаться многократно.
Формула ДРР для анализа таргетированной рекламы в соцсетях
ROAS (return on ad spend) – возврат рекламных расходов, показывает рентабельность вложений в таргетированную рекламу и отвечает на вопрос, сколько прибыли вы получили на каждый вложенный рубль. Рассчитывается как отношение доходов от рекламы к расходам, умноженное на 100 %.
Формула ROAS для анализа таргета
Данные для анализа рекламы конкурентов
При анализе таргетированной рекламы конкурентов у нас нет доступа ко всем тем метрикам, которые мы рассмотрели выше. Однако мы можем косвенно проанализировать эффективность их кампаний по охватам, лайкам и комментариям к постам, которые они крутят в таргете.
На что еще обращать внимание, чтобы находить новые идеи и улучшать свои кампании:
- офферы и CTA;
- заходы;
- креативы;
- тексты;
- форматы объявлений.
Где искать статистику по метрикам для анализа таргета
Рекламные кабинеты соцсетей. Собирают показы, клики, CPC/CPM, CTR, расходы и кучу статистических данных, которые позволяют оценить, как пользователи реагируют на те или иные объявления и креативы:
- положительные и негативные реакции;
- подписки и стоимость подписчика;
- сообщения и стоимость сообщения;
- процент и время просмотра видео и т. д.
Если реклама настроена с целью сбора заявок, и они собираются через лид-формы в соцсети или на сайте установлен пиксель и настроены цели, в статистике рекламных кабинетов можно найти также CR, CPL и количество лидов.
Статистику для анализа таргетированной рекламы в Фейсбуке* и Инстаграме* можно найти в Facebook* Ads. Для этого зайдите в личный кабинет и перейдите в раздел «Кампании». Часть показателей можно увидеть тут же в таблице на уровне кампаний, групп объявлений и объявлений. Чтобы посмотреть более детально, наведите курсор на нужную кампанию / группу объявлений / объявление и кликните «Посмотреть диаграммы».
Открываем статистику для анализа таргета в Facebook* Ads
В рекламном кабинете во ВКонтакте статистика для анализа таргета также находится в разделе «Кампании». На верхнем уровне можно проанализировать и сравнить между собой метрики по разным кампаниям. Если кликнуть на конкретную строку, попадем на уровень объявлений и сможем оценить показатели по отдельным креативам и аудиториям.
На вкладке «Детализация» можно посмотреть общую статистику по всем кампаниям в разрезе дней и месяцев
Сервисы веб-аналитики. Яндекс.Метрика и Google Analytics пригодятся, если трафик идет на сайт и уже там конвертируется в лиды и продажи. По умолчанию собирают данные по переходам из рекламных кампаний, а также поведению пользователей:
- время на сайте;
- процент отказов;
- глубина просмотра.
Если на сайте настроены цели, здесь также будет информация по лидам и их стоимости, коэффициенту конверсии.
Чтобы понимать, с какой конкретно кампании пришел трафик, нужна разметка UTM-метками
Сервисы коллтрекинга, CRM и т. д. Нужны, если на проекте настроена сквозная аналитика, чтобы подтянуть в систему данные по:
- целевым звонкам и заявкам;
- их конверсии в покупки;
- продажам, доходу и прибыли.
Инструменты для анализа таргетированной рекламы конкурентов. Объявления других рекламодателей в Фейсбуке* и Инстаграме* можно найти в библиотеке рекламы Facebook* Ads. Выберите страну, категорию рекламы и введите в поисковую строку ключевые слова или название бизнес-страницы конкретного конкурента в Фейсбуке*. Сервис покажет все объявления, соответствующие критериям.
Полученный список можно отфильтровать по типу креатива, дате и рекламной платформе
Если объявление конкурента попалось вам в ленте, можно узнать, на какие аудитории он таргетирует рекламу. Для этого откройте меню кликом по трем точкам в правом верхнем углу и выберите пункт «Почему я вижу эту рекламу». Во всплывающем окне появятся характеристики аудитории, по которым вам показывается это объявление.
Объявление показывается, потому что я попала в базу ретаргета
У ВКонтакте «родного» инструмента для анализа таргета конкурентов нет, но это можно сделать с помощью парсеров. Например, в Pepper.Ninja есть инструмент «Шпион промопостов», который собирает объявления выбранных групп и сообществ за определенный период. Можно посмотреть, какие объявления крутит в таргете конкурент, отобрать самые залайканные и проанализировать, чем так цепляет креатив целевую аудиторию.
Ищем промопосты для анализа таргета конкурентов
Как анализировать: инструменты
Данных для анализа таргета у специалиста предостаточно. Проблема в том, что они разбросаны по разным системам и сервисам, а сводить их вручную и рассчитывать те же ДРР или ROAS для десятков кампаний и сотен объявлений слишком долго. Решить проблему можно с помощью дополнительных инструментов.
Google Таблицы. Самый простой вариант – настроить импорт данных из всех источников в Google Таблицы, прописать формулы для дополнительных показателей, построить графики и срезы. Совместив данные из CRM с показателями из рекламных кабинетов и систем веб-аналитики, можно рассчитать цену покупки, долю рекламных расходов и ROAS – метрики, по которым анализируется реальная польза таргетированной рекламы для бизнеса.
Автоматизировать импорт данных можно с помощью специальных дополнений. Для Google Analytics есть родное гугловское расширение, для соцсетей – DataFan. Сервис динамических отчетов по соцсетям собирает данные из рекламных кабинетов ВКонтакте, Facebook* Ads и myTargte и передает в Google Таблицы, где их можно обработать с помощью формул, фильтров и графиков. Каждый раз настраивать импорт не надо – достаточно указать периодичность обновления данных, и показатели за следующие периоды будут подтягиваться в отчет автоматически.
Импортируем статистику рекламных кабинетов соцсетей в Google Таблицы через DataFan
Google Data Studio. Более продвинутый вариант – системы визуализации данных и/или бизнес-аналитики. Наиболее доступный и простой для внедрения – Google Data Studio. Принцип импорта данных такой же, как и в Google Таблицах: нужно один раз настроить интеграцию через коннекторы, и свежие данные будут всегда под рукой. Для Google Analytics также есть родной коннектор. Цифры из соцсетей и данные по конверсиям для анализа таргетированной рекламы из Яндекс.Метрики можно получить через тот же DataFan. Подробнее о том, как использовать Google Data Studio, мы уже рассказывали в отдельном большом гайде.
Коннектор для импорта статистики таргетированной рекламы в Google Data Studio
DataFan. Если на вашем проекте сквозная аналитика не используется, и все данные, необходимые для анализа таргетированной рекламы, есть в рекламных кабинетах, удобные отчеты можно сформировать автоматически в DataFan. Создатели сервиса вместе с опытными таргетологами и маркетологами разработали шаблоны, в которых полезные для анализа показатели и срезы представлены в виде наглядных таблиц, диаграмм, графиков и сводок. Все что нужно – за 5–10 минут выбрать наиболее подходящий шаблон и подключить свои источники данных. Отчет сформируется, откроется в Google Data Studio и будет обновляться автоматически.
Такой отчет тоже можно кастомизировать, а можно и использовать как есть
Вот, пожалуй, и все. Если у вас остались вопросы по анализу таргета в Фейсбуке*, ВКонтакте и Инстаграме*, на которые нет ответов в этой статье, пишите их в комментариях.
Как оптимизировать кампании с небольшим бюджетом в Яндекс.Директе
Оптимизация рекламной кампании с небольшим бюджетом напоминает игру в сапера: любое неверное решение может привести к сливу всего бюджета впустую. Рассказываем, как повышать эффективность кампаний в Яндекс.Директе и не допустить фатальных ошибок.
Без чего оптимизация невозможна
Перед тем, как перейти к отчетам и корректировкам необходимо убедиться, что у вас корректно настроена веб-аналитика: счетчики Метрики и Analytics установлены на всех страницах сайта в верхней части кода, отслеживаются все способы лидогенерации, в том числе звонки. Кампании Директа должны быть связаны с правильными счетчиками Метрики. Это позволит оценивать эффективность рекламы вплоть до поисковых запросов и площадок и использовать цели и сегменты Метрики для автостратегий и ретаргетинга.
Также нужно еще до запуска рекламы определить ключевые метрики, по которым будет оцениваться эффективность кампаний. Обычно это количество (CV) и стоимость конверсий (CPA/CPL). Если в Метрику корректно передаются данные электронной торговли или ценности, настроена сквозная аналитика, то можно использовать такие метрики, как доход, рентабельность и доля рекламных расходов.
Нужно иметь четкие ориентиры по всем продвигаемым объектам рекламирования (товарам, категориям, услугам и направлениям). Например, рекламодатель готов привлекать заявки на услугу по подбору подержанного автомобиля за 3000 рублей, а на услугу выездной диагностики — за 400 рублей. В месяц должно быть не менее 200 заявок. Это план, с которым в дальнейшем можно сравнивать факт, делать выводы, формировать гипотезы и действовать.
Если вы уверены, что вопросы, описанные выше, решены, можно переходить к анализу и оптимизации рекламных кампаний.
Вся интернет-реклама в eLama
Один кабинет и кошелек для 10 систем и сервисов, инструменты автоматизации, бесплатное обучение и помощь на всех этапах работы.
Мастер отчетов в Яндекс.Директе
Когда бюджеты практически неограниченны, достаточно выбрать широкие таргетинги, включить автостратегию и дать возможность алгоритму обучиться на большом массиве данных. Оптимизация таких проектов сводится к анализу ключевых метрик, тестированию настроек стратегий, креативов и посадочных страниц.
Работая с проектами с небольшими бюджетами, специалисты вынуждены тщательно отбирать таргетинги, аккуратно управлять ставками и практически ежедневно мониторить статистику по большому количеству срезов, чтобы найти наиболее эффективные решения и удалить всё, что съедает бюджет впустую. Для этого в Яндекс.Директе есть бесплатный инструмент «Мастер отчетов», который позволяет анализировать рекламные кампании по различным срезам и метрикам.
Зайти в «Мастер отчетов» можно на уровне всего аккаунта:
Или в статистику конкретной кампании:
Мастер отчетов — это основной инструмент для анализа эффективности рекламных кампаний Директа с небольшими бюджетами. Когда источников и кампаний становится много, рекомендуется использовать дополнительные инструменты для сбора и визуализации данных статистики, например, мониторинг в eLama.
Правило «от общего к частному»
Анализ кампаний нужно начать с уровня аккаунта. Для этого нужно построить отчет по всем рекламным кампаниям за определенный период времени. Не забудьте выбрать необходимые цели в пункте «Данные по целям», чтобы оценивать эффективность по важным бизнес-метрикам, которые определили при планировании.
В отчете можно сделать сортировку по стоимости конверсии от меньшей к большей.
Рекламные кампании, которые укладываются в KPI по стоимости конверсии, пока что можно не трогать — на них мы перераспределяем часть бюджета с менее успешных кампаний, то есть увеличиваем дневной бюджет, чтобы масштабировать успех. Рекламные кампании, которые не укладываются в KPI, нужно оптимизировать в первую очередь, ведь они прямо сейчас тратят деньги неэффективно.
Оптимизация поисковых кампаний
Поисковая реклама призвана привлекать наиболее целевую аудиторию со сформированным спросом. В качестве таргетингов используются ключевые слова или автотаргетинг, но при ограниченном бюджете на старте автотаргетинг лучше отключить.
Поисковые запросы
Ключевые слова охватывают множество поисковых запросов, как вложенных (с более длинными «хвостами»), так и близких по значению (семантическое сходство).
В первую очередь оптимизировать нужно именно поисковые запросы: вычищать явно нерелевантные, неэффективные, по которым бюджет расходуется впустую.
Существует заблуждение о том, что если добавить на старте большой список минус-слов или «закавычить» все фразы, то за поисковыми запросами можно будет не следить вообще. Практика показывает, что даже глубокая проработка семантики с помощью парсеров не позволяет вычистить все нецелевые запросы.
Кроме того, Директ щедро расходует бюджет рекламодателей на запросы по фразам, которые подбирает автоматически. Раньше они назывались синонимами, сейчас семантическим соответствием. Суть не поменялась: отключить их показ в настройках невозможно, поэтому после запуска кампании нужно каждый день заходить в отчет и добавлять новые минус-слова и минус-фразы в кампанию, так как большая часть таких фраз часто не подходит для продвижения.
Отчет по поисковым запросам
В отчетах Директа можно настраивать различные фильтры. Для ежедневного или еженедельного мониторинга запросов пригодится фильтр по типу соответствия — семантическое.
Ключевые фразы
После оптимизации кампании по поисковым запросам можно переходить к ключевым фразам. Обычно ключевики, добавленные в кампанию, являются релевантными и целевыми. Иначе зачем они были добавлены в кампанию?
Поскольку фразы целевые, они должны приводить целевую качественную аудиторию на сайт. Из этого можно сделать вывод о том, что если ключевая фраза неэффективна, стоит подумать о качестве рекламных объявлений, посадочных страниц и оффера в целом. Главный вопрос: «Почему люди, которые проявили явный интерес к вашему продукту, не совершают конверсию?» Возможно, проблема не во фразе, а, например, в конкуренте, который прямо сейчас запустил более выгодную акцию при прочих равных условиях.
Вернемся к Мастеру отчетов. Постройте отчет по условиям показа. С помощью фильтров можно посмотреть данные отдельно по фразам, показам на поиске, а при необходимости и по конкретным кампания (номера или названия).
Отчет по фразам и автотаргетингу
При анализе ключевых фраз в кампаниях с небольшим бюджетом я выделяю четыре группы:
эффективные: есть конверсии, устраивает CPA;
эффективные пограничные: есть конверсии, не устраивает CPA;
неэффективные: нет конверсий, расход больше 2×tCPA;
недостаточно данных: расход меньше 2×tCPA, нет конверсий.
CPA — реальная стоимость конверсии (факт), tCPA — целевая стоимость конверсии (план).
Эффективно работающие ключевые фразы можно оставить в кампании без каких-либо изменений либо постараться масштабировать их успех, увеличив охват и трафик за счет повышения ставки.
При ручном управлении ставками рассчитать выгодную цену клика можно по формуле: Ставка = tCPA*CR, где tCPA — целевая цена за конверсию, CR — фактический средний коэффициент конверсии по фразе за период времени.
Найти эффективные фразы можно с помощью фильтров в мастере отчетов: конверсии есть и они дешевле tCPA. Допустим, tCPA = 100 рублей.
Пограничные фразы генерируют конверсии, но не укладываются по стоимости. Их можно оставить в кампании, но необходимы корректировки ставок или оптимизация объявлений и посадочных страниц. Например, можно проверить гипотезу по уменьшению ставки: снизим ставку → снизится средняя цена клика → снизится стоимость целевого действия. Но эта гипотеза не всегда подтверждается.
Фильтры для поиска пограничных фраз: конверсии есть, но дороже tCPA.
Явно неэффективные ключевики можно приостановить, чтобы не сливать бюджет на них прямо сейчас. Но стоит задуматься, почему по целевым фразам и релевантным запросам нет конверсий. Бывает, что объявления ведут не на ту страницу или обещания не совпадают с реальностью (устаревшие акции).
Фильтр для неэффективных фраз: конверсий нет, расход уже превысил 2×tCPA.
Фразы, по которым недостаточно данных, можно оставить в рекламной кампании, поскольку мы не можем принять по ним никакого решения. Само по себе наличие ключевых фраз с малым количеством показов и кликов не пессимизирует рекламную кампанию.
Рекомендую периодически анализировать статистику проекта за большие периоды: квартал, полгода. Если на протяжении полугода такие фразы не потратили бюджет, в два-три раза превышающий tCPA, можно их удалить, чтобы облегчить себе задачу по анализу данных. Также такие фразы можно вынести в отдельную кампанию, включить стратегию оплаты за конверсии и больше о них не переживать.
Фильтр для фраз с недостаточным количеством данных:
Если вы управляете ставками вручную, используйте бид-менеджер eLama. Инструмент позволяет настроить предел ставки или цены клика на уровне кампании или ключевых слов по одному из шаблонов: максимальный трафик или определенный объем трафика. eLama будет каждые 20 минут проверять и обновлять ставки в Директе таким образом, чтобы ваши объявления получали желаемый объем трафика, но цена клика в среднем не превышала указанный лимит. Детальная настройка позволит вам указать разные лимиты (и шаблоны), исходя из анализа эффективности ключевиков.
Объявления и посадочные страницы
В поисковой рекламе важно максимально точно отвечать на запросы пользователей. Но не менее важно делать объявления конкурентными и подбирать офферы, отталкиваясь от анализа истинных потребностей и желаний своей аудитории. После клика пользователь должен попадать на правильную посадочную страницу, где увидит то же самое предложение, что и в объявлении. Запускайте в каждой группе минимум по два объявления с разными триггерами. А после накопления статистики изучите эффективность в Мастере отчетов.
Если сделать сортировку по группам, вы узнаете, какое объявление лучше отрабатывает в срезе конверсий.
Анализируйте эффективность по ключевым конверсионным метрикам, а также смотрите на кликабельность (CTR) и взвешенный CTR.
Более кликабельные объявления могут влиять на снижение цены клика, но они не всегда более эффективны по стоимости или количеству конверсий. Ваша задача — найти лучшие связки по CTR и конверсии и использовать элементы этих объявлений в других группах, чтобы выжимать максимум.
Оптимизация кампаний в РСЯ
Первый отчет, в который нужно зайти в РСЯ кампаниях, — это площадки. Именно площадки ответственны за слив бюджета в сетях.
Нужно оценить эффективность площадок по стоимости, количеству и коэффициенту конверсий.
Если по площадке уже было потрачено 2×tCPA, но не было ни одной конверсии — блокируйте ее. Пусть бюджет перераспределяется на конверсионные сайты.
Также полезно сделать сортировку по CTR. Если в поиске нас волнует низкий CTR, то в РСЯ — аномально высокий. Надо искать большие отклонения от среднего по кампании. Такие площадки обычно просто скликивают креативы рекламодателей.
После оптимизации площадок зайдите в отчеты по таргетингам. В РСЯ их больше, чем в поиске: фразы, автотаргетинг, краткосрочные интересы, аудитории (например, геолокации или look-alike).
Низкая эффективность таргетингов может быть связана с разными факторами. Вот некоторые из них:
непопадание в сегмент аудитории;
некачественные объявления: слишком много обещаний, избыточный креатив;
некачественные посадочные страницы: долго загружаются, плохая адаптация для мобильных пользователей и т. д.;
аудитория в принципе может быть холодной и ее надо прогревать дольше.
Последний пункт очень важный. В РСЯ можно привлекать много аудитории, но эти пользователи прямо сейчас могут быть вообще не заинтересованы в вашем предложении. Нужно пробовать не продавать «в лоб», а идти от проблемы (существующей или возможной), тестировать лид-магниты и квизы, подготавливать специальные посадочные страницы для разных сегментов пользователей. Человек должен узнать себя и свою боль, увидеть возможность решения, выгоды и воспользоваться простым способом контакта с вами (заявка в один клик).
В целом, оптимизация РСЯ сводится к тестированию различных сценариев взаимодействия с разными пользователями через креативы, посадочные страницы и офферы. Нацеливание на сегменты производится с помощью таргетингов. Персонализация — наше всё.
Управление ставками
Небольшим проектам рекомендуется начинать показ рекламы с ручным управлением ставками с оптимизацией. Оптимизацией алгоритмы Директа занимаются автоматически на основе ключевых целей. Кстати, тестирование разных ключевых целей и ценностей, — это тоже один из способов повысить эффективность рекламы. В дополнение к ручной стратегии подключайте биддер eLama.
Иногда реальная цена может значительно превышать ставку, или бюджет может расходоваться слишком быстро (такое часто бывает в РСЯ). В этом случае иногда помогает автостратегия «Оптимизация кликов» по недельному бюджету. Некоторые специалисты стартуют с этой стратегии, чтобы накопить данные, а затем переключиться на конверсионную.
После того, как вы увидите в статистике, что каждые семь дней кампания приводит минимум 10 конверсий (по главной цели, нескольким целям или микрокоцели), можно переключаться на автостратегию «Оптимизация конверсий».
Конверсионная стратегия будет автоматически управлять ставками так, чтобы рационально расходовать бюджет кампании и достигать средней цены конверсии.
Рекомендуется не занижать целевую цену за конверсию, а указывать реальную или рекомендованную. Если рекомендованная системой цена слишком высокая, подумайте, как повысить эффективность посадочных страниц и/или отдела продаж: вряд ли алгоритм сможет приводить вам конверсии по цене меньшей, чем он уже рассчитал.
В Директе есть модель оплаты за конверсии, доступная всем рекламодателям. Суть в том, что деньги со счета будут списываться только в случае выполнения пользователем указанного в стратегии целевого действия на сайте. При этом конверсия должна быть атрибуцирована на клик именно из этой кампании.
Название
Стратегия с оплатой за конверсии подойдет для старта рекламодателям, которые боятся слить бюджет или не уверены качестве настроенной кампании. Но у стратегии есть обратная сторона медали — если конверсий будет мало, алгоритм не будет откручивать рекламу вообще.
Сценарий работы со стратегиями
Типичный сценарий оптимизации работы со стратегиями для кампании с ограниченным бюджетом выглядит так:
Запуск на ручной стратегии с биддером или оптимизации кликов.
Накопление статистики по конверсиям.
Переключение на оптимизацию конверсий или оплату за конверсии.
Далее нужно следить за ходом обучения автостратегии. Обучение длится в среднем две недели, в это время не нужно вносить какие-либо изменения в кампанию.
Если по истечение двух недель кампания работает, и вас все устраивает, то не надо ничего трогать.
Если стратегия не обучилась или вас не устраивают результаты, вернитесь на предыдущую стратегию или тестируйте другие настройки автостратегии: цели, tCPA, бюджет, модель атрибуции.
Часто автостартегии не приносят ожидаемого результата по вине самого рекламодателя, который неверно указал настройки, был слишком оптимистичен в стоимости конверсии или банально не давал возможности алгоритмам обучиться, постоянно внося изменения. Не допускайте таких ошибок!
В некоторых проектах с низкой эффективность автостратегий полезно перерабатывать структуру аккаунта — разумно укрупнять кампании для быстрого накопления большего количества данных. В одну кампанию можно объединить объекты рекламирования с одинаковыми целями и целевыми ценами за конверсию.
Если ценности у товаров и услуг разные, их тоже можно собрать в одну кампанию и использовать стратегию «Целевая доля рекламных расходов». Эта стратегия подходит и для продвижения интернет-магазинов, где каждый заказ может быть с разным чеком.
В Яндекс.Директе есть инструмент для проведения честных экспериментов с распределением аудитории. Такие эксперименты настраиваются с помощью сервиса Яндекс.Аудитории и позволяют протестировать любые гипотезы, в том числе проверить работу автостратегий. Если решите запустить тест «Оптимизации конверсий» через эксперимент, учитывайте, что трафик и конверсии разделятся между двумя кампаниями, а значит, их должно быть существенно больше.
Напомню, что все рекламодатели РФ могут получить бонусы за обороты по рекламным кампаниям с конверсионными стратегиями (6%). Бонусы доступны в том числе клиентам eLama.
Подведем итоги
В этом материале я постарался дать несколько практических рекомендаций по анализу и оптимизации рекламных кампаний для проектов с небольшими бюджетами, которые вы можете использовать прямо сейчас.
Безусловно, копать можно гораздо глубже. Например, изучить эффективность кампаний в срезах по полу, возрасту, устройствам, местоположениям. Возможно, понадобятся корректировки ставок или тестирование турбо-лендингов. Изучить место клика по поисковым объявлениям: бывает, что большая часть бюджета расходуется на клики по скрытому номеру телефона, а звонков и продаж мало. И так далее. Подробно об этом и многом другом мы с коллегами рассказываем на бесплатных вебинарах eLama.
В конце выделю несколько основных моментов:
для оценки эффективности необходимо настроить аналитику и определить ключевые метрики;
анализируйте проект от общего к частному, от уровня аккаунта к запросам и площадкам;
фокусируйтесь на главном: бизнес-метрики важнее технических, но анализ CTR тоже может повысить эффективность;
добавьте в свой график работу по анализу и оптимизации поисковых запросов и площадок, на старте это нужно делать каждый день;
не бойтесь автостратегий, запускайте их на подготовленных кампаниях с достаточным количеством данных.
CAC, LTV, ROAS и еще 20 метрик и KPI в контекстной рекламе
В зависимости от целей контекстной рекламы для оценки ее эффективности используются разные метрики и KPI. Мы собрали 23 наиболее важных показателя, рассказали, как их считать/отслеживать и зачем это делать.
Что такое метрики и KPI (и в чем разница)
Метрики — это показатели, которые мы получаем из систем аналитики. Например, это клики по объявлениям, конверсии, отказы и др.
- Выражаются в абсолютных величинах.
- Измеряются постфактум.
- Помогают анализировать прошлое.
- Статичны, со временем не меняются.
KPI (Key Performance Indicator) — ключевой показатель достижения успеха, для расчета которого используется метрика.
Основное отличие KPI от метрик заключается в том, что они всегда выражаются в процентах. Это позволяет сравнивать KPI вашей компании со средними показателями по рынку и делать выводы об эффективности бизнес-процессов.
- Используются для принятия решений высокого уровня, постановки целей и задач.
- Динамичны, со временем меняются.
- Используются в сравнительном анализе для определения дальнейших действий.
Далее разберем метрики и KPI в контекстной рекламе.
1. Клики
Это базовая метрика в контекстной рекламе. Клики показывают, сколько раз пользователи перешли по вашим объявлениям.
Клики важны не только потому, что это базовая единица для расчета стоимости рекламы в Яндексе и Google. Также клики являются компонентом других важных показателей, в частности, CPC и CTR.
Где смотреть клики
Клики отслеживаются системами контекстной рекламы по умолчанию. Откройте любой отчет Яндекс.Директа или Google Ads на уровне групп объявлений, кампании или аккаунта, и вы увидите количество кликов.
Клики по ключевым словам в Google Ads
Для точного мониторинга источников кликов по контекстной рекламе используйте UTM-метки. О том, как с ними работать в PPC-рекламе, написали здесь.
Важно понимать, что количество кликов — это не то же самое, что количество посетителей. Один и тот же человек может кликнуть по объявлению несколько раз в течение периода времени. Следовательно, уникальные посетители — еще одна метрика, которую нужно учитывать.
2. Уникальные посетители
Уникальные посетители — метрика, которая показывает, сколько пользователей зашло на сайт в течение дня, недели, месяца или другого периода.
Посетитель должен соответствовать определенному набору характеристик, чтобы системы аналитики посчитали его уникальным. Во внимание принимается:
- IP-адрес;
- браузер;
- ОС;
- cookies;
- местоположение.
Если посетитель очистил cookies, переустановил ОС или браузер, то системы аналитики посчитают его уникальным.
Откуда брать данные об уникальных пользователях:
- Google Analytics. Раздел «Аудитория» — «Обзор». В Google Analytics вы не найдете показателя «уникальные пользователи». Здесь он называется «новые пользователи».
О настройке Google Analytics читайте здесь.
- Яндекс.Метрика. «Отчеты» — «Стандартные отчеты» — «Источники» — «Источники, сводка».
В отчете «Источники, сводка» в графе «Посетители» представлены данные по уникальным посетителям.
Само по себе количество уникальных посетителей мало о чем говорит. К вам может прийти 100 пользователей, и ни один не сделает покупку. Или же к вам может прийти 10 пользователей, и все станут клиентами.
Тем не менее этот показатель важен в ряде случаев:
- Если вы запускаете кампанию, направленную на повышение узнаваемости бренда (чем большее количество контактов с брендом, тем он известней).
- С помощью количества уникальных посетителей по сравнению с кликами можно выявить кликфрод — скликивание ваших объявлений конкурентами. Если кликов намного больше, чем посетителей, то, скорее всего, вас скликивают.
- Если вы собрали достаточно статистики и заранее знаете, сколько посетителей становятся клиентами. В этом случае вы понимаете, сколько клиентов получите с объема привлеченных посетителей.
- Если вы тестируете кампании, то важно фиксировать количество пользователей, которые взаимодействовали с объявлением или посадочной страницей.
Уникальных пользователей не стоит путать с визитами (в Метрике) и сеансами в Google Analytics. Разница в этих и других «проблемных» метриках разобрана детально в статье «Как не путать термины Яндекс.Метрики и Google Analytics: расставляем все точки над «i».
3. Показы
Это количество раз, которое пользователи видели ваше объявление. Показы важны по двум причинам:
- они являются базой для расчета CTR и процента полученных показов;
- в медийной рекламе чем больше показов, тем больше контактов с вашим брендом, а значит, выше его узнаваемость.
Показы фиксируются рекламными системами и отражаются в тех же отчетах, что и клики.
Показы в отчете по объявлениям в Google Ads
4. Вовлечение
Вовлечение — это степень заинтересованности посетителя после перехода на сайт. Характеризуется временем на сайте и глубиной просмотра.
Под глубиной просмотра подразумевается количество страниц сайта, которые посетитель посмотрел после клика по рекламе. Время на сайте — сколько времени посетитель пробыл на сайте после клика.
Где посмотреть данные о вовлечении
Google Analytics. Раздел «Поведение» — «Вовлечение».
Также вы можете привязать Google Analytics к Google Ads и смотреть данные о вовлечении прямо в отчетах по рекламе.
Яндекс.Метрика. «Отчеты» — «Стандартные отчеты» — «Аудитория» — «Глубина просмотра»/«Время на сайте».
Отчет «Время на сайте»:
Анализ показателей вовлеченности проводится параллельно с анализом кликов и посетителей. Эти метрики позволяют сделать выводы о качестве и количестве трафика. Если новые посетители приходят на сайт, а затем сразу же покидают его, то нужно искать причины такого поведения. Например, проблема может быть в нерелевантных объявлениях, низком качестве посадочных страниц, ошибках при их открытии, длительной загрузке и т. п.
5. Кликабельность (CTR)
Показатель кликабельности (click-through rate) — это отношение кликов по рекламе к общему количеству показов.
CTR = количество кликов / количество показов × 100%
Это один из важнейших показателей в контекстной рекламе, и вот почему:
- От прогнозируемого CTR (помимо других факторов) зависит рейтинг объявления. При прочих равных условиях объявление с более высоким CTR получает более высокий рейтинг. Это означает, что путем повышения кликабельности объявления вы получите больше трафика без лишних затрат.
- Растет коэффициент конверсии (CR). Более кликабельные объявления обычно более конверсионные. Так, если CTR вырастет в 2 раза, то CR вырастет на 50%.
Средний CTR в Google Ads составляет 1,91 % для поиска и 0,35 % для КМС. Хорошим же считается CTR от 4-5 % для поисковой сети и 0,5-1 % для КМС. Конечно, бывают случаи, когда CTR достигает 20-30 %.
Где посмотреть CTR
Google Ads. В отчетах по кампаниям, группам объявлений, объявлениям, ключевым словам.
Яндекс.Директ. В отчетах по кампаниям, группам объявлений, объявлениям, ключевым словам.
Как повысить CTR:
- Заполните все доступные поля при составлении объявлений: заголовки, описания, отображаемые URL.
- Пропишите ключевые слова в заголовках/текстах объявлений (но без переспама).
- Поработайте над эффективными УТП, избегайте «воды» в текстах объявлений.
- Добавьте все возможные расширения: быстрые ссылки, уточнения, адреса и т. п. и находите самые кликабельные.
6. Процент полученных показов
Процент полученных показов (в Google Ads) — это количество показов ваших объявлений, разделенное на количество запросов, по которым они могли показываться. В Яндекс.Директе такого понятия нет, но можно рассчитать процент показов на определенных позициях.
Процент полученных показов = (количество показов / количество доступных показов) * 100 %
Показатель важен, поскольку с его помощью вы оцениваете охват аудитории рекламой. Низкий процент полученных показов означает, что большая масса пользователей не видит вашу рекламу. Обычно для расширения охвата нужно поднять ставку.
Где смотреть данные по проценту полученных показов
Google Ads собирает данные по этому показателю. Они доступны на уровне ключевых слов, групп объявлений/товаров, кампаний. Для просмотра нужно добавить столбец «% показов» в стандартный отчет по объявлениям.
После добавления столбец появится в отчете — здесь уже будут рассчитаны значения для каждого объявления.
В Яндекс.Директе нужно перейти в Мастер отчетов, выбрать срез «Позиция» и задать группировку за выбранный период. Далее уже вручную можно посчитать процент показов в спецразмещении.
В нашем примере процент показов в спецразмещении равен 83,5 % (5771*100/6911).
7. Коэффициент конверсии (CR)
CR — процент пользователей, выполнивших целевое действие: покупку, загрузку приложения, отправку контактной формы и т. п.
CR = (Количество конверсий/Количество взаимодействий с объявлением)*100%
Размер CR изменяется в пределах от 0 до 100 %. Чем выше CR, тем лучше.
Например, если на 1000 взаимодействий вы получили 70 конверсий, то CR = 7 % (70/1000). Такое значение можно считать высоким — средний показатель коэффициента конверсии в электронной коммерции составляет 1-2%.
Важно! Значение CR по отдельным ключевым словам может превышать 100%. Это возможно, когда один клик приводит к нескольким конверсиям.
На коэффициент конверсии влияет:
- Сфера деятельности.
- Уровень конкуренции.
- Цены.
- Количество клиентов.
- Качество посадочных страниц.
- Релевантность объявлений.
- Другие факторы.
Что надо сделать для отслеживания CR:
- Определить, что именно является конверсией: регистрация, подписка, просмотр страницы или видео, покупка и т. д.
- Настроить отслеживание конверсий на сайте с помощью Google Analytics/Яндекс.Метрики.
- Настроить цели в Google Analytics/Яндекс.Метрике (загрузка страницы, сеансы определенной длительности, выполнение конкретного действия и т. п.).
Где посмотреть данные о CR
Google Analytics. Раздел «Конверсии» — «Цели» — «Обзор».
Яндекс.Метрика. Раздел «Отчеты» — «Стандартные отчеты» — «Конверсии».
Отчет по конверсиям:
В системах колл-трекинга. Отслеживание звонков актуально, если клиенты совершает покупки через телефонные звонки контактного центра.
Внутренние причины, по которым снижается CR:
- Нерелевантные объявления (пользователь ожидает одного, а на посадочной странице получает совсем другое предложение).
- Плохое юзабилити сайта (непонятная и неудобная навигация, вводящие в заблуждение элементы и т. п.)
- Технические ошибки (страница не открывается или открывается слишком долго, контент отображается некорректно).
- Низкое качество контента на посадочной странице (пользователь попал на нужную страницу, но ему непонятен оффер, условия сотрудничества и т. д.).
- Неэффективная работа колл-центра (клиент звонит уже подготовленный к покупке, но сотрудник не может его привлечь).
Внешние причины, по которым падает CR:
- Проигрыш конкурентам (более высокие цены, меньший пакет услуг).
- Сезонные колебания спроса (в летние месяцы спрос на туристические путевки повышается, поскольку люди выходят в отпуск).
- Колебания спроса в течение месяца (покупательная способность населения выше в конце месяца, когда выплачивается заработная плата).
- Макроэкономическая ситуация (снижение платежеспособности населения, пессимистические ожидания).
Со всеми этими причинами можно и нужно работать. Например, мы рассказывали, как работать с сезонным спросом в Яндексе и Google.
8. Цена за клик (CPC)
CPC показывает, сколько вы платите за клик по вашему объявлению. Цена за клик используется для оценки расходов по объявлениям, ключевым словам и кампании в целом, а также их эффективности.
Цена за клик — это не расчетный показатель. Цена формируется в результате аукциона. А уже на основе CPC считаются общие расходы.
Минимальная стоимость клика в Google Ads — 1 цент, в Яндекс.Директе — 30 копеек. Нормативного же показателя цены за клик нет. Все зависит от отрасли, уровня конкуренции в момент аукциона, качества вашего объявления и массы других факторов. Например, в США в таких тематиках как страхование и юриспруденция кликами по 50-60 долларов никого не удивишь.
Где посмотреть данные по CPC
Google Ads. В отчетах по кампаниям, группам объявлений, объявлениям, ключевым словам.
Яндекс.Директ. В отчетах по кампаниям, группам объявлений, объявлениям, ключевым словам.
CPC влияет на положение объявления на странице и на объем трафика с объявления. Меняя максимальную цену за клик, вы можете влиять на трафик. Например, если он очень низкий или отсутствует, повысьте цену за клик и отслеживайте изменения.
Важно! Определить оптимальную цену за клик можно с помощью бесплатного инструмента Медиапланирование. Это автоматизированный инструмент Click.ru, который подберет ключевики, создаст медиаплан, подгонит ставки под бюджет и составит прогноз.
9. Плата за действие (CPA)
CPA (Cost per Action) — показывает стоимость целевого действия. Рекламодатель сам решает, что будет целевым действием (клик на кнопку, звонок, просмотр видеоролика).
CPA = Затраты на рекламу / Количество целевых действий
Преимущества оплаты рекламы по модели CPA для рекламодателя:
- Можно самостоятельно назначить предельную плату за конверсию.
- Оплата осуществляется только после совершения целевого действия.
Оплата рекламы по модели CPA подходит интернет-магазинам, финансовым компаниям, агентствам, развлекательным порталам, провайдерам.
CPA для кампаний в Google Ads
Вы можете задать целевую цену за действие для кампаний в Google Ads. В этом случае алгоритм будет назначать ставки для увеличения конверсий так, чтобы приблизиться к установленной цене.
Условия подключения автостратегии «Целевая цена за конверсию»:
- Свяжите аккаунт Google Ads и Google Analytics. Инструкция, как это сделать здесь.
- Подключите отслеживание конверсий в Google Analytics. Гайд здесь.
- Настройте конверсии.
Если вы подключаете эту автостратегию к действующей кампании и у вас есть статистика по конверсиям, то система предложит установить CPA с учетом данных за неделю.
Подробнее об особенностях выбора автостратегий в Google Ads читайте в статье «Автоматические стратегии Google Ads 2020: выбор и настройка»
Как получить данные о CPA из Google Analytics:
1. Настройте вычисляемые показатели: «Администратор» — «Представление» — «Вычисляемые показатели».
2. Добавьте вычисляемый показатель. Для этого в графе «формула пропишите»:
где Цель — название цели, уже настроенной в Google Analytics.
Во время добавления формулы будут появляться всплывающие подсказки со списком, где можно выбрать эти пункты.
CPA для кампаний в Яндекс.Директе
Если вы хотите получать максимум конверсий по заданной цене, то задайте это в настройках кампании. Для этого выберите автостратегию «Оптимизация конверсий».
Какие действия нужно выполнить, чтобы подключить эту автостратегию:
- Установите счетчик Яндекс.Метрики. Инструкция как это сделать — здесь.
- Настройте в Яндекс.Метрике цели. Гайд — здесь.
- Подключите счетчик Яндекс.Метрики к Директу.
Как получить данные о конверсиях для расчета CPA в Яндекс.Метрике
1. В разделе «Отчеты» перейдите в «Стандартные отчеты» и выберите «Конверсии».
2. В отчете о конверсиях установите фильтр «Источники» / «Последний источник» / «Метки». Выберите UTM-метку, которая соответствует интересующему уровню детализации.
Рассчитав CPA, вы можете сравнить целесообразность привлечения пользователей из контекста с другими источниками трафика.
10. Стоимость привлечения лида (CPL)
Это модификация показателя CPA. Применяется, если в качестве целевого действия используется отправка заявки или заполнение формы.
CPL = Расходы на контекстную рекламу / Количество лидов
Учет CPL актуален для компаний со сложным продуктом — когда продажа происходит в несколько этапов. Например, это юридические, финансовые, строительные компании, рекламные агентства. Для них важно собрать контактные данные потенциальных клиентов, чтобы продать услугу в дальнейшем.
Данные для расчета CPL берутся из тех же источников, что и для CPA:
- Яндекс.Метрика. Значения для расчета доступны в отчете «Конверсии».
- Google Analytics. Настраиваются вычисляемые показатели, как и в случае с CPA.
CPL показывает, укладываются ли расходы на привлечение потенциальных клиентов в ваш бюджет или вы тратите слишком много.
11. Стоимость заказа (CPO)
CPO показывает стоимость заказа. Расчет CPO помогает понять, во сколько рекламодателю обходится каждый заказ. CPO актуален для интернет-магазинов и других площадок, где можно оформить заказ на сайте.
CPO = Расходы на контекстную рекламу / Количество полученных заказов
CPO — частный случай CPA. Но при расчете CPO целевым действием является только заказ.
Не стоит путать заказ с лидом. Заказ означает, что человек уже принял решение и готов заплатить деньги. Лид же находится на более верхнем уровне воронки.
CPA = CPO — если цель настроена на страницу с подтверждением оформления заказа.
Данные для расчета CPO:
- Отчеты Яндекс.Метрики.
- Отчеты Google Analytics.
Если заказы привлекаются не только онлайн, но и через звонки, то потребуются данные из колл-трекинга.
12. Стоимость привлечения клиента (CAC)
CAC (Customer acquisition cost) — сумма, которую вы тратите на привлечение нового клиента.
CAC = Затраты на привлечение клиентов / Количество новых клиентов
Затраты на привлечение клиентов из контекстной рекламы складываются из таких составляющих:
- Стоимость рекламы в Яндекс.Директе или Google Ads.
- Зарплата штатного специалиста или услуг агентства по настройке рекламы.
- Затраты на ПО и онлайн-сервисы, которые использовались в процессе настройки контекстной рекламы.
- Накладные расходы: оплата связи и интернета, аренда помещений и т. д. Учитываются пропорционально зарплате специалиста по контекстной рекламе.
- Расходы на подготовку лендингов (дизайн, верстка, контент, CMS).
Возможно, в вашем случае будут и другие затраты. Главное, важно понимать, что для расчета CAC берутся все затраты по рекламному каналу, а не только затраты на оплату трафика.
Как посчитать CAC для кампаний в Google Ads и Яндекс.Директе
Данные о расходах на клики и количестве новых клиентов можно посмотреть:
- в отчетах Google Ads в разрезе кампаний, групп объявлений, объявлений, ключевых слов:
- в отчетах Яндекс.Директа:
Из CRM можно получить данные о количестве новых клиентов, оплате труда отдела маркетинга и отдела продаж, накладных расходах и других затратах.
CAC позволяет узнать, сколько вы тратите на привлечение клиентов и увидеть узкие места в воронке продаж.
Значение CAC важно не само по себе — его сравнивают с показателем LTV для оценки эффективности маркетинговых каналов.
13. Пожизненная ценность клиента (LTV)
LTV (Lifetime Value) — это совокупная прибыль, которую компания получает от одного клиента за все время сотрудничества с ним.
Есть разные подходы к расчету LTV. Суть метрики отображает такая формула:
LTV = Доход от клиента — Затраты на привлечение и удержание клиента
К затратам на привлечение клиента можно отнести:
- расходы на контекстную рекламу;
- оплата труда специалисту по контекстной рекламе;
- расходы на лендинг и т. д.
Например, доход от клиента за все время составил 30 тыс. руб., расходы — 12 тыс. руб. LTV= 30-12=18 тыс. руб.
Еще один способ посчитать LTV:
где С1 — средний чек (руб.)
C2 — среднее количество заказов в месяц
C3 — среднее время взаимодействия с клиентом (в месяцах)
- Средний чек: 2500 руб.
- Среднее количество заказов в месяц: 3.
- Среднее время взаимодействия с клиентом: 18 месяцев.
- Рентабельность: 22 %.
LTV — один из важнейших показателей в бизнесе. Особенно важен для электронной коммерции, поскольку помогает определить лояльных клиентов, оптимизировать работы по их удержанию клиентов и изучить поведенческие факторы.
Как посмотреть LTV в Google Analytics
В отчетах выберите «Аудитория» — «Общая ценность». В этом отчете можно посмотреть, как менялся доход на пользователя, совершившего конверсию. Затем от этой суммы отнимаем расходы на клиента и получаем LTV.
Что надо знать об отчете «Общая ценность»:
- Google Analytics учитывает данные по клиенту за последние 90 дней.
- Для сбора данных используются cookie файлы. Но если пользователь откажется от отслеживания, то вы не отследите его данные.
- Система аналитики не может отследить, сколько денег тратит клиент и кто делает повторную покупку. Для этого нужны дополнительные данные.
Как посмотреть LTV в Яндекс.Метрике
В Яндекс.Метрике можно посмотреть отчет о всех действиях пользователей на сайте. Для этого выберите в главном левом меню пункт «Посетители».
Из этого отчета можно получить данные о количестве и общей сумме покупок, которые нам нужны для расчета LTV.
О чем говорит соотношение LTV:CAC:
14. Коэффициент брошенных корзин (CAR)
CAR (Cart Abandonment Rate) — процент пользователей, которые добавили товар в корзину, но так и не оформили заказ. Этот показатель актуален для интернет-магазинов.
CAR = (Кол-во пользователей, которые бросили корзину / Кол-во пользователей, которые добавили товар в корзину) * 100 %
По каким причинам пользователи бросают корзины:
- Столкнулись с неожиданной стоимостью — 56%.
- Зашли на сайт с целью поиска, а не с целью покупки — 37%.
- Нашли лучшую цену на другом сайте — 36%.
- Решили отложить покупку — 26%.
- Столкнулись со сложной навигацией сайта — 25%.
- Технические сбои на сайте — 24%.
Как получить данные о CAR из Google Analytics:
1. В разделе «Отчеты» перейдите в «Конверсии» — «Электронная торговля» — «Поведение покупателей». Внизу в таблице есть данные о количестве сеансов с добавлением товаров в корзину и сеансов с оформлением покупки. Их отношение — это и есть показатель CAR.
Как получить данные о CAR из Яндекс.Метрики
Для просмотра данных о товарах в корзине интернет-магазина, подключите отчеты по электронной коммерции в Яндекс.Метрике. Для подключения отчетов обратитесь к разработчику сайта.
Варианты подключения отчетов для Ecommerce:
- С помощью CMS. Из списка интеграций выберите подходящий плагин для вашего сайта. Доступны плагины для 1С–Bitrix, AdvantShop.net, Bludit CMS, Drupal, Joomla и т. д.
- Установка или обновление кода счетчика на сайте. Включите опцию «Электронная коммерция» в разделе «Настройка» — «Счетчик». Установите/обновите счетчик на страницах сайта, разместите на сайте контейнер данных DataLayer и настройте передачу событий.
После подключения вам будет доступен отчет «Товары в корзине».
Рост CAR может говорить о проигрыше конкурентам в ценовом предложении. Если ваши цены конкурентоспособны, то обратите внимание на навигацию сайта — посетитель должен сразу попадать на целевую страницу и в пару кликов оформлять покупку. Проверьте скорость загрузки страницы, уберите битые ссылки и устраните ошибки.
15. Окупаемость инвестиций (ROI)
ROI (Return on investment) — коэффициент возврата инвестиций в рекламу.
ROI = (Прибыль – Вложения в рекламу) * 100 % / Вложения в рекламу
Универсальный показатель. Показывает, окупились ли вложения в контекстную или любую другую рекламу.
Значение ROI может быть как положительным, так и отрицательным:
- > 0 — инвестиции в рекламу окупились;
16. Рентабельность затрат на рекламу (ROAS)
ROAS (return on ad spend) — коэффициент затрат на контекстную рекламу. Показывает, сколько дохода получает рекламодатель на каждый вложенный в рекламу рубль.
ROAS = (Выручка от рекламы / Расходы на рекламу) * 100 %
Важно! В расходы включается бюджет на запуск и поддержку кампании. Себестоимость товара, затраты на его доставку, зарплата копирайтеру — такие затраты не учитываются при расчете ROAS.
ROAS используется для оценки эффективности на всех уровнях: кампании, группы объявлений, объявлений, ключевого слова.
Значение ROAS сравнивается со 100%:
- ROAS > 100 % — доходная кампания. Если ROAS = 150 %, то на 1 рубль вы получаете 1,5 рубля дохода.
- ROAS = 100 % — выручка от рекламы перекрыла затраты на нее, но дохода нет. То есть на 1 рубль вложений получили 1 рубль дохода.
- ROAS
Вы можете задать желаемую рентабельность затрат на рекламу при настройке кампании в Google Ads. Для этого выберите автостратегию «Целевая рентабельность инвестиций в рекламу». После настроек алгоритм будет стремиться достигнуть заданного значения ROAS для выбранной конверсии.
Данные есть в Google Analytics: «Источники трафика» — «Google Реклама» — «Кампании». Обязательное условие — настроенные отчеты eCommerce.
Показатель ROAS можно не считать вручную, как в случае с ROI. Для этого выберите в настройках отчета «Клики» — в таблице с данными появится столбец «Рентабельность инвестиций в рекламу».
Как посчитать ROAS для кампаний в Яндекс.Директе
Для расчета ROAS нужны те же данные, что и для ROI — отчет «Электронная коммерция» — «Заказы» в Яндекс.Метрике.
17. Регулярный месячный доход (MRR)
MRR (Monthly Recurring Revenue) — ключевая метрика для сервисов с подпиской. По сути, это цена, которую клиенты заплатили за месяц использования сервиса.
MRR = Количество клиентов * Средний доход с клиента за период (ARPU)
На основании этого показателя рассчитывается регулярный годовой доход. Для этого полученный MRR умножается на 12.
Где посмотреть данные о MRR:
- Стандартные бухгалтерские отчеты.
- Данные из выписок по оплате клиентов.
- CRM.
Метрика актуальна для Saas-проектов, продающих ПО по подписке. Используется для сравнения доходов, получаемых от клиентов, с расходами на их привлечение.
18. Показатель оттока клиентов (Churn Rate)
Отток клиентов показывает, какое количество пользователей прекратило быть вашими клиентами за период времени: отписались от канала коммуникации, отказались от услуг сервиса и т. д.
Churn Rate = ((Кол-во клиентов в начале периода – Кол-во клиентов в конце периода)/Кол-во клиентов в начале периода) * 100 %
Средний показатель Churn Rate составляет 2–8% от MRR. Низкий уровень оттока составляет до 2% от MRR. При этом существует зависимость между возрастом компании и уровнем оттока: у молодых компаний отток находится в пределах 4–24%, у компаний возрастом от 10 лет Churn Rate составляет 2–4%.
Важно! Churn Rate может принимать отрицательное значение. Такое бывает, когда в конце периода количество клиентов выросло.
Как понять, что клиент ушел:
- SaaS–сервис. Клиент отказался от услуг компании или не продлил подписку.
- Интернет–магазин. Здесь оплата не проходит в определенный период времени, как в случае с SaaS–сервисами. Поэтому сначала сегментируйте людей по частоте покупок. Например, покупают каждый месяц, раз в квартал, раз в полугодие и год. Если человек, который осуществлял покупки ежемесячно, за полгода ничего не купил, то его можно отнести к потерянным клиентам.
Для анализа оттока пользователей используется когортный анализ. В Google Analytics он доступен в отчетах в разделе «Аудитория».
Churn Rate актуален для компаний, основной доход которых зависит от постоянных клиентов. Проведите анализ причин, по которым клиенты отказались от ваших услуг. Они могут быть непреднамеренными (человек сменил место жительства) или намеренными (не устроила цена, сервис, качество). Промониторьте предложения конкурентов.
19. Показатель оттока дохода (Revenue Churn)
Revenue Churn (MRR Churn Rate) показывает, сколько денег теряет компания из-за оттока клиентов.
Revenue Churn = (Доход, потерянный за период/Доход в начале периода) * 100%
Чем меньше Revenue Churn, тем лучше.
20. Доля рынка (SOM)
SOM (Serviceable & Obtainable Market) — реально достижимый объем рынка. SOM показывает долю рынка вашей компании в сравнении с конкурентами.
SOM = (Объем продаж компании/Общие продажи на рынке) * 100 %
Показатель позволяет объяснить отклонения от плана продаж. Например, сократился спрос на товар/услугу, сократились объемы продаж в компании, появились сильные конкуренты и т. д.
21. Доля кошелька (SOW)
SOW — показывает, какой процент денег потратил клиент в вашей компании от общей суммы, которую клиент тратит на товары/услуги той же категории.
SOW = (Сумма, потраченная на ваши товары / Сумма, потраченная на товары этой категории) * 100%
Для расчета SOW нужно проводить маркетинговые исследования или собирать фокус-группы.
22. Коэффициент удержания клиентов (CRR)
CRR показывает, какой процент клиентов за период являются действующими.
CRR=((Кол-во клиентов в конце периода — Новые клиенты за период)/Кол-во клиентов за период) * 100%
Рассчитать этот показатель позволяет когортный анализ, а также данные по клиентам из CRM.
23. MQL, SQL, PQL
Метрики показывают квалификацию лидов, то есть позволяют оценить готовность потенциальных покупателей купить товар или услугу. Применяются в лид-скоринге.
Маркетинговые лиды (MQL, Marketing Qualified Leads) — лиды, которые собрала команда маркетинга с помощью различных рекламных материалов, лид-магнитов, подписок на email рассылку.
Лиды относятся к маркетинговым, если пользователь:
- Зарегистрировался на сайте.
- Подписался на вебинар
- Заполнил анкету во время выставок, промо-акции и т. д.
Эти люди пока еще не готовы сотрудничать с вами. Поэтому их контакты передают в отдел продаж или маркетинга для дальнейшего привлечения.
Лиды готовые для продаж (SQL, Sales Qualified Leads) — лиды, которые переданы отделу продаж. Потенциальные пользователи, отнесенные в эту группу, практически готовы совершать покупки. Например:
- человек разместили свой заказ в корзине покупок, но не оформил его;
- корпоративный клиент обратился в отдел продаж для изучения индивидуальных предложений.
В таких ситуациях отдел продаж изучает собранные о клиенте данные, составляет индивидуальное предложение и связывается с ним для дальнейшего привлечения.
Продукт-квалифицированные лиды (PQL, Product-Qualified лиды) — потенциальные клиенты, которые использовали ваш продукт и достигли заранее определенных триггеров, повышающих вероятность их конвертации.
Примеры продукт-квалифицированных лидов:
- Использование демо-версии ПО.
- Оформление бесплатной подписки на сервис.
- Прослушивание семинара в свободном доступе.
- Заказ пробника товара.
Где брать данные: отчеты по целям, конверсиям в Яндекс.Метрике и Google Analytics.
Основные понятия базового подсчета
Подсчет количества элементов обычно используется для подсчета количества уникальных элементов в наборе, таких как подсчет UV определенного веб-сайта или количества ключевых слов, по которым пользователи ищут веб-сайт. Такие области, как анализ данных, мониторинг сети и оптимизация базы данных, требуют базового подсчета. Чтобы добиться подсчета количества элементов, проще всего записать все уникальные элементы в коллекцию S_uS u, при появлении нового элемента x_ix i, если S_uS u не содержит элемент x_ix i , Добавьте x_ix i к S_uS u, в противном случае не складывайте, значение счетчика — это количество элементов в S_uS u. У этого подхода есть две проблемы:
- Когда количество статистических данных становится больше, соответствующая память для хранения увеличивается линейно.
- Когда набор S_uS u становится больше, стоимость оценки того, содержит ли он недавно добавленный элемент x_ix i, становится больше.
В контексте больших объемов данных, чтобы достичь кардинального счета, вам сначала необходимо определить план хранения статистических данных и способ вычисления кардинального значения на основе сохраненных данных. Кроме того, существуют также сценарии, в которых необходимо интегрировать несколько независимых статистических кардинальных значений, например, для веб-сайта Мы отдельно подсчитали УФ за три дня.Теперь нам нужно знать общее количество УФ за эти три дня и как интегрировать несколько статистических значений.
Базовый метод подсчета
B дерево
Самым большим преимуществом B-дерева является высокая эффективность вставки и поиска.Если вы используете B-дерево для хранения данных, которые необходимо подсчитать, вы можете быстро определить, существуют ли уже новые данные, и быстро вставить элементы в B-дерево. Чтобы вычислить базовое значение, вам нужно только рассчитать количество узлов в B-дереве. Поддержание структуры B-дерева в памяти позволяет быстро подсчитывать и вычислять, но все еще остаются проблемы.Структура B-дерева только увеличивает эффективность поиска и вставки, но не экономит память. Например, если вы хотите одновременно подсчитать десятки тысяч связанных UV, трафик каждой ссылки будет очень большим, если вы сохраните эти данные в памяти, это действительно подавит.
bitmap
Растровое изображение можно понимать как структуру данных, которая хранит определенные данные в битовом массиве. Каждый бит может независимо содержать информацию. Бит — это наименьшая единица хранения данных, поэтому он может сэкономить много места, а также может сохранить все битовые данные сразу. Загрузить в память расчет. Если вы определяете большой битовый массив, каждый элемент в статистике мощности соответствует одному биту битового массива.Например, битовый массив 001101001001101001 представляет собой фактический массив [2,3,5,8] [2,3,5,8]. Чтобы добавить новый элемент, вам нужно только выполнить вычисление поразрядного ИЛИ (или) (или) для существующего битового массива и вновь добавленного числа. Количество единиц в битовой карте — это базовое значение набора.
Одним из очевидных преимуществ растрового изображения является то, что он может легко объединить несколько статистических результатов, и для этого достаточно выполнить XOR для нескольких результатов. Память для хранения также может быть значительно уменьшена. Вы можете выполнить простой расчет. Если вы хотите посчитать базовое значение в 100 миллионов данных, вам потребуется примерно память: 100000000/8/1024/1024 приблизительно 12M
Если вы используете 32-битное int для представления всех статистических данных, потребуется приблизительно память:
32*100000000/8/1024/1024 approx≈ 381M
Экономия памяти для растровых изображений очевидна, но этого недостаточно. Для подсчета базового значения объекта требуется 12 млн. Если подсчитано 10 000 объектов, требуется почти 120 ГБ, что также не широко используется в сценариях больших данных.
Вероятностный алгоритм
Фактически, нет более эффективного алгоритма для точного вычисления мощности в сценариях больших данных, поэтому использование вероятностных алгоритмов является хорошим решением без погони за абсолютной точностью. Вероятностный алгоритм не сохраняет непосредственно набор данных. Базовое значение оценивается с помощью определенного статистического метода вероятности. Этот метод может значительно сэкономить память и обеспечить контроль ошибки в определенном диапазоне. Текущие вероятностные алгоритмы, используемые для базового подсчета, включают:
- Линейный подсчет (LC): ранний алгоритм оценки мощности. LC не является превосходным с точки зрения пространственной сложности. Фактически, пространственная сложность LC такая же, как и у простого метода растрового изображения, описанного выше (но есть постоянное снижение уровня). Оба равны O (N_ {max}) O (N max);
- LogLog Counting (LLC): LogLog Counting экономит больше памяти, чем LC, а сложность пространства составляет всего O (log_2 (log_2 (N_ {max}))) O (log 2 (log 2 (N max )))
- Подсчет HyperLogLog (HLL): Подсчет HyperLogLog — это оптимизация и усовершенствование, основанное на LLC. При той же сложности пространства он может иметь меньшую ошибку, чем ошибка базовой оценки LLC.
Ниже мы сосредоточимся на принципе и процессе расчета HLL.
Потрясающая производительность HyperLogLog
Выше мы подсчитали, что использование растрового изображения для хранения 110 миллионов статистических данных требует примерно 12 МБ памяти; в HLL требуется менее 1 КБ памяти; HyperLogLog, реализованный в Redis, требует только 12 КБ памяти со стандартной ошибкой 0,81%. При условии, что он может считать 2 ^ {64} 2 64 данных. Прежде всего, позвольте мне рассказать о силе и очаровании математики, так как же вероятностные алгоритмы так экономят память и как они контролируют ошибки?
Во-первых, кратко покажите базовую практику HLL. На самом деле в HLL хранится большой массив SS длиной в миллиметры. Подсчитываемый набор данных делится на миллиметровые группы, и каждая группа записывает статистическое значение в соответствии с алгоритмом и сохраняет его в массиве. Размер массива в миллиметрах определяется разработчиком алгоритма. Размер этого массива в redis равен 16834. Чем больше миллиметр, тем меньше ошибка базовой статистики, но тем больше требуется объем памяти.
ВотHLL demoДавайте посмотрим, как HLL сделал такую невообразимую вещь.
- Вычислить битовую строку, соответствующую входному значению, с помощью хеш-функции
- Число, соответствующее младшим битам t (t = log_2 ^ m) t (t = log 2 m) битовой строки, используется для нахождения соответствующей позиции в массиве SSii.
- t + 1t + 1 цифры начинают поиск позиции kk, где появляется первая 1, и записывают kk в позицию массива S_iS i
- На основе статистических значений всех данных, записанных в массив SS, вычислите общее кардинальное значение. Формулу расчета можно просто выразить как: hat {n} = f (S) n ^ = f (S)
Видя, что в моем сердце должно быть бесчисленное множество вопросительных знаков, можем ли мы действительно сосчитать базу из сотен миллионов данных? Позвольте мне подвести итог и сначала задам три вопроса:
- Зачем записывать позицию первой 1?
- Зачем нужен массив ведра SS?
- Какова формула для расчета мощности через массив ведра SS?
Понимание принципа Hyperloglog
Возьмем наиболее знакомый нам подбрасывание монеты. Вероятность как передней, так и оборотной стороны равна 1/2. Продолжайте подбрасывать монету, пока не появятся орлы. Запишите количество подбрасываний kk. Этот процесс подбрасывания монеты много раз до появления орлов записывается как один раз. Процесс Нури. Для nn процессов Бернулли мы получим nn голов бросков k_1k 1, k_2k 2 …… k_nk n, где максимальное значение равно k_ {max } k max, то можно сделать следующие выводы:
- Количество бросков процесса Бернулли nn не больше k_ (max) k max
- nn процессов Бернулли, по крайней мере, один бросок равен k_ {max} k max
Для первого вывода вероятность того, что число бросков процесса Бернулли nn не превышает k_ {max} k max, выражается математической формулой:
P_n(X le k_{max})=(1-1/2^{k_{max}})^nPn(X≤kmax)=(1−1/2kmax)n
Второй вывод заключается в том, что вероятность того, что k_ {max} k max хотя бы один раз будет равна, выражается математической формулой:
P_n(X ge k_{max})=1-(1-1/2^{k_{max}-1})^nPn(X≥kmax)=1−(1−1/2kmax−1)n
Когда n ll 2 ^ {k_ {max}} n≪2 k max, P_n (X ge k_ {max}) приблизительно0P n (X≥k max) ≈0, то есть, когда nn намного меньше 2 ^ {k_ {max}} 2 k max, первый вывод выше неверен;
Когда n gg 2 ^ {k_ {max}} n≫2 k max, P_n (X le k_ {max}) приблизительно0P n (X≤k max) ≈0, то есть, когда nn намного больше 2 ^ {k_ {max}} 2 k max, второй вывод выше неверен. Следовательно, кажется, что мы можем использовать значение 2 ^ {k_ {max}} 2 k max для оценки размера nn.
Вышеупомянутые выводы можно резюмировать следующим образом: проводится nn экспериментов по подбрасыванию монеты, и каждый раз записывается количество подбрасываний kk для первого подбрасывания вперед, затем можно использовать наибольшее количество подбрасываний k_ {max} k max в n экспериментах. Чтобы оценить количество экспериментальных групп, n: hat {n} = 2 ^ {k_ {max}} n ^ = 2 k max
Можно использовать набор небольших экспериментов, чтобы проверить, насколько разумен этот метод оценки.
Возвращаясь к проблеме базовой статистики, нам нужно подсчитать количество уникальных элементов в наборе данных. После хеш-функции каждый элемент в наборе может быть выражен как строка двоичных чисел, состоящая из 0 и 1. Двоичная строка может быть сопоставлена с однократной В эксперименте с подбрасыванием монеты 1 означает бросок в голову, а 0 — наоборот. Положение, в котором первая единица появляется из нижнего положения в двоичной строке, можно понимать как количество орлов kk впервые в эксперименте по подбрасыванию монеты. Основываясь на вышеизложенных выводах, мы можем передать эксперимент с максимальным подбрасыванием монеты орлам. Количество раз используется для оценки общего количества выполненных экспериментов, и максимальное количество первых 1 появлений k_ {max} k max также может использоваться для оценки общего количества различных чисел (общая база).
Этот метод оценки характеристик общего потока данных через локальную информацию, кажется, немного выходит за рамки нашего базового понимания. Вероятность и статистика необходимы для получения и проверки этой взаимосвязи. Ядро HyperLogLog — наблюдать за битовой строкой, соответствующей каждому числу в наборе, и оценивать общую мощность набора путем подсчета и записи позиции наибольшего вхождения 1 в битовой строке, что может значительно снизить потребление памяти.
Теперь вернитесь к первому вопросу о HyperLogLog во втором разделе.Почему вы хотите подсчитывать позицию первой единицы в хеш-значении?
Положение первой единицы можно сравнить с количеством подбрасываний при первом подбрасывании монеты в эксперименте с подбрасыванием монеты. В соответствии с заключением эксперимента с подбрасыванием монеты запишите первое появление всех данных Позиция kk набора данных может быть получена из максимального значения {k_ {max}} k max: hat {n} = 2 ^ {k_ {max}} n ^ = 2 K макс.
Объяснение алгоритма Hyperloglog
Средний ковш
Основная идея HLL состоит в том, чтобы использовать максимальное значение первой единицы битовой строки в наборе для оценки общей мощности. Однако этот метод оценки имеет большие ошибки. Чтобы улучшить ситуацию с ошибками, HLL вводит среднее значение сегмента концепция. Чтобы
Возьмем тот же пример подбрасывания монеты. Если есть только одна серия экспериментов с подбрасыванием монеты, удача — это хорошо. Первый раз в процессе эксперимента подбрасывается 10 раз перед первым подбрасыванием орла. Очевидно, по формуле Расчетная ошибка количества экспериментов, полученных с помощью этой дедукции, относительно велика; если 100 групп проводят эксперименты по подбрасыванию монеты одновременно, вероятность такой удачи в одно и то же время очень мала. Каждая группа проводит несколько экспериментов по подбрасыванию монеты и сообщает о подбрасывании монеты во время каждого эксперимента. Максимальное количество лобовых бросков позволяет оценить общее количество экспериментов на основе в среднем 100 групп.
Основной принцип усреднения ковша состоит в том, чтобы разделить статистические данные на миллиметровые ковши, и каждый ковш считает свое собственное {k_ {max}} k max и может получить соответствующее базовое оценочное значение hat {n} n ^ Наконец, усредните эти hat {n} n ^, чтобы получить общую базовую оценку. Среднее геометрическое используется в LLC для оценки общего базового значения, но когда количество статистических данных мало, ошибка больше; HLL улучшается на основе LLC с использованием среднего гармонического, преимущество гармонического среднего заключается в том, что оно может отфильтровать нездоровую статистику Конкретная формула расчета:
Вернемся ко второму вопросу о HLL во втором разделе, почему существует bucket-массив? Массив ведра предназначен для уменьшения случайной ошибки и повышения точности оценки. Итак, как определить размер массива ведра? Чтобы
Устанавливается разработчиком алгоритма, например указанным вышеHLL demoЗадайте размер статистического массива. Если битовая строка, полученная функцией, составляет 32 бита, необходимо 6 () битов для определения положения сегмента в массиве сегментов, а 26 битов остаются (максимальная позиция, в которой необходимо записать 1) Значение равно 26), тогда каждому сегменту в массиве требуется 5 () битов для записи позиции первого вхождения 1, а память, необходимая для всего массива статистики:
— это базовое число, которое можно подсчитать с 32-битной памятью.
Коррекция отклонения
Вышеупомянутая оценка после усреднения по сегментам кажется очень хорошей, но с помощью математического анализа можно узнать, что это не объективная оценка базы n. Следовательно, его необходимо скорректировать до объективной оценки. Конкретный математический анализ этой части находится в «Loglog Counting of Large Cardinalities»в.
Коэффициент определяется размером статистического массива. Конкретная формула:
Согласно анализу и выводам в статье, HLL — это асимптотическая несмещенная оценка, такая как LLC, а асимптотическая стандартная ошибка выражается как:
Таким образом, чем больше размер статистического массива, тем меньше стандартная ошибка базовой статистики, но тем больше требуется дискового пространства.В этом случае стандартная ошибка HLL составляет 1,1%.
Хотя гармоническое среднее может правильно исправить ошибку алгоритма, автор дает алгоритм поэтапной коррекции. Когда алгоритм HLL начинает подсчет данных, большинство позиций в статистическом массиве являются пустыми данными, и для заполнения массива требуется некоторое время. На этом этапе вводится метод коррекции небольшого диапазона; когда статистический массив в алгоритме HLL заполнен, База данных, которую необходимо подсчитать, очень велика. В это время будет много коллизий в хеш-пространстве. На этом этапе вводится метод крупномасштабной коррекции. Окончательный алгоритм может быть выражен следующим образом в псевдокоде.
-
m = 2^b # with b in [4...16] -
if m == 16: -
alpha = 0.673 -
elif m == 32: -
alpha = 0.697 -
elif m == 64: -
alpha = 0.709 -
else: -
alpha = 0.7213/(1 + 1.079/m) -
registers = [0]*m # initialize m registers to 0 -
########################################################################### -
# Construct the HLL structure -
for h in hashed(data): -
register_index = 1 + get_register_index( h,b ) # binary address of the rightmost b bits -
run_length = run_of_zeros( h,b ) # length of the run of zeroes starting at bit b+1 -
registers[ register_index ] = max( registers[ register_index ], run_length ) -
########################################################################## -
# Determine the cardinality -
DV_est = alpha * m^2 * 1/sum( 2^ -register ) # the DV estimate -
if DV_est < 5/2 * m: # small range correction -
V = count_of_zero_registers( registers ) # the number of registers equal to zero -
if V == 0: # if none of the registers are empty, use the HLL estimate -
DV = DV_est -
else: -
DV = m * log(m/V) # i.e. balls and bins correction -
if DV_est <= ( 1/30 * 2^32 ): # intermediate range, no correction -
DV = DV_est -
if DV_est > ( 1/30 * 2^32 ): # large range correction -
DV = -2^32 * log( 1 - DV_est/2^32)
Реализация Hyperloglog в Redis
Redis реализован на основе описанного выше алгоритма HLLHyperLogLogСтруктура, используемая для подсчета количества уникальных данных в наборе данных. Размер статистического массива в redis установлен так, что хеш-функция генерирует 64-битный массив, биты которого используются для определения позиции статистического массива, а оставшиеся 50 бит используются для записи позиции, в которой появляется первая 1. Максимальная позиция — 50, что требует битовой записи.
Тогда максимальный объем памяти, необходимый для статистического массива: Стандартная ошибка базовой оценки. Вы можете узнать о HyperLogLog в RedisРеализация исходного кода。
Справочное чтение
Redis new data structure: the HyperLogLog
HyperLogLog — Cornerstone of a Big Data Infrastructure
Интерпретация алгоритма оценки мощности (Часть 4: Подсчет HyperLogLog и адаптивный подсчет)