Как сегментировать кампании в «Яндекс.Директе» с помощью Power BI за две минуты. Power bi директ яндекс


Получение баланса Яндекс Директа в Power BI для агентства • Павел Максимов

Получить баланс для агентских аккаунтов еще не было так просто, ловите решение.

Кол-во клиентов в одном запросе не должно превышать 50. Если у вас больше, создаете еще один запрос, дальше сцепляете таблицу в одну.

Куда вставлять токен и названия логинов, отмечено цветным шрифтом. Где взять токен ищите в яндексе

let content = "{ ""method"": ""AccountManagement"", ""token"": ""Введите сюда ваш токен"", ""param"": { ""SelectionCriteria"": { ""Logins"": [""client1"",""client2""] }, ""Action"": ""Get"" } }", #"Sourse" = Json.Document(Web.Contents("https://api.direct.yandex.ru/live/v4/json/", [Content=Text.ToBinary(content)])), data = Sourse[data], Accounts = data[Accounts], #"Преобразовано в таблицу" = Table.FromList(Accounts, Splitter.SplitByNothing(), null, null, ExtraValues.Error), #"Развернутый элемент Column1" = Table.ExpandRecordColumn(#"Преобразовано в таблицу", "Column1", {"Login", "AmountAvailableForTransfer", "Currency", "AccountID", "EmailNotification", "Discount", "AgencyName", "SmsNotification", "Amount"}, {"Login", "AmountAvailableForTransfer", "Currency", "AccountID", "EmailNotification", "Discount", "AgencyName", "SmsNotification", "Amount"}) in #"Развернутый элемент Column1"

Не забываем поделиться :)

Обязательно подпишитесь на канал в Телеграмм, чтобы быть в курсе всего!

И задавайте вопросы в комментариях, постараюсь быстро ответить.

goodppc.ru

Расчет корректировок ставок Яндекс.Директ с помощью подключения к API Яндекс.Метрики

  • Published on21-Apr-2017

  • View1.584

  • Download0

DESCRIPTION

Расчет корректировок ставок Яндекс.Директ с помощью подключения к API Яндекс.Метрики Power BI Расчет…

Transcript

Расчет корректировок ставок Яндекс.Директ с помощью подключения к API Яндекс.Метрики Power BI Расчет корректировок ставок Яндекс.Директ с помощью подключения к API Яндекс.Метрики Сергей Лосев https://fb.com/LossevSergey 1 https://fb.com/LossevSergey О корректировках ставок Корректировки ставок позволяют рекламодателям повысить или понизить цену клика при показе объявления определенной аудитории. Цену клика можно корректировать с помощью коэффициентов. Коэффициент — это заданная в процентах величина, на которую изменяется ставка. Целевая аудитория — для аудитории, соответствующей определенным условиям подбора. Мобильные — для рекламы на мобильных телефонах и смартфонах. Пол и возраст — для аудитории определенного пола или возраста. 2 https://fb.com/LossevSergey https://fb.com/LossevSergey 2 Disclaimer В дальнейших примерах в качестве ключевого параметра взят показатель отказов. Да, в качестве расчетного параметра было бы более правильно взять какую-нибудь цель, но цель у каждого сайта/бизнеса может быть своя, и считаться по-разному, а показатель отказов есть у всех, и считается он для всех одинаково. Рассмотрим анализ корректировок только для пола 3 https://fb.com/LossevSergey https://fb.com/LossevSergey 3 https://fb.com/LossevSergey 4 https://fb.com/LossevSergey 5 В среднем, у мужчин показатель отказов меньше, чем у женщин, поэтому есть смысл бюджет на мужчин увеличить, а на женщин уменьшить. Средний показатель отказов по кампании равен примерно ~(40%+60%)/2=50%. Тогда мы можем добавить мужчинам +10% ставки, а женщинам -10%, чтобы сумма корректировок равнялась нулю https://fb.com/LossevSergey 6 Корректировки на уровне кампании https://fb.com/LossevSergey 7 https://fb.com/LossevSergey 8 Корректировки на уровне кампании Идеальная настройка кампании – по всем полам и по всем возрастам https://fb.com/LossevSergey 9 Совсем идеальная настройка – скорректировать ставки на уровне каждой группы кампании https://fb.com/LossevSergey 10 Подключение к API Метрики https://fb.com/LossevSergey 11 Рассмотрим простое подключение к API и скачаем список счетчиков, доступных в аккаунте Яндекс.Метрики Документация – наше всё! https://fb.com/LossevSergey 12 * Read The Funny Manual https://tech.yandex.ru/metrika/doc/ref/reference/get-counter-list-docpage/ https://fb.com/LossevSergey 13 Смотрим пример https://fb.com/LossevSergey 14 Токен – ваш «временный пароль» к АПИ Как получить, подробнее тут - https://tech.yandex.ru/oauth/ https://fb.com/LossevSergey 15 Указываем адрес ресурса https://fb.com/LossevSergey 16 Получаем данные, указывая get-параметры из документации вторым аргументом функции Web.Contents https://fb.com/LossevSergey 17 В ответ получаем JSON, который распарсиваем функцией Json.Document https://fb.com/LossevSergey 18 В списке – записи с параметрами счетчиков https://fb.com/LossevSergey 19 Для дальнейшей работы преобразовываем список в таблицу https://fb.com/LossevSergey 20 Фильтруем и оставляем только интересующие счетчики https://fb.com/LossevSergey 21 Разворачиваем поля данных в столбцы и получаем таблицу со всеми параметрами счетчика https://fb.com/LossevSergey 22 Выведем на экран то, что получилось. Используем для этого визуализацию Таблица https://fb.com/LossevSergey 23 Прокликаем нужные галочки или перетащим интересующие поля в свойства визуализации https://fb.com/LossevSergey 24 А как получить данные о визитах и отказах? https://fb.com/LossevSergey 25 В доках – требуется указать адрес ресурса с get-параметрами. https://tech.yandex.ru/metrika/doc/api2/api_v1/data-docpage/ https://fb.com/LossevSergey 26 https://fb.com/LossevSergey 27 Создаём вручную таблицу с интересующими параметрами (ид счетчика, визиты, отказы итд). Не обязательно задавать все параметры, а пустые мы чуть позже отфильтруем https://fb.com/LossevSergey 28 Почти как в родном Excel’е https://fb.com/LossevSergey 29 При необходимости, редактируем таблицу нажатием на шестеренку тут Создаем пустой запрос и указываем URL ресурса, который взяли из документации. В нашем случае – в формате CSV https://fb.com/LossevSergey 30 Добавляем в качестве шага подготовленную ранее таблицу с параметрами https://fb.com/LossevSergey 31 Удаляем пустые значения параметров, иначе АПИ Метрики выдаст ошибку https://fb.com/LossevSergey 32 https://fb.com/LossevSergey 33 Конвертируем таблицу в запись. И передаем в функцию Web.Contents вторым аргументом https://fb.com/LossevSergey 34 Попутно «пришиваем» к записи полученный ранее токен https://fb.com/LossevSergey 35 Полученный ответ читаем как CSV-файл https://fb.com/LossevSergey 36 Делаем из первой строки названия столбцов https://fb.com/LossevSergey 37 Пропускаем одну строку с общими и средними результатами https://fb.com/LossevSergey 38 Изменяем тип некоторых данных с текста на числа, т.к. Метрика отдает все в виде текста https://fb.com/LossevSergey 39 Небольшое украшательство - переименовываем столбцы, укорачивая их названия https://fb.com/LossevSergey 40 В итоге получаем следующую таблицу https://fb.com/LossevSergey 41 То же самое переносим на лист визуализации. Слева – что спросили, справа – что получили https://fb.com/LossevSergey 42 Добавим к таблице вычисляемый столбец «Конверсии» https://fb.com/LossevSergey 42 https://fb.com/LossevSergey 43 Добавим меру «Показатель отказов» https://fb.com/LossevSergey 43 https://fb.com/LossevSergey 44 Вычислим окончательную корректировку ставок, добавив меру «Корректировка» https://fb.com/LossevSergey 44 https://fb.com/LossevSergey 45 Создадим окончательную таблицу https://fb.com/LossevSergey 45 https://fb.com/LossevSergey 46 Добавим вычисленные значения, перетянув соответствующие поля https://fb.com/LossevSergey 46 https://fb.com/LossevSergey 47 Добавим условное форматирование к полю «Корректировка» https://fb.com/LossevSergey 47 https://fb.com/LossevSergey 48 Раскрасим условное форматирование поля «Корректировка» как нам нравится https://fb.com/LossevSergey 48 https://fb.com/LossevSergey 49 Добавим визуальный элемент «Срез» https://fb.com/LossevSergey 49 https://fb.com/LossevSergey 50 И укажем поле «Кампания» https://fb.com/LossevSergey 50 https://fb.com/LossevSergey 51 Добавим еще срез и укажем поле «Пол» https://fb.com/LossevSergey 51 https://fb.com/LossevSergey 52 Зажав Ctrl и кликнув по срезу «Пол» в М и Ж, исключим тех, кто не определился с полом https://fb.com/LossevSergey 53 Укажем в срезе по кампаниям N-10433217: различия в эффективности между М и Ж незначительные https://fb.com/LossevSergey 54 Укажем в срезе по кампаниям N-10433275: различия в эффективности между М и Ж незначительные https://fb.com/LossevSergey 55 Кампания N-10433397: существенные различия между М и Ж. Можно перераспределить бюджет https://fb.com/LossevSergey 56 Добавим интерактива – сделаем срезы визуальными. Добавим диаграмму https://fb.com/LossevSergey 57 И наполним диаграмму полями, как указано ниже https://fb.com/LossevSergey 58 Теперь, при клике по секторам, таблица будет фильтроваться по М https://fb.com/LossevSergey 59 Или по Ж https://fb.com/LossevSergey 60 Добавим гистограмму и заполним поля, как на картинке https://fb.com/LossevSergey 61 Теперь, кликая по гистограмме, мы фильтруем таблицу и сегментируем круговую диаграмму по кампаниям https://fb.com/LossevSergey 62 И наоборот – кликая по сегменту диаграммы, сегментируем кампании гистограммы по полу https://fb.com/LossevSergey 63 А что, если мы хотим увидеть на гистограмме не сегментирование, а фильтрацию? Необходимо добавить фильтрацию во взаимодействие диаграмм https://fb.com/LossevSergey 64 Нужно кликнуть на эту воронку. Теперь, кликая по сегменту круговой диаграммы, на гистограмме фильтруется только указанный пол https://fb.com/LossevSergey 65 Аналогично поступаем с гистограммой, чтобы фильтровать круговую диаграмму по кампаниям https://fb.com/LossevSergey 66 А что, если мы хотим рассматривать данные только в разрезе одной кампании, при этом, иметь возможность выбрать только женский пол, а также одновременно визуализировать, как распределяются конверсии и отказы на одной диаграмме? %) https://fb.com/LossevSergey 67 Добавим лишь одно поле в гистограмму https://fb.com/LossevSergey 68 В шапку гистограммы добавятся новые иконки https://fb.com/LossevSergey 69 Теперь, нажав иконку детализации, мы можем перейти к drill-down’у https://fb.com/LossevSergey 70 И, кликнув по любому бару на гистограмме, «проваливаемся» на следующий уровень https://fb.com/LossevSergey 71 Теперь, если мы выключим drill-down и выберем, скажем, Ж, таблица полностью отфильтруется, а на диаграмме увидим, как распределены конверсии и отказы https://fb.com/LossevSergey 72 Если же мы теперь кликнем с зажатым Ctrl на М, то увидим, как распределены М и Ж одновременно. А таблица примет вид, как ранее на слайде со срезами Почитать https://fb.com/LossevSergey 73 https://habrahabr.ru/post/311600/ - Power Query: как перестать бояться функционального программирования и начать работать в расширенном редакторе запросов https://yandex.ru/support/direct/impressions/bids-adjustment.xml - Яндекс.Директ, Корректировки ставок https://tech.yandex.ru/metrika/doc/ref/concepts/About-docpage/ - API Яндекс.Метрики V1 https://tech.yandex.ru/metrika/doc/api2/concept/about-docpage/ - API Яндекс.Метрики V2 https://powerbi.microsoft.com/ru-ru/ - Скачать Power BI https://powerbi.microsoft.com/ru-ru/documentation/powerbi-desktop-getting-started/ - Документация по Power BI - Начало работы с Power BI Desktop Скачать файл с примером - https://1drv.ms/u/s!Aq7ba36yLJYqpk6rqV3S7qIWbAln Обратная связь 74 https://fb.com/LossevSergey

documents.tips

Microsoft Power BI в интернет-маркетинге — дайджест полезных публикаций — Netpeak Blog

В предыдущих статьях я рассказывал, как автоматизировать бизнес-процессы с помощью языка R. В этой подборке я решил структурировать материал о еще одном важном инструменте каждого веб-аналитика и маркетолога — Microsoft Power BI. Инструмент связывает данные, полученные из множества различных источников, и визуализирует их в виде удобных интерактивных отчетов.

Business intelligence (BI) — методы и инструменты для перевода необработанной информации в осмысленную, удобную форму. Эти данные используются для бизнес-анализа. Технологии BI обрабатывают большие объемы неструктурированных данных, чтобы найти стратегические возможности для бизнеса.

1. Инструкция по работе с Power BI

Microsoft Power BI — мощный бесплатный инструмент веб-аналитики. В начальной инструкции для новичков я собрал основные советы по работе с платформой:

  • как загрузить в программу нужный набор данных на примере интеграции с Google Analytics или загрузки данных из MySQL;
  • как упорядочить данные, чтобы привести их к нужному для визуализации виду;
  • как построить простейшую модель данных;
  • как построить отчет, где будут отображаться данные из разных источников;
  • как настроить фильтры данных, выбрать подходящие элементы визуализации и опубликовать результат для просмотра в онлайн-версии Power BI.

2. Анализируем статистику рекламных кампаний в Excel и Power BI

Вспомните, сколько времени вы тратите на планирование работ по рекламным кампаниям и анализ их статистики. Хотите строить модели KPI, считать вероятность конверсии и создавать дашборды быстрее и эффективнее?

В этой статье Максим Уваров поделился лайфхаками, как моделировать KPI рекламных кампаний, как прогнозировать конверсию и строить интерактивные дашборды.

3. Получаем данные из Google Analytics в R и загружаем Power BI

Для анализа данных о посещениях сайта значительно удобней использовать возможности Power BI, но встроенный коннектор к Google Analytics очень ограничен в своих возможностях. Поэтому для этой задачи самое эффективное решение — использовать пакет RGA и R коннектор в Power BI:

  • получать данные из любого сервиса API Google Analytics (Reorting API, Multi Chanel, Real Time API) для дальнейшей работы с ними в R;
  • обходить сэмплирование данных;
  • загружать данные из Google Analytics в одну из наиболее популярных BI-платформ Microsoft Power BI, обходя все ограничения и недоработки стандартного коннектора Google Analytics.

4. Инструкция по работе с закладками в Power BI

Закладки — это относительно новый функционал в Power BI. Microsoft даже устраивал отдельный конкурс по применению закладок в своих дашбордах. С помощью закладок вы можете придать еще большей интерактивности своим отчетам, а также более компактно организовать на них визуальные элементы.

5. Экспортируем данные из ВКонтакте в Power BI

ВКонтакте по-прежнему остается одной из самых популярных социальных сетей в СНГ, но в Power BI нет встроенного коннектора для загрузки данных из ВКонтакте. Для решения этой задачи я написал пакет функций на языке R: с помощью rvkstat вы можете получить практически любые данные о пользователях, сообществах и рекламных кабинетах из ВКонтакте в Power BI.

6. Синхронизируем Яндекс.Директ с Microsoft Power BI

Яндекс.Директ собирает много данных, но в интерфейсе сервиса их неудобно анализировать. Для читателей блога я составил пошаговую инструкцию по визуализации статистики рекламных кампаний в Power BI с помощью языка R. На основе импортированных данных из Яндекс.Директ в Microsoft Power BI вы сможете составлять понятные отчеты и обновлять их в режиме реального времени.

7. Получаем и обрабатываем данные из Яндекс.Метрики

В большинстве случаев при поверхностном анализе поведения посетителей сайта достаточно посмотреть на каким-либо образом сгруппированные данные, например, по источникам трафика или рекламным кампаниям.

Но если вы хотите копнуть глубже — посмотреть всю историю взаимодействия конкретного пользователя с вашим сайтом или оценить вклад в совершение транзакций каждого источника трафика — вам понадобится работать с сырыми (несгруппированными) данными.

При работе с Яндекс.Метрикой такую возможность вам предоставляет Logs API. Для загрузки сырых данных в Power BI можно использовать R пакет ryandexdirect. В этой статье описан подробный алгоритм для загрузки сырых данных.

8. Синхронизируем Google BigQuery с Microsoft Power BI

Google и Microsoft во многом конкурируют: интеграции между их продуктами вовсе нет или есть, но ее реализация оставляет желать лучшего.

Для загрузки данных из Google BigQuery в Power BI с недавних пор есть встроенный коннектор, но он очень ограничен по функционалу. С его помощью не получится обращаться к данным в BigQuery по SQL-запросам и нельзя получать данные из представлений.

В этой статье я описал несколько эффективных способов интеграции между Power BI и Google BigQuery.

9. Как мы внедрили BI-аналитику в отделе контекстной рекламы

Специалисты нашего агентства раньше тратили много времени, составляя вручную отчеты в электронных таблицах. Мы посчитали количество затраченных на автоматизацию человекочасов и умножили на среднюю стоимость рабочего часа сотрудника. Увидев результат, мы поняли, что больше нельзя игнорировать автоматизацию и разработали веб-аналитическое решение для целого отдела. Читайте, что у нас получилось.

10. Экономим время специалиста при работе с крупным проектом

Как автоматизировать сбор и консолидацию данных из Google AdWords, Яндекс.Директ, Facebook, MyTarget, AT Internet и AdJust на уровне рекламных кампаний, типов устройств и платформ, а также настроить визуализацию данных из всех перечисленных источников с возможностью онлайн-доступа к отчетам? Читайте, как в агентстве Netpeak оптимизировано время специалистов, которые рекламируют OLX.

11. Как мы сделали аналитический инструмент для блога Netpeak

С помощью аналитического инструмента мы оцениваем:

  • все источники и каналы трафика, которые приводят в блог будущих клиентов;
  • какие статьи «ключевые» перед оплатой;
  • какие именно клиенты приходят из блога (малый, средний или крупный бизнес) и многое другое.

Все эти метрики дают нам полное понимание, сколько денег мы получили за определенный период, привлекая новых клиентов с помощью блога.

Если у вас остались вопросы по Power BI, задавайте их в комментариях.

netpeak.net

Идеальная модель атрибуции для Яндекс Директ при помощи Power BI

Автор: Александр Морин, ведущий специалист отдела контекстной рекламы компании Webit.

Работая над оптимизацией рекламных кампаний в Яндекс Директ, мы столкнулись с несколькими проблемами. У клиента есть многостраничный сайт по продаже электронных подписей. Пользователи заходят на сайт несколько раз, изучают материал, затем могут оставить заявку или позвонить. У нас нет доступа к CRM клиента, поэтому мы не можем отследить дальнейший путь пользователя. Это затрудняет оптимизацию кампаний, так как неизвестно, с каких кампаний были продажи. При отсутствии отчетов по продажам, мы работаем на уровне обращений.

При составлении отчетов по обращениям возникает несколько стандартных проблем:

• пользователи совершают обращение после нескольких визитов на сайт, поэтому модель атрибуции Last Click дает некорректные данные• заявки и звонки часто совершаются одним и тем же пользователем, что приводит к дублированию данных и ошибкам в расчетах итоговых показателей• клиент хотел бы видеть данные по обращениям (включая звонки) в едином отчете

При попытках сведения статистики с учетом атрибуции, столкнулись с техническими проблемами:

• вопрос выбора модели атрибуции, которая наиболее точно покажет вклад каждого источника в конверсию• стандартный API Google Analytics не отдает данные в заданных моделях атрибуции• не все звонки корректно передавались в Google Analytics

Проблема требовала глобального решения. Мы предпочли не только избавиться от погрешностей, но и дополнить решение собственной моделью атрибуции. Для нас важно было учитывать активность пользователя при движении к конверсии.

Например, перейдя с поиска первый раз, пользователь просмотрел 10 страниц, перейдя потом с контекстной рекламы в РСЯ — 5 страниц, а в третий раз перешел с ретаргетинга и совершил конверсию, но просмотрел всего 2 страницы. Можно предположить, что самая важная часть его знакомства с сайтом состоялась при переходе с поиска. Исходя из этого, мы назначаем ценность каждому рекламному каналу и можем рассчитать вклад канала в конечную конверсию.

Для измерения активности пользователей мы выбрали показатель «хиты». Он включает в себя посещения страниц и все события в Google Analytics.

Мы поставили задачу объединить пользователей по Client ID, исключить дублирование обращений и учесть поведение людей на сайте при моделировании атрибуции. Это позволит составить сводный отчет по всем рекламным кампаниям. Его можно показать клиенту и использовать для оптимизации рекламы. При этом у нас будет четкое обоснование выбора модели атрибуции, а у клиента будет уверенность в качестве нашей работы.

Реализация

1. Client ID

Нужно добавить Client ID в Google Analytics. Это основной параметр для сведения данных и построения моделей атрибуции. Из всех инструкций по установке Client ID, мы выбрали метод Simo Ahava. После сбора статистики по Client ID в течение нескольких месяцев, получили данные для анализа.

2. Big Analytics Data

Для выгрузки данных по API из Google Analytics мы выбрали инструмент Big Analytics Data. Он бесплатный, удобный, позволяет регулярно обновлять данные. Также, он показывает семплирование данных и позволяет его обходить. Работает как дополнение к Google SpreadSheets, устанавливается аналогично:

Ниже показана конфигурация отчета. Параметр ga:dimension1 — пользовательский параметр Client ID. Цели с номерами 4 и 5 — формы на сайте.

После обработки данных, получили таблицу:

3. Запрос по API к коллтрекингу

Помимо данных из Google Analytics, нужны данные коллтрекинга. Изучив справку API коллтрекинга, написали запрос:

После преобразования данных, получили табличку, похожую на приведенную выше, но уже по звонкам:

4. Объединение таблиц: аналитика и коллтрекинг

Соединяем таблички в единое целое:

Складываем заявки и звонки, получая единый столбец — обращения (app). Сводим данные по client_id, дате, источнику, каналу и кампании:

В итоге получили таблицу с Client ID, источниками, каналами и кампаниями, хитами и обращениями. Теперь можно строить модели атрибуции.

5. Группировка All Rows

Основной метод объединения данных по Client ID в Power Query — группировка All Rows (Все строки). C её помощью мы получили табличку из 2 столбцов — Client ID и все остальные данные:

В каждой ячейке второго столбца содержится таблица с подробными данными по этому Client ID:

Теперь нужно посчитать суммарное количество хитов по каждому Client ID, чтобы в дальнейшем можно было узнать долю каждого источника.

Используем функцию List.Sum для подсчета общего количества хитов (hits_sum):

Аналогичным способом считаем сумму обращений (app_sum). В итоге получаем два новых столбца:

После чего разворачиваем столбец «Все строки», нажимая на значок справа от названия столбца:

Таблица возвращается к прежнему виду, но теперь у нас есть сумма хитов и сумма обращений по каждому Client ID:

6. Удаление дублей в обращениях

Сводим к единице или нулю количество обращений по каждому Client ID. Если клиент не обращался — ноль, если обратился хотя бы один раз — единица:

7. Вычисление количества обращений

Рассчитываем ценность каждого визита в обращении (value). Если суммарное количество хитов равно нулю, считаем, что пользователь сразу вышел с сайта. Если есть хотя бы один хит — считаем отношение количества хитов в конкретном визите к общему числу хитов:

В итоге получаем ценность каждого сеанса в рамках цепочки конверсий. Её нужно умножить на общее количество конверсий по Client ID:

В итоге получили количество обращений по каждой сессии.

8. Статистика по кампаниям

Агрегируем данные по рекламным кампаниям, считаем количество обращений (value_app):

В таком методе расчета мы неизбежно получаем дробные значения, так как распределение конверсий идет в соответствии со множеством действий пользователя на сайте.

9. Оптимизация рекламных кампаний

Подгружаем расходы, строим график по расходам (costs) и стоимости обращения по модели «активность пользователя» (CPA_active). Видим, какие кампании нуждаются в оптимизации:

10. Сравниваем модели атрибуции

Из графика сравнения моделей атрибуции видно, что модель Last Click идет в отрыве от остальных и не является объективной.Модель атрибуции по данным активности очень похожа на линейную модель, но мы считаем её более интересной благодаря учету действий пользователя на сайте.

Красный столбец — стоимость обращения по модели атрибуции «активность пользователя».Желтый столбец — стоимость обращения по модели атрибуции «First Click».Фиолетовый столбец — стоимость обращения по модели атрибуции «Last Click»Оранжевый столбец — стоимость обращения по линейной модели атрибуции.

Итог:

Мы объединили пользователей по Client ID, исключили дублированные заявки и звонки, учли пути пользователей к конверсии, использовали данные о поведении людей на сайте. Теперь можно проводить более точную оптимизацию рекламных кампаний и демонстрировать отчетность клиенту с четким обоснованием выбора модели атрибуции. Так как все данные автоматически подтягиваются в единый отчет, в любой момент можно посмотреть статистику и принять решение о дальнейших действиях.

В качестве метрики активности можно использовать не только хиты. Более интересная метрика — длительность активного посещения. Для этого нужен циклический скрипт учета активности пользователей. Если каждые 30 секунд активного пребывания на сайте запускать событие, ценность можно распределять в соответствии с длительностью активного посещения. Это более точная метрика, так как она включает в себя время реальной активности пользователя: движения мыши, скролл и клики по элементам. Не советую брать в качестве показателя активности время посещения из Google Analytics — по нашим наблюдениям данные некорректны.

Если вы хотите исключить участие некоторых каналов в моделировании атрибуций — нужно отфильтровать их на этапе загрузки данных из Google Analytics. Лучше оставить только платные источники, чтобы понять, как распределяется ценность между ними. Перераспределять бюджеты по этим данным — наиболее целесообразно.

Мы получили бесплатное решение, которое можно применять для любого клиента. Если клиенту важна атрибуция и не подходит Last Click — рекомендую пользоваться атрибуцией с учетом активности пользователя. По результатам сравнения моделей атрибуции, в нашем случае она была ближе всего к линейной модели. Очевидный её плюс перед другими моделями — учет данных о поведении пользователя на сайте.

Источник: searchengines.ru

seo-max3.tk

Как сегментировать кампании в «Яндекс.Директе» с помощью Power BI за две минуты

Все специалисты по контекстной рекламе сталкиваются с недостатком данных. Это особо актуально, если проект детально разбит на рекламные кампании и ключевые слова, где на каждое ключевое слово приходится менее 100 кликов в месяц (за вычетом высокочастотных фраз). В результате от 80 до 99% ключевых слов не набирают достаточной статистики для внесения корректировок в первые несколько месяцев.

Единственный выход — сегментирование. Для оптимизации рекламы мы объединяем ключевые слова в группы, группы в кампании, а кампании — в сегменты. Делаем предположение, что ключевые слова из одного сегмента будут давать сходные результаты. Этот подход может оказаться неверным, но так у нас есть шанс найти работающие закономерности. Если мы выявим закономерность и внесём корректировки, эффективность рекламы вырастет в несколько раз.

Структура и статистика

Мы настроили рекламу на три региона: Москва, Санкт-Петербург и остальная Россия. Использовали две посадочные страницы: test1 и test2. Таргетинги традиционные: поиск, РСЯ, ретаргетинг. Также решили протестировать ночные рекламные кампании. Конечная структура названия рекламной кампании выглядит так: «Страница_Регион_Таргетинг_Время суток».

cossa-icons-6.png

Весь интернет-маркетинг за 19 недель!

Cossa рекомендует: онлайн-курс по интернет-маркетингу от Ingate — digital-агентства с 17-летним опытом.

  • 17 учебных блоков по ключевым вопросам интернет-маркетинга
  • Поддержка менторов
  • Диплом
  • Cтажировка в топовых агентствах России
  • Помощь в трудоустройстве
Узнать больше >>

Реклама

В результате получили статистику по рекламным кампаниям с расходами и стоимостью обращения (CPA).

Видим на графике несколько аномалий, но непонятна общая картина происходящего. Обратите внимание, больше половины рекламных кампаний не набрали даже 200 кликов.

В такой ситуации важно не только прорабатывать РК, набравшие более 200 кликов, но и задействовать общие данные. Это позволит оптимизировать остальные рекламные кампании.

В соответствии со структурой аккаунта создаем четыре вида сегментов:

  • страница;
  • регион;
  • таргетинг;
  • время суток.

Рекламная кампания должна содержать указатели на каждый из четырёх видов, в противном случае она попадает в сегмент «неизвестно».

Техническая реализация

Если в вашем аккаунте «Яндекс.Директа» все названия прописаны в едином формате, вы можете разбить столбец названий РК «по разделителю». Для этого копируете таблицу с названиями кампаний и выбираете соответствующую кнопку. Не забудьте предварительно продублировать столбец названий.

Появится всплывающее окно.

Переименуем столбцы и получим таблицу сегментов.

Названия сегментов на латинице не очень удобны для восприятия, но есть и другая проблема. К сожалению, структурированные аккаунты встречаются редко. Если у вас пропущена хотя бы одна часть названия, такой способ уже не подходит.

Часто специалисты не соблюдают порядок написания названия, что также приводит к проблемам с разбивкой по столбцам.

Для удобства сегментирования по кампаниям мы сделали универсальное решение.

Макрос сегментирования

Мы написали макрос (ссылка на скачивание), который разбивает названия кампаний по разделителю и позволяет сформировать таблицу сегментов. Даже если регион и сети поменять местами или не указать время суток, всё будет работать корректно.

Первая часть — разбиение по нижнему подчеркиванию (разделитель можно сменить).

Нажимаем на кнопку «Cформировать сегменты» и переходим на лист сегментации. В соответствии со структурой будет четыре вида сегментов: регионы, таргетинг (сети), страница и время суток. Внутри каждого вида будет несколько названий сегментов — столбец «Метки для BI». Например, в регионах будут «Москва» и «Питер», в сетях — «Поиск», «РСЯ», «Ретаргетинг». Можно использовать в качестве названий сами метки, но мы приводим их в более удобный вид.

Макрос самостоятельно проставляет некоторые виды сегментов и названия. В нашем случае он определил всё, кроме test1 и test2. Руками прописываем вид сегмента — «Страница», а также названия — «Первая» и «Вторая».

Как было указано выше, в названии кампании должны быть указания на каждый вид сегмента.

Бывают случаи, когда сегмент не указан в названии РК. Например, пропущено время суток или сеть. Чтобы это учесть, нажимаем на кнопку «Остаточные метки». В правой табличке появляются метки «Неизвестно». Если кампании не проставлено время суток, в отчетах будет столбец «Неизвестно».

Нужно заполнить название таблицы в Power BI, где находятся данные по рекламным кампаниям. В ячейке ниже прописываем название столбца с метками кампаний.

Проверим: в нашем случае это таблица «Данные» и столбец «Кампания».

Возвращаемся в Excel и нажимаем на кнопку «Создать таблицу». Результат появляется в ячейке под общими названиями.

Формула готова, осталось загрузить ее в Power BI. На вкладке «Моделирование» жмём «Создать таблицу» и вставляем сгенерированную формулу.

Чтобы разбить данные по сегментам, связываем таблицы по столбцу «Кампания».

Отдельно отмечу, что все расчетные данные (стоимость обращения, конверсия, CTR и прочие) должны быть представлены в виде мер. Если они будут записаны как абсолютные значения, вы получите некорректные данные по сегментам.

Предупреждение

Избегайте в метках повторений.

При анализе рекламной кампании на принадлежность к сегменту, система проверяет все метки кампаний. Например, ищет «rf_», чтобы определить сегмент «Россия». Если «rf_» встречается в обозначениях, которые не относятся к регионам, в таблице сегментов будут ошибки. Наличие символов разделения в метках помогает снизить процент ошибок, но их вероятность всё равно остается. Чтобы исключить ошибки, делайте обозначения уникальными. Обратите внимание на обозначения, которые не обрамляются разделителями с обеих сторон — как правило, ошибки связаны с ними.

Итоги сегментирования

Построили четыре графика, которые отражают ситуацию по каждому виду сегментов.

В РСЯ стоимость обращения выше, чем по остальным таргетингам. Нужно внести понижающую корректировку и перенести часть бюджета на поиск или ретаргетинг:

Петербург явно выделяется высокой стоимостью обращения. По нему нужно снизить ставки.

Страница № 1 дает более дешёвые заявки. Возможно, стоит оставить только её или перенести туда часть бюджета.

Стоимость обращения по ночным кампаниям ниже, чем по дневным. Но ограничение количества трафика не позволяет получать больше заявок ночью.

Итого

Собрав статистику по каждому сегменту, можно оптимизировать кампании, даже если по ним мало статистики. Теперь не нужно ждать целый месяц, пока накопится статистика. Можно начинать оптимизацию по итогам недели или даже нескольких дней. Вы можете сегментировать даже плохо структурированный аккаунт. Если для какой-то кампании не указан сегмент, её статистика будет отображаться в столбце «неизвестно».

Эти графики будут интересны не только специалистам, но и клиентам. По ним удобно сравнивать показатели и принимать решения. Используя сегментирование, вы экономите и деньги, и время клиента.

Читайте также:

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на [email protected] А наши требования к ним — вот тут.

www.cossa.ru


Смотрите также