Построение системы веб-аналитики для российского представительства крупного зарубежного автопроизводителя

Рассказываем, зачем вообще нужны большие данные и как их можно использовать в бизнесе на примере работы с клиентом

О клиенте

Так как кейс под NDA, мы не можем разглашать информацию о том, кто именно является нашим клиентом.

Наш клиент — российское представительство зарубежного автоконцерна, которое также отвечает за страны СНГ. Его сайт ежемесячно посещает более 3 миллионов пользователей.

Клиент пришёл к нам с задачей построить систему веб-аналитики.

Зачем клиенту сбор данных и веб-аналитика

  • UX-анализ и оптимизация интерфейса сайта на основе данных

    Данные помогают понять, как люди взаимодействуют с интерфейсом сайта. Их можно проанализировать и сформировать гипотезы, как можно улучшить этот интерфейс и его элементы. И эти гипотезы не должны формироваться на основании субъективного мнения дизайнера или маркетолога — они должны опираться на статистику.

    Например:

    Есть данные, что на страницу конфигуратора автомобиля зашло 1000 человек. Из них 950 кликнули на выпадающий список, чтобы выбрать объём двигателя, а выбрали в итоге только 900. Куда потерялись 50 человек? Проблема ли это? Собранные благодаря веб-аналитике данные помогут ответить на этот вопрос.

  • Сбор аудитории для персонализированного ремаркетинга

    Мы можем собрать в Google Analytics всех тех, кто за май 2022 года пытался сконфигурировать определенную модель автомобиля с ёмкостью двигателя 3 литра и полным приводом. А потом показать этим пользователям контекстную рекламу на сторонних сайтах, чтобы напомнить им о компании и продукте.

  • Предоставление отчётности

    Ещё данные нужны, чтобы просто анализировать, что происходит: выполняют ли дилеры и подразделения показатели и планы, везде ли продаётся та или иная модель машины и так далее.

Сложности, с которыми мы столкнулись на проекте

Когда мы пришли на проект, над ним уже работали 2 подрядчика — одного из которых мы и должны были сменить. Но не всё прошло гладко — мы столкнулись сразу с несколькими проблемами.

Первая проблема — в разности наименования отслеживаемых событий.

Если посещаемость сайта примерно 3000 человек в месяц, люди не очень активно с ним взаимодействуют — в месяц отправляется условно 200-300 событий. И даже если нет стандартизированных наименований этих отправляемых событий, в них можно разобраться вручную.

Например, есть одна воронка — это конфигурация автомобиля, который пользователь хочет купить. И есть вторая воронка — это оформление кредита. В первой воронке, когда человек нажимает на какой-нибудь выпадающий список, мы отправляем это событие под названием «человек кликнул выпадающий список». А во второй воронке, когда человек нажимает на выпадающий список с количеством лет для кредита, мы отправляем это событие под названием «человек нажимает на выпадающий список». Если в месяц таких событий 1000, то это не страшно. Но когда на сайте 3 000 000 посещений в месяц, и количество таких событий измеряется десятками миллионов, в них очень легко запутаться.

Каждая команда, работавшая над проектом, привносила свои стандарты того, как именовать те или иные события. И это привело к тому, что в аналитике много схожих данных назывались по-разному и не подлежали обработке.

Вторая проблема — неправильный способ отправки данных в Google Analytics.

Вернее, не совсем подходящий.

Есть два основных способа отправки данных в Google Analytics. Первый — отправка напрямую из кода сайта. Когда пользователь выполняет какое-то действие, мы создаём команду, и она отправляет данные в Google Analytics.

Второй способ — через так называемый dataLayer. Проще всего представить его как отдельную копилочку, в которую мы складываем какие-то данные, когда происходят какие-то события. Например, человек нажал на кнопку раскрыть выпадающий список для выбора ёмкости двигателя, и мы не сразу отправляем данные в Google Analytics, а помещаем в эту копилочку и собираем.

Когда мы начали работу над проектом, отправка всех событий была настроена первым методом. Если сайт небольшой: с малым количеством элементов интерфейса и невысокой вариативностью, то следить за всем тем, что ты отправляешь напрямую из кода сайта, несложно. Но сайт нашего клиента таким не был.

Мы начали сталкиваться с тем, что события отправляются не из тех мест, из которых они должны отправляться. Начали возникать технические ошибки, связанные с тем, какой способ отправки данных в Google Analytics использовался. Человек нажал на выпадающий список выбора ёмкости двигателя, а в Google Analytics отправилось оформление заявки.

Третья проблема — не все данные передавались в Google Analytics

Передавались только данные, близкие к конверсии: макро и микроконверсии. Макроконверсии — это непосредственно сами лиды: человек забронировал машину. И микроконверсии — посетитель перешёл на страницу, где можно забронировать машину. Но все предшествующие этим действиям события не отправлялись. Нельзя было посмотреть с точностью до действия, как человек конфигурировал свою машину или как он выбирал себе кредит.

Обновление нейминга

Реализация проекта проходила на 3 версии Google Analytics, которая называется Universal Analytics. В рамках этой версии у отправляемого события есть 3 переменные, которые его описывают:

  • 1 уровень — категория событий
  • 2 уровень — действие по событию
  • 3 уровень — ярлык события

Получается, что вместе с каждым событием можно передавать до 200 пользовательских переменных и 200 пользовательских метрик. Пользовательские переменные — это некоторые факты, дополнительно описывающие события, а метрики — это дополнительные числа, описывающие события.

Все эти события нужно было унифицировать. Обновление нейминга событий было самым большим и сложным этапом, так как простая с виду задача «событие раньше именовалось X, теперь будет именоваться Y» в реальности включает в себя несколько больших этапов и взаимодействие нескольких команд, а именно:

  • Подготовка списка всех возможных событий: оформление кредита, сдача машины в трейд-ин, оформление заявки на сервис, релиз тизерной страницы новых моделей, просмотр продуктовой страницы новых моделей и так далее.
  • Документирование события таким образом, чтобы всем командам было понятно, о чем идет речь.
  • Определение, отслеживалось ли раньше это событие. Если отслеживалось, то как называлось и какие параметры и показатели передавались.
  • Определение, есть ли необходимость отслеживания события. Если необходимость есть, то как именно его отслеживать: какие параметры и показатели передавать, область отслеживания, как часто отслеживать, какой нейминг использовать.
  • Согласование предложения с клиентом.
  • Подготовка ТЗ для разработчиков.
  • Проверка правильности внедрения.
  • Документация результатов.
  • Обновление существующей отчетности в соответветствии с новым неймингом.

Когда наше техническое задание внедрялось, все события собирались и отправлялись аккуратненько, правильно и без ошибок. Нам необходимо было сделать следующее финальное действие — обеспечить сбор данных в дашбордах отчётов. В них нужно было собрать данные, собранные и по старому принципу, и по новому, чтобы у клиента не было проблем с их просмотром и использованием.

Дашборды

Дашборды позволяют хранить всю информацию в одном месте и получать ее в один клик. Мы постепенно разворачивали типовые дашборды, которые были интересны клиенту.
И сейчас у нас 6 больших дашбордов, которые описывают самые разные сведения.

Глобальный дашборд по продуктам.

В нем можно посмотреть, какие продукты интереснее всего аудитории клиента: какие модели машин, с какими двигателями, с каким приводом, какого цвета, с какой комплектацией далее. Получился большой дашборд с продуктовым анализом. Его начали использовать разработчики продукта, чтобы принимать решения о том, что более востребовано на нашем рынке и какие характеристики машин людям важнее всего.

Большой дашборд с аналитикой того, как люди перемещались по интерфейсу сайта.

Для каждого типа событий на сайте клиента было примерно 14-16 целевых действий. И для всех этих типов целевых действий мы собрали визуализацию воронок, как люди ведут себя от момента входа на процедуру до момента её завершения. Например, сколько людей начали оформлять кредит на сайте и сколько из них в итоге отправили заявку на его оформление. Это помогает понять, на каком шаге отсеивается больше всего людей, чтобы у тех, кто занимается разработкой дизайна интерфейсов, были сведения о том, над какими элементами лучше поработать.

Дашборд о взаимодействии пользователей и чат-бота.

На сайте клиента был функционал конвертации людей через чат-бота. Мы собрали дашборд о том, как люди взаимодействуют с этим ботом: кто от него отказывается, о чем люди хотят пообщаться с ботом, какие сценарии им важны и чего им не хватает. Эти данные позволяют разработчикам понять, как улучшить чат-бота, чтобы повысить его конверсию.

Масштабирование системы веб-аналитики на дилерскую платформу

Когда мы согласовали и внедрили около 50% от нового нейминга этих событий и нового способа передачи данных в Google Analytics, мы решили, что сделаем всё тоже самое на дилерской платформе. Подробнее об этом кейсе вы можете прочитать здесь.

Это позволило собрать ещё один дашборд по дилерам с бенчмарками по всей стране и регионам. Каждый дилер мог зайти в дашборд на свой собственный лист, где есть его показатели, и сравнить их с другими дилерами. Если дилер видит, что в сравнении с Россией у него какие-то элементы работают хуже, он может выдвинуть гипотезы и протестировать новые инструменты, которые улучшат его показатели.

Результаты

  • Мы отслеживаем все параметры и показатели, которые могут потребоваться бизнесу на любом этапе воронки и работы сайта. Это помогает разработчикам улучшать не только сайт, но и сам продукт.

  • От запроса до документации реализованного отслеживания событий проходит всего около часа с учетом подготовки ТЗ, внедрения и проверки реализации.

  • Любая команда, работающая с веб-аналитикой, вне зависимости от глубины вовлеченности в разработку нового нейминга может быстро найти и посчитать требуемые параметры и показатели.