На конференции SEMconf 12 сентября Федор Иванов расскажет о роли макроконверсий в работе оптимизатора и подходе к расчету влияния микроконверсий на итоговую конверсию на сайте. В сегодняшнем материале — о том, почему при оценке зависимости микро- и макроконверсий корреляционный анализ может быть ограничен.
Данная работа является по большому счету продолжением ранее опубликованной статьи о методах кластеризации ключевых фраз в оптимизаторах. В ней мы разбирали, зачем нужны оптимизаторы конверсии в контекстной рекламе и почему качество их работы снижается, если они имеют дело с ключевыми фразами, по которым собрано недостаточно статистики (об этом в первых двух частях статьи). Как вариант решения проблемы отсутствия или недостатка данных для прогнозирования конверсии мы рассматривали классический и альтернативные методы пулинга — наращивания статистики по фразе за счет заимствования статистики по другим фразам.
В этом материале мы обсудим важность другого подхода к прогнозированию конверсии по ключевым фразам — анализ микроконверсий как ключевых метрик, влияющих на итоговую конверсию на сайте (которую мы будем называть макроконверсией).
Что нам могут дать микроконверсии?
В повседневной практике мы часто сталкиваемся с понятием «конверсия». Под этим термином мы понимаем некоторое целевое действие, совершенное пользователем на сайте. Примерами таких целевых действий могут быть транзакция, телефонный звонок, отправка заявки, регистрация на сайте и т. д. Какое действие считать конверсионным — это в первую очередь выбор рекламодателя, который он делает исходя из специфики бизнеса, функционала сайта и т. д.
Интуитивно понятно, что конверсия обладает некоторой ценностью, а потому чем больше конверсий происходит на сайте в единицу времени, тем больше выгоды (прямой или косвенной) получает рекламодатель. В этой связи коэффициент конверсии — это доля тех посетителей сайта, которые в конечном счете совершили конверсию, а CPA (Cost Per Action) — средняя цена привлечения одного «конверсионного» посетителя.
Итак, эта модель — простейшая воронка продаж: на вход в нее попадает вся аудитория сайта, а на выходе — та ее часть, которая совершила конверсию (макро).
Однако в процессе своей «жизни» на сайте посетители могут совершать разные действия, которые позволяют оценить их лояльность и готовность совершить целевое действие на сайте. Примерами таких действий могут быть:
- просмотр не менее 5 страниц сайта;
- переход в раздел «Корзина»;
- просмотр контактной информации;
- подписка на рассылку.
Такие действия называются «микроконверсиями». Если подытожить, то микроконверсии — это промежуточные действия пользователя на сайте, которые в определенной степени отражают его меру вовлеченности и заинтересованности в предлагаемых товарах и услугах. Если в системе аналитики такие действия отслеживаются, то мы можем значительно обогатить нашу исходную воронку продаж:
При этом очевидно, что статистика по микроконверсиям может копиться в несколько раз быстрее, чем статистика по основным макроконверсиям. Например, пользователей, которые просматривают пять страниц сайта, значительно больше чем тех, кто приобретает товар. Этот факт позволит существенно ускорить сбор статистики, необходимой для запуска оптимизатора.
С другой стороны, анализ микроконверсий позволит отследить слабые места в воронке продаж, что упростит аналитику сайта. Например, если из 1000 посетителей сайта 200 перешли в раздел «корзина», а из «корзины» только десять оформили заказ, то разумно будет предположить, что форма, где пользователю предлагается оформить заказ, нуждается в переработке и улучшении.
Тем не менее, когда мы приводили определение микроконверсии, мы не зря упомянули, что показатель той или иной микроконверсии «в определенной степени» отражает лояльность пользователя и его готовность совершить макроконверсию. Например, если в качестве микроконверсии выбрана цель «длина пользовательской сессии не менее 10 минут», то высокий коэффициент конверсии в эту цель не обязательно означает высокую конверсионность сайта в целом.
Поэтому важным является вопрос анализа влияния той или иной микроконверсии на макроконверсию. В следующем разделе мы подробно обсудим существующие подходы к такому анализу.
Классический метод оценки влияния микроконверсий
Самым простым методом оценки влияния одной величины на другую (в нашем случае — микроконверсии по заданной цели на макроконверсию) является корреляционный анализ. Этот подход разработан в одном из разделов математической статистики, науки, которая оперирует со случайными величинами.
Случайной величиной называется событие, происходящее с определенной вероятностью, которая подчиняется некоторому закону распределения. Поэтому мы абстрагируемся от понятия конверсии и микроконверсии, а будем говорить о случайных величинах: CVmacro — количества макроконверсий и CVi — количества микроконверсий по некоторой цели i. Значения этих показателей, которые мы наблюдаем в любых разрезах (по сайту, по отдельной рекламной кампании и даже по отдельной ключевой фразе) называются реализациями (значениями) данной случайной величины.
Коэффициент корреляции r (линейной корреляции Пирсона) позволяет оценить взаимосвязь случайных величин CVmacroи CViпо их наблюдаемым N значениям (конкретным реализациям). Данная величина принимает значение от −1 до 1. Чем ближе значение r к единице (или к −1), тем более «связаны» (напрямую или в обратной зависимости) случайные величины. Иначе говоря, тем более точно мы можем «угадывать» значение CVmacro, имея информацию о CVi. В первом случае зависимость прямая: CVmacro~CVi, а во втором — обратная: CVmacro~-CVi.
В нашей интерпретации это означает, что если r→1, то чем больше произошло микроконверсий CVi, тем больше следует ожидать макроконверсий CVmacro. Если же r→-1, то чем больше произошло микроконверсий CVi, тем меньше следует ожидать макроконверсий CVmacro.
Примером коррелирующих напрямую случайных величин являются количество пользователей, совершивших покупку и количество пользователей, положивших товар в корзину. Примером обратно коррелирующих случайных величин является количество транзакций и количество отказов.
Коэффициент корреляции позволяет достаточно точно спрогнозировать поведение одной случайной величины относительно другой, однако существует ряд ограничений. Во-первых, объемы выборок (наблюдаемых значений) должны быть достаточно велики (несколько десятков наблюдений), что автоматически не позволит выявить влияние одной величины на другую на микроуровне (например, на уровне ключевой фразы). Во-вторых, формулы вычисления корреляции точны только тогда, когда распределения для CVmacro и CVi являются гауссовыми (нормальными). Помимо этого, при расчете коэффициента r используются только наблюдаемые значения, при сглаживании которых (например, пулингом) нарастает систематическая ошибка.
Кроме того, интересен факт, что отсутствие корреляции между двумя величинами еще не значит, что между ними нет никакой связи. Например, зависимость может иметь сложный нелинейный характер, который корреляция не выявляет. То есть распространенное мнение, что нулевая корреляция означает независимость событий, является неправильным. Наглядной демонстрацией этому является следующая картинка:
Над рисунком указан коэффициент корреляции двух случайных величин, а на самом рисунке нанесены значения данных величин. Легко заметить, что корреляция хорошо «предсказывает» только линейную зависимость, не детектируя при этом никакие другие.
На конференции SEMconf 2017 мы расскажем про альтернативный подход к расчету влияния микроконверсий на итоговую конверсию на сайте. Он основан на теоретико-информационных методах, которые традиционно используются в современной информатике и теории связи. Его основные преимущества:
- возможность определения нелинейных зависимостей;
- совместимость с методами пулинга;
- меньшие объемы выборок (в сравнении с линейной корреляцией), необходимые для прогнозирования.
Последние комментарии