RingoTalks: Андрей Осипов

Alena Voloshyna
1 Star2 Stars3 Stars4 Stars5 Stars (2 votes, average: 5,00 out of 5)
Loading ... Loading ...
A A A

За сегодняшним героем рубрики RingoTalks прочно закрепилась слава самого бородатого веб-аналитика. И мы уверены, что уже из этого определения все, кто имеет отношение к интернет-маркетингу, понимают, о ком речь. Андрей Осипов — тренер Google, founder & CEO Школы веб-аналитики Андрея Осипова. Спикер на профильных конференциях, в числе которых и самая летняя конференция по интернет-маркетингу 8Р. Именно там нам удалось пообщаться с Андреем и задать ему свои каверзные (и не очень) вопросы.

Интервью с аналитиком Андреем Осиповым

Но для начала несколько фактов об Андрее Осипове:

  • путь в сфере интернет-маркетинга начал в 2007 году, основав компанию «Открытые ресурсы», которая изначально специализировалась на SEO;
  • в 2012 году увлекся веб-аналитикой, так как она помогала достигать лучших результатов по проектам и приносить больше прибыли клиентам;
  • последние несколько лет занимается анализом сайтов, трафика, поведения пользователей и настройкой систем веб-аналитики;
  • автор блога web-analytics.me, сертифицированный спикер Google, лектор курсов по интернет-маркетингу Нетология, WebPromoExperts, Skills, Digital Space.

— Как вообще так получилось, что ты стал аналитиком?

— История довольно простая. У меня было диджитал-агентство, вполне стандартное. Мы делали SEO, контекст и все остальное. И двигались вполне хорошо и приятно, пока не столкнулись с клиентом, где у нас не получилось. Я как руководитель и владелец агентства пытался что-то с этим сделать. И я понял, что без понимания того, как ведут себя пользователи, я не смогу сделать буст проекта. Поэтому я начал развиваться и брать самые сложные кейсы. Если что-то простое — то это не очень интересно. А вот если сложная проблема, то прямо внутри что-то загорается, и именно благодаря этому, я понимаю, что я погружаюсь и начинаю узнавать какие-то вещи. Может быть, даже из сфер общего среднего знания, что дает мне некую экспертизу в этой области.

— Вот ты говоришь о погружении. Всегда есть стандартный вопрос, где вот эта грань между здравым погружением в аналитику и аналитикой ради аналитики? Где ты уже закопался в цифры, и уже все противоречиво, и ничего ты уже не понимаешь, какие выводы сделать.

— Все очень просто. Есть деньги, и все в конечном итоге упирается в деньги. Начиная с твоих личных финансов, ты можешь заниматься какими-то интересными вещами, но тебе за них не будут платить. И тогда это не будет иметь никакого смысла. Но это, конечно, самый крайний кейс. Если мы говорим о реальности, то есть клиент, у него есть задача, и эта задача имеет некий KPI. И эти KPI, как правило, считаются в деньгах.

Ты можешь потратить много ресурсов и времени, чтобы решить какую-то маленькую или большую задачу, которая даст буст условно в 20 гривен. Ты потратишь неделю и заработаешь клиенту 20 гривен. Или ты можешь сделать, как-то проще или по-другому, и это даст клиенту буст в 50 000 гривен.

В общем-то, когда ты подходишь к проблеме, ты всегда можешь примерно очень оценить, насколько это даст какой-то прирост конкретного бизнеса конкретному клиенту. То ли это огромный ecommerce с сетью офлайн-магазинов, то ли это небольшой сайт, но при этом со средним чеком 20 000$. Ты всегда можешь понимать, как и где можешь повлиять на что-то, и какой буст это даст. И с этого нужно начать перед решением  этой задачи.

Если ты понимаешь, что мы сможем увеличить конверсию на каком-то этапе на 3%, и казалось бы, да, это хороший вызов для меня. Но при этом клиент на выходе заработает не 20 000, а 20 001$ — то этим, конечно, не имеет смысла заниматься.

— Забавная веселая тема GDPR. Скажи, что изменилось? Есть ли что-то по твоим кейсам с точки зрения, как теперь собираются данные аналитики о пользователях? Как сказалась вся эта тема?

— В общем-то и раньше ни для кого не было секретом, что мы не можем персональные данные пользователя загружать в Google Analytics, например. На это особо никто не обращал внимания. Я всех пугал, но при этом я понимаю, что есть много аккаунтов, которые я вижу, и где это есть — и за это не было никаких санкций. Все понимали, что это нехорошо, но за это вроде ничего не будет.

Но когда в документе написано, что штраф 20 млн евро, и это бизнес, это не палатка. То все понимают, что это уже серьезно и не шутки. Я думаю, первый судебный процесс очень четко всем даст буст на то, чтобы люди соблюдали эти правила. Что изменилось? И вообще это логично, что нужно четко спрашивать согласие пользователя на сбор и обработку этих данных. На безопасное хранение этих данных. Не хранить пароли пользователей в открытом виде или хэшировать их с возможностью восстановления. Поэтому более серьезное отношение — и это правильно, это первое.

Второе — стало сложнее, но при этом ни для кого не секрет, что сейчас очень активно развивается направление машинного обучения. И это такой, наверное, святой Грааль. Это некое очень новое и важное направление, которое сейчас актуально. Если помнишь, несколько лет назад про новые медиа все говорили — это Facebook, социальные сети. Потом все говорили, о, ремаркетинг, т. е. новое что-то. То сейчас это машинное обучение.

Машинное обучение можно делать на основе исторических данных, а можно делать и real time. И вот это GDPR, когда у тебя нет возможности сильно хранить. Но при этом есть возможность в режиме реального времени рассчитывать какие-то скоринги и корректировать рекламу и делать какие-то special offers своим клиентам.

Это само по себе очень круто, и GDPR может вполне подтолкнуть к развитию каких-то сервисов, технологий, которые будут двигать вообще всю отрасль вперед. И в применении вообще машинного обучения в целом. Потому что данных собирается сейчас очень много, и вручную работать с ними бессмысленно.

— Даже кейсы, о которых ты говоришь, что машинное обучение может помочь в формате каких-то новых вариантов скоринга. Может, я ошибаюсь, но мне кажется, что это будет применимо для какой-то части рынка. Если я возьму, к примеру, нашу компанию, у нас нет большого потока трафика. Коллтрекинг — это не та ниша, где его вагон. Чтобы нам сделать элементарное A/B-тестирование, уходит очень много времени на сбор репрезентативной выборки. То, о чем ты говоришь, как мне кажется, будет классно применимо для больших компаний, у которых много трафа.

— Я думаю, нет. Это вопрос features и того, какой объем данных ты будешь собирать о поведении каждого конкретного пользователя. Ты можешь собирать только page view, и по ним не сделаешь никаких выводов. Вы можете собирать данные, какой материал он прочитал, если у вас есть контент-маркетинг. Посмотреть наше выступление, посмотреть в YouTube блог, на каком моменте он остановился. Понять, что это было про машинной обучение, и он отвалился — возможно, ему это сложно. Догнать его ремаркетингом, статьей о том, как в вашей компании используется эта методология. Или вообще, что это, и как может помочь конкретному клиенту.

Это как раз про то, чтобы лучше понимать, как люди взаимодействуют с сайтом. Не просто трекать формы, как сейчас это делается или page view, а четче понимать, как они взаимодействуют с сайтом. И делать ремаркетинг или какой-то connection с людьми. Больше на основе его поведения, чем на основе каких-то формальных вещей.

— Давай немного поговорим о моделях атрибуции. Ты наверное сейчас ждешь классический вопрос: «Какая самая правильная?».

— Я думаю, ты знаешь ответ :)

— Более чем :) У тебя в портфолио я видел проекты Дельта Банк, Re:Strore. Ты говорил, что было много такого рода проектов, где было очень много онлайна, офлайна. К примеру, для таких проектов какую модель использовал и почему?

— Конкретно эти проекты были довольно давно. Там конечно не было никаких моделей атрибуции, это было лет пять-шесть назад. Надо обновить свое портфолио — спасибо, что обратил на это внимание :). По хорошему, у меня есть проекты, где есть онлайн, офлайн. Моделирование атрибуции — это сложная история. Сложная, потому что нет универсального решения. В Google Analytics используется last non-direct click, и все понимают, что это далеко не идеал. Потому что мы не учитываем предыдущие каналы, но они явно должны быть как-то учтены. А как — непонятно.

И в этом случае онлайн, офлайн — это не какая-то отдельная история. Что вот он пришел в магазин офлайн, что-то посмотрел, или что он в онлайне что-то посмотрел. Это просто часть цепочки. Есть Google cpc и есть поход пользователя в офлайн-магазин. И это с каким-то своим весом, понятно.

И пока не будут чипирвать всех людей с возможностью считывания RFID при входе в магазин… Я, конечно, шучу, хотя вряд ли. Может быть, это и будет. Мы не сможем корректно собрать офлайн-данные. Те механизмы, которые сейчас есть в некоторых ecommerce, они позволяют как-то не полностью, не в целом собирать эти данные.

И вот у нас есть данные: пользователь зашел на посадочную страницу, зашел на сайт магазина. Он авторизован, и мы понимаем по user ID, кто это. Он пошел в какой-то офлайн-магазин, который находится рядом с его домом, и купил что-то. Или спросил, а потом снова заказал. И при коммуникации какой-то внутри офлайн-магазина с него тоже взяли его персональные данные. Увидели user ID и вставили в цепочку. И вот у нас есть такая цепочка. И что с ней дальше делать  — это уже большой вопрос.

Я думаю, что простых решений точно нет. Это не last non-direct, не линейная, не time decay модели. Это модели, завязанные на машинном обучении, Сережа Брыль, если ты читал его статью про цепи Маркова, они использовали механизм для расчета атрибуции. Решения от OWOX для ecommerce. В общем, решений много. Я думаю, что конкретно для каждого бизнеса нужно брать специалиста, который в этом сильно разбирается. И пробовать, смотреть, где у них будет более четкая картина по пониманию того, как пользователи взаимодействуют в целом с бизнесом: и с вебом, и с офлайном. И подбирать какую-то модель атрибуции.

Но опять же, возвращаясь к твоему вопросу про ресурсы, и как не закапываться — иногда это излишне. И часто это излишне. Иногда сильно проще и эффективней для бизнеса будет посчитать отдельно это и это. Как-то связать, увидеть взаимосвязь, и этого будет достаточно.

— Ты говорил о цепочке: есть авторизованный юзер, мы знаем его client ID. В тот момент, когда он приходит, мы каким-то образом понимаем, что это один человек и матчим. Расскажи, как это матчится? И второй вопрос: как это офлайн-касание атрибуцировать?

— Касательно матчинга: тут все довольно просто. Как только пользователь оставляет свои персональные данные, по которым пользователь может сопоставить, что он был там и там, мы можем создать на первом его входе user ID. И найти этот user ID по тем персональным данным, что он оставил.

И тут ничего сложного, и black box абсолютно нет. И нет другой возможности никакой, понять, что вот это был именно Иван Иванов: на мобильном устройстве, приложении, вебе на десктопе и в офлайн-магазине. Как только он оставляет свой номер телефона, например, только тогда мы можем определить, что это он. Других способов, в общем-то, нет. Но пока вот ситуация такая. Если пользователь сам оставляет персональные данные, номер телефона, имейл, тогда ты можешь его атрибуцировать. Что он был там и там.

Как атрибуцировать офлайн-касания? Если ты можешь взять персональные данные, и в случае динамического коллтрекинга, где ты можешь взять client ID, в случае звонка — то, что делаете вы — то тогда ты можешь понять, что звонок был именно по этому client ID. И положить его в какую-то базу данных и потом дальше видеть карточку товара в CRM. И дальше назад отправляете в Google Analytics событие или checkout behavior, shopping behavior в расширенной электронной торговле. О том, что он ходил и купил. Других способов никто пока не придумал. Чипирование людей, вот как это будет — все будет хорошо сразу :) Я против, но в Китае уже кстати…

— Хочется добить тему про проекты такого рода, где есть онлайн, офлайн. Возьмем, например, недвижимость. Будет ли в этой нише сам принцип, какую модель использовать, как строить всю эту аналитическую часть, отличаться от проектов, о которых ты говорил. Есть ли вообще разница между такими нишами. Между недвижимость и ecommerce, который активен и в офлайне.

— Время принятия решения разное — это самое основное. Понятно, что человек, который покупает квартиру, подходит к этому решению совсем по-другому, чем при покупке чехла для iPhone или другого телефона. Это другое решение, ему нужно подумать, ему нужно посмотреть, ему нужно время больше. Касаний, возможно больше, потому что выбор у него будет более осознанный.

Он будет выбирать среди разных вариантов, это не будет импульсивной покупкой. Это будет покупка другая. Поэтому больше нагрузки в плане маркетинга, чтобы донести преимущества именно этого предложения. И это может быть не один раз, это может быть несколько раз. И понятно, что атрибутировать недвижимость по last non-direct click не круто.

Потому что там может быть долгий путь. Ты выбираешь квартиру, ты можешь проехать рядом с билбордом, можешь через полгода зайти на сайт. Готов — не готов, ты думаешь: может, кредит или ипотека, или ладно, куплю так. В общем, длительный процесс. Нужно использовать другие механизмы, нежели в ecommerce, где цена продукта до 20 000 гривен.

Если вы нашли ошибку - выделите её и нажмите Ctrl + Enter или .