CC BY
627
Маркетинг
УДК 659.18:004.7 ББК У9(2)49
ОЦЕНКА ЭФФЕКТИВНОСТИ ИНТЕРНЕТ-РЕКЛАМЫ С ПОМОЩЬЮ СИСТЕМ ВЕБ-АНАЛИТИКИ
И.П. Савельева, Д.Н. Никулин
В статье рассмотрены основные показатели эффективности интернет-рекламы. Системы веб-аналитики позволяют собирать и анализировать информацию о посетителях интернет-ресурсов. Устанавливая счётчики аналитических систем на свои сайты, рекламодатели получают возможность отслеживать клиентов на всех этапах, от клика по рекламному объявлению до оплаты заказа в интернет-магазине. Описаны возможности системы веб-аналитики Google analytics. Google analytics позволяет отслеживать следующие базовые показатели, характеризующие посетителей сайта: 1) просмотры страниц; 2) посещения; 3) уникальные посетители; 4) количество страниц, просмотренных за посещение; 5) показатель отказов; 6) длительность пребывания на сайте . Показаны кейсы рекламных агентств по управлению эффективностью онлайн-маркетинга. Перечислены обстоятельства, затрудняющие анализ эффективности интернет-рекламы и сформулированы рекомендации, позволяющие преодолевать эти затруднения. Анализ эффективности интернет-рекламы обычно затрудняется по следующим причинам: информацию о рекламе, посетителях и клиентах принято просматривать и анализировать в тех источниках, которые эту информацию формируют; данные собираются в огромных объёмах, и имеют сложную структуру; несмотря на большое количество данных, собираемой информации обычно не хватает для управления эффективностью внутри каждого рекламного канала; на показатели эффективности влияет большое количество параметров; для принятия решения о покупке человеку обычно требуется время; в системах веб-аналитики отсутствуют данные об истории взаимоотношений с клиентами; инструменты веб-аналитики позволяют оценивать эффективность мероприятий по интернет-маркетингу только в случае перехода пользователей на продвигаемый сайт.
Ключевые слова: эффективность интернет-рекламы, веб-аналитика, Google analytics, конверсия, CR, KPI, ROI, CPO, сплит-тестирование.
Системы веб-аналитики позволяют собирать и анализировать информацию о посетителях интернет-ресурсов. Устанавливая счётчики аналитических систем на свои сайты, рекламодатели получают возможность отслеживать клиентов на всех этапах, от клика по рекламному объявлению до оплаты заказа в интернет-магазине. В России широко распространены только две системы вебаналитики: Яндекс.Метрика и Google analytics. Важным преимуществом Яндекс.Метрики является её тесная интеграция с системой Яндекс. Директ, которая занимает большую долю российского рынка контекстной рекламы. Однако более гибкой и удобной системой веб-аналитики в настоящее время является Google analytics (GA). Рассмотрим подробнее её возможности.
Google analytics позволяет отслеживать следующие базовые показатели, характеризующие посетителей сайта:
1. Просмотры страниц - количество загрузок страниц сайта, в том числе и повторные загрузки.
2. Посещения. Новое посещение начинается в том случае, если пользователь не проявляет активность на сайте в течение некоторого времени (по умолчанию 30 минут). Новое посещение также начинается в полночь. Таким образом, если посетитель в течение дня изучает сайт с длительными
перерывами, система GA зарегистрирует несколько посещений.
3. Уникальные посетители - количество разных браузеров, компьютеров и мобильных устройств, использованных посетителями для просмотра сайта.
4. Количество страниц, просмотренных за посещение - отношение количества загруженных страниц к количеству посещений сайта. Высокие значения этого показателя могут свидетельствовать о повышенном интересе пользователей к сайту. Однако иногда большое количество просматриваемых страниц сигнализирует о том, что пользователям просто приходится открывать множество страниц сайта для выполнения необходимой им функции, либо поиска нужной информации.
5. Показатель отказов - отношение количества отказов к общему количеству посетителей сайта. По словам руководителя группы R&D Promo.Techart, сертифицированного специалиста по Google Analytics, Андрея Титенко, отказ произошёл, если посетитель пришёл на сайт, просмотрел одну страницу, и не совершил на сайте никаких действий [1]. Высокий показатель отказов свидетельствует о том, что многие посетители не изучают более одной страницы сайта. Может быть это связано с тем, что на этой странице им сразу
что-то не нравится. Но может быть и наоборот, они не продолжают работу с сайтом, поскольку находят необходимую функцию, либо информацию (например, номер телефона) уже на первой его странице.
6. Длительность пребывания на сайте - средняя продолжительность сессий (посещений). В общем случае вычисляется как разница между временем обращения к последней странице в сессии и временем обращения к первой странице. Высокие значения этого показателя могут свидетельствовать о повышенном интересе посетителей к сайту. Однако высокая длительность пребывания может также сигнализировать о проблемах с юзабилити (удобством использования). Возможно, посетителям приходится тратить много времени на выполнение простейших операций.
Система GA позволяет определять источники, которые приводят на сайт посетителей. Например, если в URL, с которого перешёл пользователь, встречается адрес известной поисковой системы, Google analytics отнесёт источник к типу Organic (переход из основной выдачи поисковика), иначе источник может быть отнесён к типу Referral (переход по ссылке с другого сайта, не являющегося поисковиком), либо к источнику Direct/none (переход в результате прямого введения адреса сайта в браузере, либо переход по закладке в браузере).
Если для привлечения посетителей на сайт используются рекламные объявления, оплачиваемые по модели CPC (оплата за каждый клик), то для отслеживания посетителей в системе GA, в эти объявления необходимо добавлять так называемые UTM-метки. При этом обязательно надо указывать следующие параметры:
1) URL (уникальный адрес) страницы сайта, на которую будут переходить посетители по этому объявлению;
2) utm_source (источник кампании) - площадку, на которой размещается реклама, например, yandex;
3) utm_medium (канал), например: cpc, banner, email;
4) utm_campaign (название кампании), например, название рекламируемого товара, либо промо-код.
Ссылка с UTM-меткой для рекламы планшетов (tablets) в системе Яндекс.Директ может выглядеть так:
littp .'site m. ?utm soiiTce=yandex direct&utm medium—i :opc&utin campaign=tablet
Кроме того, в метки можно включать и другую информацию, которая позволит более точно оценивать эффективность рекламы (например, идентификатор объявления и ключевое слово, по которому пользователь нашёл это объявление в поисковике).
Помимо разделения всех посетителей на сегменты по рекламному источнику, необходимо также получать данные об их поведении на сайте:
как они заполняют формы заказа, переходят ли на страницу с контактной информацией, насколько успешно проходят каждый шаг корзины. Для сбора этой информации в системе GA есть возможность настроить следующие типы целей:
1. Время пребывания на сайте. Целевыми будут считаться те посещения сайта, длительность которых превысит указанное рекламодателем время.
2. Количество страниц, просмотренных за посещение. Целевыми будут считаться те посещения, в течение которых просмотрено большее количество страниц, чем указал рекламодатель.
3. Переход по указанному URL. Целевыми будут считаться те посещения, в течение которых пользователи просматривали страницы сайта, указанные рекламодателем. Это нетрудно сделать, поскольку каждая страница имеет свой уникальный адрес (URL). Например, если после оплаты заказа в интернет-магазине происходит перенаправление на страницу с благодарностью за покупку, факт достижения этой страницы свидетельствует о достижении цели.
4. Событие. Этот тип цели предоставляет наибольшие возможности по отслеживанию действий посетителей, однако является более сложным в реализации и настраивается при помощи программистов [2]. При настройке событий необходимо указать категорию и действие, и можно также указать ярлык события и другие необязательные параметры. Например, если необходимо отследить факт отправки пользователем формы заказа, то в интерфейсе GA необходимо указать, что данное событие относится к категории Form (взаимодействие посетителей с формами), отслеживается действие Submit (отправка формы), и в качестве ярлыка этого события можно указать уникальное имя этой формы на сайте, например, Order. Это событие будет отправляться на сервера системы GA при каждом нажатии посетителями кнопки отправки формы.
Одним из основных показателей эффективности в интернет-маркетинге является коэффициент конверсии (CR), который вычисляется, как отношение количества конверсий (достижений целей) ко всем посещениям сайта. В качестве показателя эффективности также часто используются затраты на достижение одной конверсии (отношение затрат на рекламный канал к количеству конверсий с этого рекламного канала). Эти показатели интересны тем, что они применимы практически к любым типам сайтов. Чем выше коэффициент конверсии, тем чаще посетители сайта реализуют поставленные рекламодателем цели.
Но если речь идёт об интернет-магазинах, коэффициент конверсии не может быть главным показателем эффективности, поскольку он не всегда коррелирует с чистой прибылью. Рассмотрим результаты двух рекламных кампаний (табл. 1). Если судить по коэффициенту конверсии (CR), вычис-
ляемому, как отношение количества продаж к количеству посетителей, то кампания РК2 более эффективна по сравнению с кампанией РК1. Однако, мы увидим, что это не так, если обратим внимание на основные показатели эффективности в интернет-магазинах: чистую прибыль (NP) и коэффициент возврата инвестиций (ROI). Чистая прибыль вычисляется как разница между прибылью от рекламной кампании (Profit) и затратами на её проведение (Costs). В свою очередь, прибыль Profit можно приблизительно вычислить, как произведение количества продаж, среднего чека и средней маржинальности продаваемых товаров. Коэффициент возврата инвестиций ROI вычисляется, как отношение чистой прибыли NP к затратам Costs. В табл. 1 показано, что в результате проведения кампании РК1, на каждый вложенный в рекламу рубль был получен дополнительно почти рубль чистой прибыли. В то же время кампания РК2 оказалась убыточной, затраты на её проведение превышают полученную с неё прибыль.
Таблица 1
Показатели эффективности рекламных кампаний
РК Количество посетителей Количество продаж CR, % Средний чек, руб Маржинальность, % Profit, тыс.руб Costs, тыс.руб NP, тыс.руб ROI, %
РК1 20000 40 0,2 4000 30 48 25 23 92
РК2 30000 210 0,7 1000 7 14,7 20 -5,3 -26,5
В Google analytics подобный анализ можно выполнить с помощью инструмента Электронная торговля. Это модуль системы GA, который передаёт данные о транзакциях из системы управления контентом интернет-магазина на сервера Google analytics. После оформления и оплаты заказа посетитель попадает на страницу с благодарностью за покупку, и в этот момент в систему GA передаются все данные о транзакции, в том числе наименование приобретённых товаров, их количество и стоимость. Эти данные желательно передавать только по факту поступления платежа от покупателя, поскольку в интернет-магазинах велика доля неоплаченных заказов. Модуль Электронная торговля наиболее полезен в тех интернет-магазинах, которые поддерживают онлайн-оплату заказов.
Зачастую работу по ведению рекламной кампании и анализу её эффективности выполняет не штатный работник рекламодателя, а внешнее агентство интернет-маркетинга. В этих случаях рекламодатель, как правило, не желает раскрывать данные о прибыли, и тогда агентство для оценки эффективности рекламы вынуждено использовать некоторые промежуточные ключевые показатели эффективности KPI (Key Performance Indicators),
согласованные с рекламодателем. Чаще всего, главным KPI является приемлемая для клиента стоимость заявки или стоимость заказа CPO (Сost Per Order). Примеры оценки эффективности рекламы на основе промежуточных KPI часто демонстрируются digital-агентствами на конференциях, посвящённых интернет-бизнесу [3-6]. Рассмотрим, например, представленный на форуме РИФ+КИБ кейс агентства AdLabs [3]. Клиентом агентства в данном случае являлся интернет-магазин электроники. Для каждой группы товаров клиент сообщил агентству приемлемую целевую стоимость заказа (табл. 2). По мере хода рекламы, представители агентства определили соответствующие фактические стоимости заказа. В результате некоторые кампании (например, по часам и бытовой технике) были признаны неэффективными, поскольку за период их проведения фактическая CPO превышала целевую (см. табл. 2). Однако по некоторым кампаниям посетители продолжали приходить на сайт и совершать покупки ещё в течение нескольких месяцев после отключения рекламы, и с учётом этих отложенных продаж, фактическая CPO снижалась до приемлемого для рекламодателя уровня.
Таблица 2
Показатели, использованные компанией AdLabs для
управления эффективностью рекламных кампаний
Кампания Посещения Заказы Коэффициент конверсии, % Расход, тыс.руб Фактическая CPO, руб Целевая CPO, руб
Ноутбуки 6361 106 1,67 27,8 262,3 800
Телефоны 5129 99 1,93 31,3 316,2 600
Автоэлектроника 4133 87 2,11 21,2 243,7 300
Часы 3746 20 0,93 13,2 660 300
Бытовая техника 3228 20 1,52 15,1 755 500
Были проанализированы не только сгруппированные по категориям товаров рекламные кампании, но также отдельные ключевые слова внутри этих кампаний. С рекламой по неэффективным ключевым словам (такими, например, оказались слова bosch и gorenju) выполнялась дополнительная работа, в частности, уточнялась фокусировка показов объявлений на целевую аудиторию и проверялась релевантность целевых страниц, на которые объявления вели посетителей. Эффективность некоторых ключевых слов повышать не удавалось, и для этих слов приходилось понижать ставки за клик, либо вообще отключать показы объявлений.
Достаточно часто возникают трудности измерения некоторых важных КРІ, по которым оценивается эффективность интернет-рекламы. Эти трудности, как правило, устраняются путём внедрения новых технологических разработок рек-
ламных агентств, крупных рекламодателей и представителей поисковых систем. Поэтому многие доклады на конференциях по интернет-маркетингу имеют в большей степени технический характер. Например, агентство AdLabs предложило устанавливать на продвигаемые сайты дополнительный скрипт для анализа эффективности площадок рекламной сети Яндекса, поскольку по умолчанию системы Яндекс. Директ и Яндекс.Метрика не предоставляли этой возможности. Этот кейс был представлен на форуме РИФ+КИБ, в докладе менеджера по развитию агентства AdLabs, Анатолия Сергеева [4]. Благодаря внедрению нового скрипта, агентству удалось выявить и удалить площадки с отрицательным ROI, что позволило повысить общую эффективность контекстной рекламы.
Помимо оценки эффективности рекламных каналов, агентства интернет-маркетинга также занимаются анализом продвигаемых сайтов [5-7]. Особенно в анализе нуждаются целевые страницы сайтов, через которые проходят посетители, начиная от перехода по рекламному объявлению, и заканчивая оформлением заказа (например, карточки товаров, корзина и страницы оформления заказа). Некачественно выполненные целевые страницы могут существенно снижать эффективность интернет-рекламы, даже в том случае, если на продвигаемый сайт приходит исключительно целевая аудитория. Для анализа целевых страниц, чаще всего, используется сплит-тестирование, которое заключается в следующем. С помощью дизайнеров и программистов для проверяемой целевой страницы создаётся несколько альтернативных вариантов. Весь поток посетителей сайта разделяется в заданных пропорциях между текущей целевой страницей и её альтернативными вариантами. Таким образом, одни посетители сайта проходят через текущую версию целевой страницы, а другие посетители - через альтернативные варианты целевой страницы. Далее тестируемые варианты целевой страницы сравниваются между собой по количеству целевых действий, совершённых посетителями (по количеству заявок, заказов, звонков в офис). Лучшим признаётся тот вариант целевой страницы, проходя через который посетители лучше всего конвертируются в клиентов. Этот метод позволяет существенно повышать эффективность интернет-рекламы. Например, агентству i-Media удалось на 89 % увеличить количество заказов на сайте путём более яркого представления скидки и ограничения срока её предложения [5]. Агентство iContext за счёт упрощения корзины интернет-магазина горнолыжного снаряжения повысило конверсию посетителей в заказы на 188% [6]. Агентство WebProfiters продемонстрировало противоположный пример: на сайте компании, предоставляющей финансовые услуги, более эффективными оказались сложные формы заказа [7], заставляющие посетителей вводить большое количество информации. Это противоречит закономер-
ности, свойственной большинству видов бизнеса: усложнение формы обычно снижает конверсию.
Анализ эффективности интернет-рекламы обычно затрудняется по следующим причинам.
1. Информацию о рекламе, посетителях и клиентах принято просматривать и анализировать в тех источниках, которые эту информацию формируют. Например, данные о затратах просматривают в аккаунтах рекламных систем (Яндекс. Директ, Google AdWords и др.); данные о поведении посетителей на сайте - в аккаунтах счётчиков веб-аналитики; данные о звонках в офис - в системах колл-трекинга; данные о продажах - в системах управления взаимоотношениями с клиентами (CRM). В результате все эти данные рассматриваются отдельно и оказываются достаточно слабо связаны друг с другом. Кроме того, несмотря на огромные возможности систем веб-аналитики, в них существенно ограничены возможности анализа данных. А при необходимости взаимодействия с внешними агентствами интернет-маркетинга рекламодатель не может открыть им доступ к CRM, содержащей информацию о собственных клиентах.
2. Данные собираются в огромных объёмах и имеют сложную структуру. Например, при проведении контекстной рекламы интернет-магазина приходится собирать информацию по множеству кампаний, каждая из которых имеет большое количество объявлений. Эти объявления обычно надо настраивать на отдельные показы в разных регионах по различным поисковым запросам. При проведении сплит-тестирования пользователи попадают на различные целевые страницы после перехода по одному и тому же объявлению. Рекламодатель вынужден контролировать эффективность по каждому объявлению, поисковому запросу и целевой странице отдельно. Данные собираются за каждый день, но для анализа эффективности их приходится группировать по более крупным временным периодам (по неделям и месяцам). Многие рекламодатели не имеют в своём штате специалистов, способных выполнять сбор, обработку и анализ этой информации.
3. Несмотря на большое количество данных, собираемой информации обычно не хватает для управления эффективностью внутри каждого рекламного канала. Например, общее количество посетителей из поисковой рекламы велико, но все они приходят по различным поисковым запросам. Для оптимизации кампании требуется статистика продаж отдельно по каждому ключевому слову, которая накапливается достаточно медленно. Рекламодатели вынуждены группировать данные по товарным категориям, что существенно снижает точность анализа. Ожидая накопления статистически достоверных объёмов данных, рекламодатели в течение длительного времени вынуждены расходовать рекламные деньги неэффективно.
4. На показатели эффективности влияет большое количество параметров. Например, в кон-
текстной рекламе такими параметрами являются ценовая ставка за клик; день недели; список ключевых слов, по которым осуществляются показы; тексты объявлений; содержание посадочных страниц, на которые попадают пользователи после перехода по объявлениям; размер регионов, на которые запускаются отдельные кампании; стратегии, предлагаемые системой Яндекс. Директ. Для каждого типа бизнеса приходится искать собственные оптимальные сочетания этих параметров. Например, рекламодатель должен подбирать ценовую ставку за клик, обеспечивающую для него максимально возможную чистую прибыль. Причём, в зависимости от дня недели и других параметров, оптимальная ставка может различаться. Кроме того, вследствие быстро меняющегося поведения рекла-модателей-конкурентов, выявленные ранее оптимальные сочетания параметров быстро теряют свою актуальность. Например, в конкурентных тематиках приходится выполнять оптимизацию ценовой ставки за клик многократно в течение дня.
5. Для принятия решения о покупке человеку обычно требуется время. Перед тем, как оформить заказ, пользователи неоднократно приходят на продвигаемый сайт из разных рекламных каналов. Причём один и тот же пользователь может посещать сайт с различных компьютеров, планшетов, смартфонов. Поэтому во многих случаях не удаётся выявить все источники, которые ранее приводили покупателя на сайт. Таким образом, рекламодатель теряет много информации об эффективности источников посетителей.
6. В системах веб-аналитики отсутствуют данные об истории взаимоотношений с клиентами. Соответственно, показатели эффективности вычисляются с учётом только одной покупки, которая совершается сразу после перехода из рекламного источника. Опираясь на эти данные, рекламодатели зачастую получают заниженные данные о коэффициенте возврата инвестиций, поскольку многие типы бизнеса основаны на повторных покупках.
7. Инструменты веб-аналитики позволяют оценивать эффективность мероприятий по интернет-маркетингу только в случае перехода пользователей на продвигаемый сайт. Однако не следует также забывать про имиджевую составляющую рекламы. Её доля достаточно высока, например, в медийных объявлениях (графические и видеоформаты), которые пользователи часто видят, проводя время на различных сайтах. Запоминая образы, связанные с брендами рекламодателей, пользователи впоследствии совершают покупки напрямую в оффлайн-магазинах, не переходя на продвигаемый сайт. Средства веб-аналитики не предоставляют об этом никакой информации, следовательно, рекламные каналы с высокой имиджевой составляющей остаются недооценёнными.
В связи с этим мы сформулировали следующие рекомендации по анализу эффективности интернет-рекламы.
1. Перед началом рекламной кампании необходимо настроить выгрузку в единую базу данных информации из рекламных систем, счётчиков вебаналитики, систем колл-трекинга и систем управления взаимоотношениями с клиентами. Это позволит далее применять для обработки и анализа собранной информации весь арсенал электронных таблиц и статистических пакетов. Для снижения объёма рутинной работы данные должны выгружаться автоматически. Информацию надо получать каждый день небольшими порциями, поскольку рекламные системы и счётчики вебаналитики обычно существенно ограничивают объём данных, выгружаемых в течение суток.
2. В момент регистрации посетителя на сайте необходимо, помимо его личных данных (e-mail, телефон, и др.), сохранять в CRM также данные о всех рекламных источниках, которые до момента регистрации приводили этого посетителя на сайт (идентификаторы объявлений, URL рекламных площадок, запросы которые пользователи набирали в поисковых системах). В дальнейшем это позволит оценивать чистую прибыль с каждого рекламного источника с учётом повторных покупок клиентов.
3. Перед запуском основной рекламной кампании необходимо проводить малобюджетные тестовые кампании для предварительной оценки эффективности. Эти кампании должны тщательно планироваться, поскольку необходимо за короткое время проверять эффективность большого количества сочетаний параметров. Например, необходимо тестировать различные ставки за клик и стратегии системы Яндекс. Директ отдельно в рабочие и выходные дни. Диапазон варьирования ставок необходимо постоянно корректировать. Слишком низкие ставки снижают охват аудитории, но слишком высокие ставки приводят к убыточности рекламной кампании. Учитывая динамичное изменение оптимальных значений параметров после запуска основной кампании тестовые кампании должны продолжать работу, и на них всегда необходимо выделять часть рекламного бюджета.
4. Главными показателями эффективности интернет-рекламы являются чистая прибыль и коэффициент возврата инвестиций ROI, но информация по продажам обычно накапливается достаточно медленно. Существует множество промежуточных показателей, статистически достоверные данные по которым можно получать более быстро: посещаемость, средняя цена клика, глубина просмотра сайта (количество просматриваемых страниц), показатель отказов, проведённое на сайте время, коэффициенты конверсии. Необходимо использовать для управления эффективностью рекламных кампаний те промежуточные показатели, которые сильно коррелируют с главными показателями. Например, если выявляется устойчивая корреляционная связь между показателем отказов и коэффициентом возврата инвестиций, то в ближайшее время можно
делать выводы об эффективности рекламных источников по показателю отказов.
5. Если оценку эффективности выполняет внешнее агентство, и рекламодатель не желает открывать подрядчику данные о своих продажах, то необходимо использовать в качестве KPI стоимость целевых действий. Например, интернет-магазин может открыть агентству доступ к данным о переходах посетителей на страницы «Спасибо за заказ». Факт каждого посещения такой страницы свидетельствует об оформлении заказа, но не является гарантией его последующей оплаты. Однако рекламодатель располагает статистикой по коэффициентам конверсии заказов в покупки и может использовать эту информацию для расчёта целевой стоимости неоплаченного заказа. Например, если известно, что каждые 5 заказов на сайте в среднем приводят к одной оплаченной покупке, то коэффициент конверсии заказов в покупки составляет 20 %. Допустим, прибыль с одной продажи составляет 1500 руб. В таком случае, во избежание убыточности рекламной кампании, стоимость привлечения одного заказа на сайте не должна превышать 1500/5 = 300 руб. Подобные расчёты позволяют рекламодателю определить целевые (допустимые) стоимости онлайн-заказа для каждого товара и указывать их внешнему агентству в качестве KPI.
Савельева Ирина Петровна. Доктор экономических наук, профессор, заведующий кафедрой «Маркетинг и менеджмент», Южно-Уральский государственный университет (г. Челябинск), телефон: 8(351)2679995.
Никулин Денис Николаевич. Старший преподаватель кафедры «Маркетинг и менеджмент», ЮжноУральский государственный университет (г. Челябинск), expect3@yandex.ru.
Поступила в редакцию 12 июня 2014 г.
Bulletin of the South Ural State University Series “Economics and Management” ___________2014, vol. 8, no. 3, pp. 99-105
ASSESSMENT OF ONLINE ADVERTISING EFFICIENCY WITH THE HELP OF WEB ANALYTICS SYSTEMS
I.P. Savelyeva, South Ural State University, Chelyabinsk, Russian Federation D.N. Nikulin, South Ural State University, Chelyabinsk, Russian Federation
The article describes the main indicators of the online advertising efficiency. The web analytics systems make it possible to collect and analyze information about the visitors of Internet resources. Installing the counters of analytical systems in websites, advertisers are able to track customers at all stages, from the click on an advertisement to the payment of an order in the Internet store. The capabilities of the web analytics system Google analytics are described. Google analytics allows you to track the following basic indicators that characterize website visitors: 1) page view; 2) visits;
3) unique visitors; 4) number of pages viewed per visit; 5) bounce rate; 6) length of stay on the site. The cases of advertising agencies for online marketing efficiency management are shown. The circumstances impeding the analysis of online advertising efficiency are listed and the recommendations
Литература
1. Вебинар Андрея Титенко «Веб-аналитика для интернет-рекламы». - https://www.youtube.com/watch ?v=mj1bz0ol8KQ (дата обращения 2014-06-07).
2. Вебинар Антона Воронюка «Оценка эффективности рекламы в интернете». -
http://www.youtube.com/watch?v=joyhWvQjXbQ (дата обращения 2014-06-07).
3. Доклад Ильи Барменкова «Веб-аналитика: долгосрочное сотрудничество на примере интернет-магазина электроники». - http://www.youtube.com/ watch?v=02xl_KKb-0Y (дата обращения 2014-06-07).
4. Доклад Анатолия Сергеева «Отслеживание эффективности каждой площадки партнёрской сети Бегуна и Яндекс.Директа» - http://www. youtube.com/watch?v=Bw9FpidhUf8 (дата обращения 2014-06-07).
5. Доклад Ирины Черновой «Проведение Сплит-тестирования. Кейсы, которые работают у всех». - http://www.youtube.com/watch?v =Xw8i FQcfRnQ (дата обращения 2014-06-07).
6. Доклад Алексея Ильина «Сплит-тестирование: полезные советы». - http://video. yandex.ru/users/icontextru/view/2/ (дата обращения 2014-06-07).
7. Доклад Андрея Юнисова «Веб-аналитика для интернет-магазинов». - http://video.yandex.ru users/ icontextru/view/4/ (дата обращения 2014-06-07).
how to overcome these difficulties are formulated. The analysis of online advertising efficiency is usually complicated for the following reasons: information on advertising, visitors and customers is viewed and analyzed in those sources which form this information; the data are collected in large volumes, and have a complex structure; despite the large amount of data, collected information is usually not enough for efficiency management within each advertising channel; a large number of parameters affects the efficiency indicators; it takes time for a person to make a decision about buying something; in web analytics systems there is no information on the history of customer relations; web analytics tools enable you to assess the efficiency of internet marketing activities only in the case of transition of users to a promoted website.
Keywords: online advertising efficiency, web-analytic s, Google analytics, conversion, CR, KPI, ROI, CPO, split testing.
References
1. Vebinar Andreya Titenko “Veb-analitika dlya internet-reklamy” [Webinar of Andrey Titenko “Web Analytics for Online Advertising”]. Available at: https://www.youtube.com/watch?v=mj1bz0ol8KQ (accessed 2014-06-07).
2. Vebinar Antona Voronyuka “Otsenka effektivnosti reklamy v internete” [Webinar of Anton Voronyuk “Evaluating the Efficiency of Advertising on the Internet”]. Available at: http://www.youtube.com/watch?v=joyhWvQjXbQ (accessed 2014-06-07).
3. Doklad Il’i Barmenkova “Veb-analitika: dolgosrochnoe sotrudnichestvo na primere internet-magazina elektroniki” [Report of Ilya Barmenkov “Web Analytics: Long-Term Cooperation in Terms of the Online Electronics Store”]. Available at: http://www.youtube.com/watch?v=O2xl_KKb-0Y (accessed 2014-06-07).
4. Doklad Anatoliya Sergeeva «Otslezhivanie effektivnosti kazhdoy ploshchadki partnerskoy seti Beguna i Yandeks.Direkta» [Report of Anatoly Sergeev “Tracking the Efficiency of Each Site of the Affiliate Network of Runner and Yandex.Direct”]. Available at: http://www.youtube.com/watch?v=Bw9FpidhUf8 (accessed 201406-07).
5. Doklad Iriny Chernovoy «Provedenie Split-testirovaniya. Keysy, kotorye rabotayut u vsekh» [Report of Irina Chernova “Conducting Split Testing. Cases that Work Everywhere”]. Available at: http://www.youtube.com/watch?v =Xw8iFQcfRnQ (accessed 2014-06-07).
6. Doklad Alekseya Il’ina «Split-testirovanie: poleznye sovety» [Report of Alexey Ilyin “Split Testing: Useful Tips”]. Available at: http://video.yandex.ru/users/icontextru/view/2/ (accessed 2014-06-07).
7. Doklad Andreya Yunisova «Veb-analitika dlya internet-magazinov» [Report of Andrey Yunisov “Web Analytics for Online Stores”]. Available at: http://video.yandex.ru/users/icontextru/view/4/ (accessed 2014-06-07).
Irina Petrovna Savelyeva. Doctor of Science (Economics), professor, head of the Marketing and Management Department, South Ural State University (Chelyabinsk). Tel.: +7 (351) 267 99 95.
Denis Nikolaevich Nikulin. Senior lecturer of the Marketing and Management Department, South Ural State University (Chelyabinsk), expect3@yandex.ru.
Received 12 June 2014
