Аналітика конверсій
Аналітика конверсій
Конверсія - це не просто «число діляться на число». Це керована система: чіткі визначення і подієва схема → коректний знаменник і вікно часу → сегментація і атрибуція → зв'язок з цінністю (LTV/ROMI) → моніторинг і експерименти. Нижче - каркас, який масштабується від продуктової активації до платіжних і маркетингових воронок.
1) Визначення та базова формула
Події воронки: послідовні кроки (перегляд → клік → реєстрація → верифікація → депозит → цільова дія).
Конверсія кроку: (\text {CR} _ {i\to j} =\frac {\text {унікальні сутності, що завершили} j\text {після} i} {\text {унікальні сутності, що досягли} i})
Конверсія наскрізна: (\text{CR}{0\to k} = \prod{s=0}^{k-1} \text{CR}_{s\to s+1})
Одиниця обліку: користувач/сесія/пристрій/замовлення - фіксуйте явно.
Вікно часу: обмеження між кроками (наприклад, реєстрація → депозит ≤ 7 днів).
2) Паспорти метрик (template)
METRIC: `CR_REG2DEP_7D_v2`
Визначення: частка зареєстрованих користувачів, які здійснили ≥1 депозит в 7 днів.
Одиниця: користувач (user_id, master_id).
Вікно: 7 × 24 год від'ts _ registration'.
Винятки: боти/фрод/тестові акаунти/дублікати.
Типові сегменти: країна, платформа, канал залучення.
Джерела: `event_register`, `event_deposit`.
Guardrails: fresh≤1ch, coverage≥99%, FPR antifroda≤Kh.
Версія/власники/датасловар.
3) Схема подій і якість даних
Канонічна схема: `event_id`, `user_id`, `device_id`, `session_id`, `ts`, `type`, `payload`, `source`, `version`.
Ідемпотентність: дедуп по'( source_id, checksum)'; журнал корекцій.
Очищення: фільтри ботів (швидкість, headless, known-ASN), фрод-прапори, тестові акаунти.
Ідентичності: міст'user _ id ↔ device/email/phone', довідка про спліт/merge користувачів.
4) Коректні знаменники: Часті пастки
Selection bias: «у знаменнику тільки активні вчора» → завищення CR.
Survivorship: виключили тих, хто пішов до кроку - CR штучно зростає.
Змішування одиниць: знаменник - сесії, чисельник - користувачі.
Подвійна атрибуція: один успіх приписаний кільком каналам.
Середнє середніх: усереднення CR за сегментами замість агрегування чисельників/знаменників.
5) Псевдо-SQL: воронка з вікнами і унікальностями
sql
WITH regs AS (
SELECT user_id, MIN(ts) AS ts_reg
FROM event_register
WHERE ts BETWEEN:from AND:to
GROUP BY user_id
),
deps AS (
SELECT user_id, MIN(ts) AS ts_dep
FROM event_deposit
GROUP BY user_id
),
eligible AS (
SELECT r.user_id, r.ts_reg, d.ts_dep
FROM regs r
LEFT JOIN deps d
ON d.user_id = r.user_id
AND d.ts_dep BETWEEN r.ts_reg AND r.ts_reg + INTERVAL '7 day'
)
SELECT
COUNT() AS users_reg,
COUNT(ts_dep) AS users_dep_7d,
COUNT(ts_dep)::decimal / COUNT() AS cr_reg2dep_7d
FROM eligible;Drop-off по кроках
sql
-- Пример: просмотр → регистрация → депозит (7d)
WITH base AS (...), -- ваш источник views AS (...), regs AS (...), deps AS (...)
SELECT
COUNT(DISTINCT views.user_id) AS step0_view,
COUNT(DISTINCT regs.user_id) AS step1_reg,
COUNT(DISTINCT CASE WHEN regs.ts BETWEEN views.ts AND views.ts + INTERVAL '24 h'
THEN regs.user_id END) AS view2reg_24h,
COUNT(DISTINCT CASE WHEN deps.ts BETWEEN regs.ts AND regs.ts + INTERVAL '7 day'
THEN deps.user_id END) AS reg2dep_7d;6) Когорти і сегментація
Когорти: формуйте за датою першої події (реєстрація/перший візит) → порівнюйте криві конверсії.
Сегменти: країна/канал/платформа/OS/пристрій/контент/ціна/партнер.
Воронка за сегментами: CR і drop-off до/після акцій, релізів, змін UX.
Справедливість: перевіряйте відмінність помилок/CR за чутливими сегментами (етика/комплаєнс).
7) Атрибуція: хто «заслужив» конверсію
Single-touch: last/first click - просто, але спотворює довгі цикли.
Position-based: U-подібна/лінійна/часовий розпад.
Data-driven (Shapley/Markov): оцінює внесок каналів за послідовностями.
Контроль дублікатів: один успіх = один кредит (або пайовий), версія алгоритму зафіксована.
8) Мікро-конверсії та якості кліків
Мікро-кроки: перегляд прайсингу, додавання до кошика, перевірка KYC, заповнення форми 50%.
Якість трафіку: bounce-rate, engaged-sessions, частка «валідних» переглядів, ботові патерни.
Зв'язок з цінністю: мікро-конверсії корисні, тільки якщо корелюють/причинно пов'язані з бізнес-ефектом (LTV, GGR, Net).
9) Зв'язок конверсії з грошима: CAC, LTV, ROMI
CAC: вартість залучення за одиницю конверсії (реєстрації/депозиту/покупки).
ROMI: (\frac {\text {Інкрементальна виручка}} {\text {Маркетингові витрати}} - 1).
LTV-зважена конверсія: приоритизуйте сегменти/канали не за CR, а за очікуваною цінністю.
Причинність: оцінка ROMI - через A/B, DiD, синтетичний контроль; кореляції недостатньо.
10) Експерименти та uplift
A/B-тести: рандомізація, MDE/power, облік сезонності та інтерференції.
Метрики: основний CR + guardrails (скарги, latency, FPR антифрода).
Uplift-моделі: таргетують приріст конверсії, а не ймовірність події; оцінюйте Qini/AUUC, uplift @k.
11) Тимчасові аспекти та вікна
Look-back / Look-forward: вікно між експозицією (клік/перегляд) і конверсією/депозитом.
Гістерезис: різні пороги вхід/вихід для включення/вимикання промо-регресорів, щоб не «блимати».
Календар: свята, зарплатні, великі івенти - обов'язкові регресори/прапори.
12) Мульти-пристрої та дедуплікація
Крос-девайс: граф ідентифікаторів (cookie/device/IDFA/email/телефон).
One-to-one: одну цільову дію зараховуємо один раз per користувач (або per замовлення/платіж).
Тест/інтернал: фільтровані списки QA/операторів/ботів - поза знаменником і числівником.
13) Візуалізації та звіти
Step-bars / Sankey: drop-off по кроках.
Когортні теплокарти: CR на 1/3/7/14/30 день.
Bridge-графіки: внесок факторів у зміну CR (UX, промо, канал-мікс).
Dash: fresh-таймер, coverage подій, guardrails, алерти.
14) Моніторинг, SLO та алерти
SLO свіжості: лаг оновлення ≤ N хвилин/годин.
Вартові якості: сплеск ботів/фроду, розлад ідентичностей, падіння coverage.
Алерти: відхилення CR від сезонного прогнозу, обрив подій, зростання помилок/latency.
15) Псевдо-SQL: атрибуція «last non-direct»
sql
WITH touch AS (
SELECT user_id, channel, ts,
ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY ts DESC) AS rn
FROM session_touchpoints
WHERE is_direct = false
AND ts <= (SELECT first_conversion_ts FROM conversions WHERE conversions.user_id = session_touchpoints.user_id)
),
credit AS (
SELECT user_id, channel FROM touch WHERE rn = 1
)
SELECT channel, COUNT() AS conv, COUNT()::decimal / SUM(COUNT()) OVER() AS share
FROM credit
GROUP BY channel
ORDER BY conv DESC;16) Анти-патерни
Середнє CR по країнах/каналах без ваг.
Змішування одиниць (сесії vs користувачі) і тимчасових зон.
Ігнор дефініцій формул і версій (метрика «пливе»).
Вікна «як вийде» (не фіксовані) → не порівнянні CR.
Відсутність фільтрів ботів/фродів → завищені метрики.
Атрибуція «last click» як єдина істина для всіх рішень.
17) Чек-лист перед публікацією конверсійного звіту
- Паспорт метрики: визначення, одиниця, вікно, винятки, джерела, версія
- Схема подій канонізована, дедуп/ідемпотентність включені
- Боти/фрод/QA-акаунти виключені; ідентичності зведені
- Вікна і знаменники задокументовані; тимчасові зони узгоджені
- Сегменти/когорти перевірені; інваріанти (DAU ≤ MAU, суми по днях = місяцю) дотримані
- Атрибуція обрана і описана; подвійний кредит виключений
- Зв'язок з цінністю: CAC/LTV/ROMI додані, причинна оцінка спланована
- Дашборд: свіжість, coverage, guardrails; алерти налаштовані
18) Міні-глосарій
CR (Conversion Rate): частка, що завершила цільову дію.
Drop-off: частка, що «випала» між кроками.
Attribution: метод розподілу заслуги за конверсію по дотиках.
Cohort: група за датою першої події.
ROMI: повернення маркетингових інвестицій (інкрементально).
Uplift: приріст конверсії від інтервенції.
Guardrails: обмежувачі ризиків (скарги, FPR, latency).
Підсумок
Надійна аналітика конверсій спирається на три кити: коректні визначення (знаменники/вікна/одиниці), дисципліна даних (ідемпотентність, дедуп, антибот), зв'язок з цінністю (LTV/CAC/ROMI і причинність). Побудувавши воронки, когорти, атрибуцію і моніторинг за описаним каркасом, ви отримуєте метрики, за якими можна реально управляти продуктом і маркетингом, а не тільки спостерігати графіки.