Кейс Tutu: -25% потерь данных благодаря системе сквозной аналитики

Помогли «Туту» построить систему сквозной аналитики и избавились от потерь данных в 25%

Представьте себе платформу с аудиторией более 30 миллионов пользователей в месяц — необходимо заменить зарубежные решения, интегрировать собственные инструменты и не потерять качество аналитики. В этом материале расскажем, как «Туту» и CyberBrain:

• выстроили сквозную аналитику внутренних данных;
• внедрили post-view-аналитику для точного отслеживания эффективности медийной рекламы;
• организовали ежедневный мониторинг всех digital-кампаний в одном интерфейсе;
• сократили потери данных на 25% по сравнению с предыдущей системой.

Задачи и вызовы

До начала проекта «Туту» использовали собственный clickstream-инструмент, но он разрабатывался под нужды продуктовой команды и не учитывал маркетинговые потребности. Основные проблемы:

• Фрагментированные данные — отсутствие единой системы мешало комплексному анализу маркетинга.
• Значительные потери данных — до 25% взаимодействий пользователей оставались вне аналитики.
• Ограниченные возможности post-view-анализа — не удавалось учитывать влияние показов рекламы без кликов.

CyberBrain и команда маркетинга «Туту» совместно приступили к дорожной карте доработок, в которую вошли:

• Определение маркетинговых метрик и форматов их расчёта.
• Интеграция post-click и post-view данных на основе clickstream.
• Создание механизма двустороннего обмена данными.
• Внедрение инструментов мониторинга качества данных.
• Переключение на data-driven модель атрибуции.
• Внедрение uplift-сегментирования для выделения наиболее ценных аудиторий.
• Разработка дашборда для полного контроля маркетинговых кампаний.

Реализация: от рыночных решений к собственной аналитике

Разработка внутренней системы аналитики — сложный и рискованный процесс, особенно если компания не специализируется на BI-решениях. Однако иногда это единственная альтернатива. Основные причины:

• Разногласия с рыночными аналитическими системами данных.
• Санкционные риски.
• Возможная потеря данных.
• Несовместимость с техническим стеком компании.
• Отсутствие нужного функционала в готовых решениях.

«Туту» столкнулись с несколькими из этих проблем и приняли решение о создании собственной системы. В рамках проекта маркетинговой команде пришлось разработать новую модель данных и метрик, которая включает:

• сессии и их источники;
• показатель отказов;
• уникальные конверсии в рамках сессий (поиск и покупка билетов);
• время на сайте и его распределение по страницам.

Чтобы избежать расхождений в интерпретации данных, команде было важно договориться о единых принципах расчёта метрик. В качестве платформы для хранения данных был выбран ClickHouse.

Интеграция CyberBrain с внутренней аналитикой «Туту»

Чтобы обеспечить полный сквозной анализ рекламных кампаний, мы перенесли данные из внешних трекинг‑систем непосредственно во внутреннюю аналитику «Туту» — и связали их через механизм cookie sync:

• При заходе пользователя на сайт системы аналитики и adtracking присваивали ему уникальные cookie.
• Эти данные отправлялись в хранилище вместе с информацией о сессии.
• «Туту» хранили идентификаторы на своей стороне для обеспечения безопасности.

Так был сформирован процесс сквозной аналитики от первого показа до покупки:

• Разметка кампаний adtracking-системой.
• Установка конверсионного тега для сопоставления user_id трекера и client_id сайта.
• Получение сырых данных по сессиям, источникам, конверсиям.
• Выгрузка информации в разрезе ID пользователя с детализацией по поведению и доходу.

Внедрение uplift-сегментирования

Uplift-анализ — это метод оценки эффективности рекламных кампаний, позволяющий определить реальное влияние рекламы на аудиторию. При этом внедрение данного метода проще и менее затратное, чем data-driven атрибуция, что делает его доступным для широкого круга компаний.

Uplift помогает оценивать влияние медийных кампаний на пользователей, сравнивая тех, кто видел рекламу, и тех, кто с ней не контактировал. Метод позволяет:

• Определять разницу в конверсии между сегментами.
• Выделять аудитории с наибольшим приростом эффективности.
• Оптимизировать закупку рекламы, фокусируясь на реально работающих каналах.

Процесс расчёта:

• Определение пользователей по user_id и client_id.
• Фиксация факта контакта с рекламой.
• Сегментация по параметрам: регион, источник, поведенческие факторы.
• Подсчёт CR (конверсии в покупку) в каждом сегменте.
• Расчёт uplift как разницы CR между контактировавшими и не контактировавшими пользователями.
• Проверка статистической значимости результатов с 95% доверительным интервалом.

Оптимизация и оценка эффективности кампаний на uplift: два подхода

Вариант 1: Оценка повышения CR по всем кампаниям

Первый подход заключается в оценке повышения коэффициента конверсии (CR) после контакта с медиа на уровне всех кампаний. Это позволяет оценить общий вклад охватных инструментов в повышение конверсии. Результаты должны анализироваться как суммарно по всем кампаниям, так и по отдельным кампаниям и источникам трафика, чтобы проводить сравнение и управлять эффективностью поставщиков и различных кампаний внутри одного проекта.

Для выполнения точной аналитики необходимо корректно присваивать и использовать UTM-метки, чтобы отслеживать источники трафика и проводить детализированную оценку эффективности каждого из инструментов рекламных кампаний.

Вариант 2: Оценка эффективности по сегментам

Второй подход заключается в детализированном сравнении сегментов. В этом случае важно выделять сегменты пользователей, которые контактировали с медиа, и сегменты тех, кто не видел рекламу. Для точности анализа необходимо выравнивать эти сегменты по общим признакам, например, по региону или типу трафика.

Если кампания включает как федеральные, так и региональные элементы, то для каждого региона стоит формировать отдельный сегмент пользователей, которые не взаимодействовали с медиа. Это особенно важно для корректного сравнения и оценки воздействия рекламы в различных регионах.

Кроме того, из сегмента, не контактировавшего с медиа, следует исключить пользователей, у которых уже была проявлена заинтересованность в покупке, например, через трафик performance или CPA. Это поможет точно изолировать эффект воздействия рекламы на тех, кто не был заинтересован ранее.

Визуализация с результатами CR для двух сегментов. Данные сгенерированы с целью демонстрации отчёта

Результаты

Внедрение собственной аналитики позволило «Туту» значительно улучшить маркетинговую эффективность:

• Снижение потерь данных — благодаря интеграции веб- и app-аналитики удалось устранить до 25% потерь данных, характерных для предыдущей системы.
• Рост точности измерений — data-driven атрибуция обеспечила максимально эффективное распределение бюджетов.
• Оптимизация затрат — улучшение эффективности кампаний на 13–29% в зависимости от площадки.

Внутренний анализ кампаний стал более прозрачным, а маркетинговая команда получила инструменты для точной оценки и управления рекламными инвестициями.

Выводы

Опыт «Туту» и CyberBrain доказывает, что разработка собственной системы аналитики позволяет не только устранить проблемы с фрагментацией данных, но и значительно повысить точность маркетинговых измерений.

Но что лично вам делать на этапе, когда сквозная аналитика уже собрана и упорядочена, данные нуждаются в оценке, а бюджет — в оптимизации? Рассказали об этом в нашем CyberБлоге: Узнай, как на самом деле работает атрибуция.