20 мая выступил на конференции "Неделя электронной торговли", организованной Oborot.ru, с докладом
KPIs в электронной коммерции.
Содержание доклада:
* Что такое KPI
* Почему их легко рассчитывать в электронной коммерции?
* Культура использования KPI
* Главные показатели эффективности рекламы
* Как оценить здоровье базы данных клиентов?

Собственно, публикую презентацию и текст доклада.

Определение Ключевого показателя эффективности

KPI (ключевой показатель эффективности) - это величина, характеризующая некоторый процесс, которая показывает, как далеко от цели находится анализируемый процесс.

Одно из главных преимуществ электронной коммерции – как правило данные уже собраны и построение хранилища данных не требует много времени. Проект по созданию хранилища данных на базе MS SQL Server может занять около месяца.

Относительно культуры использования KPI хотелось бы отметить следующее:
* Автоматизация расчетов уменьшает ошибки ручного вычисления. Чем меньше ошибок в расчетах, тем меньше ошибочных решений.
* KPI – это не “простыня” цифр. Часто любят смотреть на несколько листов цифр и данных, но это скорее вспомогательная статистика, т.к. самих KPI не бывает много. Имеет смысл разделить понятия KPI и вспомогательной статистики.
* KPI не отвечают на вопрос “Почему?”. KPI только сигнализирует, что проблема есть, но для получения пример нужно анализировать вспомогательную статистику.
* Определена цель и период. Одно из ключевых требований KPI – возможность прогнозирования целей.
* Статистически стабильный. На длительных периодах на графике значений показателя можно четко увидеть тренд, а не набор «хаотичных» движений.
* Аккуратное проектирование KPI помогает определить, в каком процессе возникла проблема. Самая большая сложность в разработке KPI, чтобы по его значению можно определить в каком бизнес-процессе возникла проблема (а не причину проблемы).

Пример 1: Ключевые показатели привлечения

Для получения правильных показателей маркетинга в области рекламы или привлеяения важно именть маркетинговую модель. Она может представлять собой простую математическую модель в Excel, на входе которой следующие параметры:
* Канал привлечения
* Конверсия канала (посещение в заказ)
* Себестоимость клика или % от оборота партнерской программы

На выходе модели:
* Прогноз оборота (клиенты, заказы, деньги) разбитые по периодам и каналам привлечения
* Себестоимость привлечения клиента
Эти два показателя (выход модели) и есть ключевые показатели привлечения. Конверсия в заказ не является KPI, т.к. это входной параметр модели привлечения. Это скорее некий внутренний KPI, чтобы знать насколько мы отклонились в модели.
Для построения модели обычно используются два инструмента: Google analytics (плагин для Excel Excellent analytics) и Excel. Плагин Excellent analytics позволяет работать с Google Analytics прямо из Excel.

Для расчета себестоимости привлечения нам понадобятся следующие расчеты:
1.Определяем период окупаемости рекламы с момента регистрации клиента [Вычисляем период].
2.Вычисляем прибыль от среднестатистического клиента в течение периода окупаемости [Вычисляем цель].

Пример: Если период окупаемости привлечения: 2 месяца, оборот : 15000 р., очищенная от издержаек прибыль = валовая прибыль – издержки: 1000 руб. Отсюда вывод для примера: Максимальная стоимость привлечения 1000 рублей.

Чтобы определить период окупаемости нужно построить график зависимости доли в обороте или прибыли 1 месяца работы компании от «возраста» клиента. Далее, определяем максимальный возраст, где доля в обороте падает до 5% и делим на 2.
В примере период окупаемости привлечения: 4/2 = 2 месяца

Отдельно хочу рассмотреть вопрос доверия к данным любых веб аналитических систем, основанных на куках. Существует достаточно высокая ошибка из-за потерь в «куках» систем веб-аналитики, например, Google Analytics. 1,5 года назад ~ 23% для периода в 1 месяц. Поэтому анализ последующих заказов лучше смотреть в базе данных.

Пример 2 KPI базы данных клиентов

Возможные ключевые показатели для базы данных клиентов:
* Конверсия активной БД клиентов. Позволяет отслеживать «здоровье» базы.
* Конверсия во второй месяц. Более ранний оповещатель здоровья базы.
* Доля новых клиентов в продажах. Не является показателем, т.к. зависит от объема инвестиций в рекламу.
* Для расчета конверсии активной БД нужно вычислить активные клиенты в БД определяются по максимальному возрасту клиента, где доля в обороте падает до 5%. Конверсия активной БД – какая доля клиентов «старичков» сделали заказ в анализируемом месяце.

В примере 1, это кол-во клиентов зарегистрировавшихся от 1 до 4х месяцев назад. Этот показатель косвенно оценивает лояльность клиентов.

Для примера можно посмотреть на изменение этого показателя в случае назначения скидки «старичкам», также нам понадобится контрольная группа. В момент назначения скидки всем клиентам мы наблюдаем резкий рост затем падение во втором месяце. В контрольной группе все стабильно, из этого можно сделать вывод, что снижение показателя произошло из-за:
* Удовлетворенного спроса
* Ожидания будущих скидок

Вывод: скидки не всегда положительно влияют на лояльность.

Главные выводы доклада:
* Электронная коммерция позволяет легко рассчитывать KPI
* Системы веб-аналитики неточно оценивают «последующие» заказы
* Показатель «Конверсия активной БД» косвенно оценивает лояльность или будущие заказы

Дополнительно про Анализ эффективности продвижения и Жизненный цикл клиента.