DOI 10.24411/2413-046Х-2019-19085 АНАЛИЗ ВОЗМОЖНОСТИ ИСПОЛЬЗОВАНИЯ ВЕБ-АНАЛИТИКИ В УПРАВЛЕНИИ ДОХОДНОСТЬЮ ОРГАНИЗАЦИИ INVESTIGATION OF THE ROLE OF WEB ANALYTICS IN IMPROVING THE EFFICIENCY OF THE ORGANIZATION Демкина Ольга Витальевна, к.э.н, доцент, Государственный университет управления, РФ, г. Москва Марушко Леонид Юрьевич, Государственный университет управления, РФ, г. Москва Demkina Olga Vital’evna, PhD, associate Professor, State University of Management, Russia, […]
УДК 911.3:30 DOI 10.24411/2413-046Х-2019-19084 КРИМИНАЛЬНАЯ ГЕОГРАФИЯ И НЕЗАКОННЫЕ РУБКИ ЛЕСА В ИРКУТСКОЙ ОБЛАСТИ CRIMINAL GEOGRAPHY AND ILLEGAL LOGGING IN IRKUTSK REGION Бухаева Татьяна Григорьевна, аспирант, Институт географии им. В. Б. Сочавы СО РАН, г. Иркутск, лаборатория георесурсоведения и политической географии, vicious.sunny@gmail.com Рагулина Милана Владимировна, доктор географических наук, профессор, Иркутский государственный университет, Педагогический институт, кафедра географии, […]
УДК 911.3:30 DOI 10.24411/2413-046Х-2019-19083 НЕКОТОРЫЕ ГЕНДЕРНО-ГЕОГРАФИЧЕСКИЕ АСПЕКТЫ РЫНКА ТРУДА В ИРКУТСКОЙ ОБЛАСТИ SOME GENDER-GEOGRAPHICAL FEATURES OF THE LABOR MARKET IN THE IRKUTSK REGION Зверева Мария Николаевна, аспирант, Институт географии им. В. Б. Сочавы СО РАН, г. Иркутск, лаборатория георесурсоведения и политической географии, zvereva.mari@bk.ru Рагулина Милана Владимировна, доктор географических наук, профессор, Иркутский государственный университет, Педагогический институт, […]
УДК 339.9 DOI 10.24411/2413-046Х-2019-19082 ТЕНДЕНЦИИ РАЗВИТИЯ МЕЖДУНАРОДНОЙ ТОРГОВЛИ ПОД ВЛИЯНИЕМ ГЛОБАЛЬНЫХ ЦЕПОЧЕК СОЗДАНИЯ СТОИМОСТИ INTERNATIONAL TRADE TRENDS UNDER THE INFLUENCE OF GLOBAL VALUE CHAINS Наталия Владимировна Найденова, кандидат экономических наук, доцент кафедры экономики, Саратовская государственная юридическая академия, Саратов Анна Евгеньевна Шкрябина, кандидат экономических наук, доцент кафедры экономики, Саратовская государственная юридическая академия, Саратов Nataliia Vladimirovna Naidenova, […]
УДК 338.1 DOI 10.24411/2413-046Х-2019-19081 РАЗРАБОТКА ТЕХНОЛОГИИ ОЦЕНКИ КОММЕРЧЕСКОГО ПОТЕНЦИАЛА ИННОВАЦИЙ Development of technology assessment of commercial potential of innovations Скоробогатов Михаил Владимирович,кандидат экономических наук, профессор, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики, г. Санкт-Петербург Ивлев Илья Юрьевич, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики, г. Санкт-Петербург Skorobogatov M.V., mvskor@rambler.ru Ivlev I.Y., […]
УДК 338.24 DOI 10.24411/2413-046Х-2019-19080 СОВЕРШЕНСТВОВАНИЕ МЕХАНИЗМОВ УПРАВЛЕНИЯ ИННОВАЦИОННОЙ ДЕЯТЕЛЬНОСТЬЮ В АПК IMPROVEMENT OF MECHANISMS OF INNOVATIVE ACTIVITY MANAGEMENT IN AIC Бражниченко Д.В., соискатель Кубанского ГАУ, Краснодар Гайдук В.И., д.э.н., профессор, заведующий кафедрой институциональной экономики и инвестиционного менеджмента Кубанского ГАУ, Краснодар Глущенко О.С., магистрант Кубанского ГАУ, Краснодар Калитко С.А., к.э.н., доцент, доцент кафедры управления и маркетинга […]
УДК 338.431.2 DOI 10.24411/2413-046Х-2019-19079 ДЕМОГРАФИЧЕСКИЕ АСПЕКТЫ ФОРМИРОВАНИЯ ТРУДОВЫХ РЕСУРСОВ СЕЛЬСКИХ ТЕРРИТОРИЙ DEMOGRAPHIC ASPECTS OF FORMATION OF LABOR RESOURCES OF RURAL TERRITORIES Скворцова Е.Г., преподаватель, ФГБОУ ВО Уральский ГАУ, соискатель Аннотация: На формирование трудовых ресурсов оказывает влияние ряд факторов. Данные процессы находятся под влиянием системы подготовки кадров для села, научно-технического прогресса, состояния инфраструктуры сельских территорий и […]
УДК 528.44 DOI 10.24411/2413-046Х-2019-19078 ВЛИЯНИЕ НЕСТАБИЛЬНОЙ РАБОТЫ ЭЛЕКТРОННОГО РЕСУРСА РОСРЕЕСТРА НА УПРАВЛЕНИЕ НЕДВИЖИМОСТЬЮ: ОСНОВНЫЕ ПРОБЛЕМЫ, РЕШЕНИЯ THE INFLUENCE OF UNSTABLE OPERATION OF AN ELECTRONIC RESOURCE OF ROSREESTR IN REAL ESTATE MANAGEMENT: BASIC PROBLEMS, SOLUTIONS Мезенина Ольга Борисовна, доктор экономических наук, доцент, заведующая кафедрой, Уральский государственный лесотехнический университет, г. Екатеринбург Михайлова Анна Дмитриевна, кандидат экономических наук, […]
УДК 574.9 DOI 10.24411/2413-046Х-2019-19077 ГЕОЭКОЛОГИЧЕСКИЕ ИССЛЕДОВАНИЯ ПРИ КОМПЛЕКСНОМ РАЗВИТИИ ТЕРРИТОРИЙ GEOECOLOGICAL RESEARCH ON THE INTEGRATED DEVELOPMENT OF TERRITORIES Михайлова Анна Дмитриевна, кандидат экономических наук, доцент кафедры Землеустройство и кадастры, Уральский государственный лесотехнический университет г. Екатеринбург Мезенина Ольга Борисовна, доктор экономических наук, доцент, заведующий кафедрой Землеустройство и кадастры, Уральский государственный лесотехнический университет, г. Екатеринбург Старикова Мария Александровна, направление […]
УДК 658.8.012.12 DOI 10.24411/2413-046Х-2019-19076 МАРКЕТИНГОВОЕ ОБОСНОВАНИЕ СОЗДАНИЯ ОТРАСЛИ ПО ПРОИЗВОДСТВУ ПЛОДОВО-ЯГОДНОЙ ПРОДУКЦИИ НА ТЕРРИТОРИИ ПЕРМСКОГО КРАЯ MARKETING STUDY ON THE DEVELOPMENT OF THE INDUSTRY FOR THE PRODUCTION OF FRUIT PRODUCTION IN THE PERM REGION Марченко Алексей Викторович, кандидат экономических наук, доцент кафедры организации аграрного производства, Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова, г. Пермь […]
АНАЛИЗ ВОЗМОЖНОСТИ ИСПОЛЬЗОВАНИЯ ВЕБ-АНАЛИТИКИ В УПРАВЛЕНИИ ДОХОДНОСТЬЮ ОРГАНИЗАЦИИ
INVESTIGATION OF THE ROLE
OF WEB ANALYTICS IN IMPROVING THE EFFICIENCY OF THE ORGANIZATION
Демкина Ольга Витальевна, к.э.н, доцент, Государственный университет управления, РФ, г. Москва
Марушко Леонид Юрьевич, Государственный университет управления, РФ, г. Москва
Demkina Olga Vital’evna, PhD, associate
Professor, State University of Management, Russia, Moscow
Marushko Leonid Yr’evich, Undergraduate
student, State University of Management, Russia, Moscow
Аннотация: Рассмотрены основные инструменты веб-аналитики, используемые
на практике. Проанализировано влияние показателей веб-аналитики на доходность
организации. Доходность организации в статье оценивается с использованием
показателя ROMI (Return on marketing investment). Посредством регрессионного
анализа, доказано, что на доходность организации оказывают прямое влияние
следующие показатели веб-аналитики: показы, клики, CTR, рекламные расходы, средняя цена
клика, конверсия.
Summary:The
basic web analytics tools used in practice are considered. The influence of web
analytics indicators on the profitability of the organization is analyzed. The
profitability of the organization in the article is estimated using the ROMI
(Return on marketing investment) indicator. Through a regression analysis, it has
been proven that the following web analytics indicators directly affect the
organization’s profitability: impressions, clicks, CTR, advertising costs,
average cost per click, conversion.
Keywords:web
analytics, profitability, web analytics tools, ROMI, regression analysis.
Функционирование
современного бизнеса невозможно без использования средств веб-аналитики. Веб-аналитика
(Web analytics) — система измерения, сбора, анализа, представления и
интерпретации информации о посетителях веб-сайтов с целью повышения
эффективности рекламных кампаний и оптимизации работы интернет-ресурсов.
Основной задачей веб-аналитики является мониторинг посещаемости веб-сайтов, на
основании данных которого определяется аудитория сайта и изучается поведение
посетителей для принятия решений по развитию и расширению функциональных
возможностей веб-ресурса. Веб-аналитика позволяет не только работать над
улучшением сайтов, но и проводить работы по оптимизации бюджета на рекламные
кампании [6,7].
На сегодняшний день
наиболее распространенными инструментами веб-аналитики в России являются
Yandex.Metrika (Яндекс.Метрика) и Google.Analytics (Гугл.Аналитикс) и, как правило,
первый используется для поисковой системы Яндекс, а второй, соответственно, для
поисковой системы Гугл. Некоторые рекламодатели используют единый инструмент
для обеих поисковых систем, что, по мнению авторов, является ошибкой ввиду
того, что каждый из них адаптирован под свою поисковую систему.
Принцип работы
веб-инструментов состоит в создании специального счетчика – кода, который
внедряется в содержимое всех веб-страниц. Одновременно с этим Yandex.Direct и Google.Analytics создают связанное с этим счетчиком
хранилище данных. Посетители взаимодействуют со страницами сайта, на которых
установлен счетчик. Код счетчика исполняется и передает инструментам
веб-аналитики данные, как о самой странице, так и событиях, произошедших при взаимодействии
с ней посетителей [6,7]. Счетчики собирают следующие данные о пользователе
веб-ресурса:
url страницы (адрес страницы, на которой
побывал пользователь); источник трафика (например, таким источником может
являться поисковая система Яндекс); заголовок страницы; браузер и его версия
(например, Opera, Google Chrome, Safari и т.д.); устройство (мобильные телефоны и планшеты,
десктопы); высота и ширина экрана; язык браузера; пол и возраст посетителей; интересы
посетителей; географические данные; просмотр страницы (загрузка страницы сайта
при переходе пользователя на нее); сессия (последовательность действий одного
посетителя на сайте); скачивание файла (например, скачивание файла с перечнем
услуг и цен на них); отказ (в Яндекс.Метрике – ситуация, при которой
пользователь зашел на страницу, пробыл на ней менее 15 секунд и ушел; в
Гугл.Аналитикс – ситуация, при которой пользователь покинул сайт после
просмотра одной страницы вне зависимости от времени пребывания на ней); время
на сайте (время пребывания пользователя на сайте); глубина просмотра
(количество просмотренных пользователем страниц) [2].
Для того чтобы получить
первичную информацию о посетителе используются utm-метки, которые добавляются к домену
сайта:
utm_source – рекламная система
(например, yandex или google);
utm_medium – тип трафика («cpc»-
объявления, или «cpm»- баннеры);
utm_campaign – название рекламной
кампании;
utm_content – содержание объявления;
utm_term – ключевое слово [3].
Помимо счетчиков системы
веб-аналитики содержат возможность установления целей и конверсий по этим
целям. Под целью в данном случае понимается действие посетителя, в котором
заинтересован владелец сайта. Чаще всего организации используют следующие цели:
просмотр определенной страницы, нажатие какой-либо кнопки, оплата заказа и и
т.д. Достижением цели будет являться ситуация, при которой пользователь
выполнил все условия по достижению этой цели. Конверсия – это отношение
количества целевых визитов к общему количеству визитов. Цели, как правило, присутствуют
во всех рекламных кампаниях и являются способом определения ее эффективности.
Таким образом, можно
выделить основные области применения систем веб-аналитики:
определение проблемных мест на сайте
и исправление ошибок;
мониторинг доступности и стабильности
работы ресурса;
анализ и ведение статистики
посещаемости, определение основных тенденций;
исследование поведения посетителей и
факторов, которые на него влияют;
анализ эффективности проводимых
рекламных кампаний;
улучшение показателей электронной
коммерции и установка целей;
исследование результатов работы по
различным маркетинговым каналам;
выработка рекомендаций по улучшению различных
аспектов работы сайта и взаимодействию с посетителями [5].
Яндекс.Директ, как и Google.Adwords имеют множество показателей,
посредством которых можно детально проанализировать эффективность рекламных кампаний.
К основным показателям относятся:
CTR (коэффициент кликабельности, click-through rate), рассчитывается как число кликов по
рекламным объявлениям к общему числу показов этих объявлений. Это один из
наиболее часто используемых показателей на практике; за счет него можно
увидеть, какая доля пользователей не заходит на сайт рекламодателя. В том
случае, если показатель кликабельности падает в динамике, может быть сделан
вывод о нерелевантности (несоответствия) текста или заголовка объявления
запросу пользователя;
общий расход – общий размер затрат по
той или иной рекламной кампании за определенный промежуток времени;
средняя цена клика – средняя
стоимость перехода пользователя по объявлению рекламодателя. Этот показатель
является ключевым при определении эффективности рекламной кампании: если
объявление релевантно, отражает потребность пользователя, то ему в поисковой
выдаче будет отдаваться больший приоритет, и цена, которую рекламодатель будет
платить за переход по этому объявлению, будет ниже. Вторым фактором,
определяющим цену клика, является стратегия показов, которую выбирает
рекламодатель, а также максимальная цена клика;
цена цели (при наличии целей), средняя
величина затрат, которые несет рекламодатель для мотивации клиента к достижению
заданной им цели (например, при заказе какого-либо товара). На основе данного
показателя определяется целесообразность использования некоторых ключевых слов,
переходы по которым обходятся дороже стоимости определенных товаров или не
выгодны с точки зрения рекламодателя;
средняя позиция показа – среднее
место, которое занимают все объявления определенной рекламной кампании. То есть
в поисковой выдаче, когда пользователь вводит какой-либо запрос, он видит ряд
рекламных объявлений и, как правило, выбирает те, которые расположены на первых
местах. Обычно чем выше место показа объявления, тем больше пользователей
заходят на сайт;
посетители – количество посетителей
за рассматриваемый период времени. Если наблюдается резкая динамика снижения
количества посетителей – это признак того, что в рекламных кампаниях появились
какие-либо ошибки, появляется необходимость искать причинно-следственную связь;
новые посетители – количество
посетителей, которые оказались на сайте впервые;
процент отказов – отношение всех
посетителей к посетителям, ушедших с первой страницы Рекламодатели обращает
большое внимание этот показатель. В разных нишах может быть различный
допустимый порог этого показателя. Универсальным считается интервал в 20-30%,
то есть, в случае, если этот порог преодолевается, необходимо искать ошибки в
рекламных кампаниях;
источник трафика. Источником может
быть поисковая система, социальная сеть или какой-либо другой интернет-ресурс.
Анализируя источники трафика, можно ранжировать маркетинговые каналы по степени
их значимости;
глубина просмотра – количество
просмотренных страниц одним пользователем. На практике, если посетитель твердо
решает купить определенный товар и попадает на нужную ему страницу сайта, то он
совершает покупку, соответственно, глубина просмотра будет 1. В других случаях,
когда пользователь просматривает каталог в поисках нужного ему товара и уходит
с 1 страницы, – это может быть признаком того, что пользователь не доверяет
сайту либо он ему непонятен;
возраст. Возраст посетителей и пол в
основном определяют целевую аудиторию. Это сужает круг потенциальных клиентов,
но делает их более «качественными», то есть готовыми к покупке товара/услуги;
тип устройства (мобильный телефон,
планшет, декстоп). Посредством этого показателя становится возможным просмотр отдельной
статистики по разным типам устройств и определение целесообразности показа
объявлений на определенном типе устройств;
конверсия определяет общую
эффективность сайта и рекламы, а также отдельных целей рекламы. На практике не
существует универсального показателя конверсии, поскольку для разных рыночных ниш
этот показатель может меняться;
страницы входа – адреса страниц, на
которые пользователь заходит в начале сеанса;
страницы выхода – адреса страниц, с
которых пользователь выходит в конце сеанса;
посещаемость по времени суток – время
суток, в течение которого наблюдается наибольшее количество пользователей и
наоборот. Также можно определить наиболее эффективные конверсионные часы и
проводить изменения в рекламных кампаниях именно для этих часов (например,
повышать ставки);
периодичность визитов –
периодичность, с которой клиенты посещают сайт, если не было выполнено никакого
целевого действия с первого посещения. То есть данный показатель определяет
цикл сделки (какое время обычно затрачивает посетитель на совершение заказа
продукции/услуги);
время пребывания на сайте. Чем больше
времени клиент проводит на сайте, тем выше вероятность совершенствования им
покупки и тем сильнее его вовлеченность;
география. Этот показатель оценивает эффективность
рекламной кампании по разным регионам. По результатам анализа показателя
проводятся изменения в рекламных кампаниях (например, могут запрещаться показы
рекламы в некоторых неэффективных регионах или повышаться ставки в наиболее
эффективных); [3, 4, 6, 7]
Система веб-аналитики
оказывает прямое и существенное влияние на показатели доходности организации. В
научной литературе нет четкого определения понятия «доходность организации». В
общем смысле доходность актива определяется как отношение абсолютного изменения
стоимости актива в течение заданного периода к его базовому значению. Таким
образом, доходность представляет собой относительное изменение величины актива
за заданный промежуток времени.
Под доходностью в рамках данной работы будет пониматься возврат инвестиций в маркетинг, а именно в работу рекламных кампаний. В научной литературе данный показатель называется ROMI (Return on marketing investment) и рассчитывается по формуле:
ROMI является
одним из самых важных показателей в веб-аналитике, посредством которого
определяется общая эффективность всех рекламных кампаний. На основе данного
показателя можно сделать вывод как о нецелесообразности содержания некоторых
рекламных каналов, так и наоборот – о необходимости привлечения дополнительных
средств в другие рекламные каналы [1].
Базовая гипотеза настоящей работы заключается в наличии тесной взаимосвязи между изменением доходности организации и показателями веб-аналитики. На примере предприятия интернет – торговли проверим корректность выдвинутой гипотезы. В таблице 1 приведены показатели рекламных кампаний за октябрь 2018 года.
Анализируя показатели
веб-аналитики, представленные в таблице 1, справедливо сделать следующие
выводы:
наблюдается допустимое соотношение
показов и кликов, о чем свидетельствует показатель CTR, который практически за весь месяц
не опускается ниже 20%. Как было сказано ранее, в современной теории и практике
не существует универсальных показателей для разных рыночных ниш, однако CTR считается допустимым, когда
превышает отметку в 10%;
в средствах аналитики нет механизмов,
позволяющих описать степень влияния показателя CTR на цену клика, однако такое влияние
принимается в качестве факта, то есть чем выше CTR, тем ниже стоимость клика, поэтому
можно предположить, что цена клика в таблице 1 довольно низкая в связи с
достаточно высоким уровнем CTR;
ежедневные рекламные расходы находятся
примерно на одном и том же уровне, что может свидетельствовать о стабильной и
налаженной работе системы веб-аналитики в организации, поскольку при длительной
работе рекламных кампаний неожиданные скачки расходов бюджета свидетельствуют,
как правило, о появлении каких-либо ошибок;
на базе числовых характеристик
показателя ROMI можно сделать вывод о том, что рекламные кампании являются доходными,
так как они полностью окупают сумму, затраченную на рекламу.
Для того чтобы
подтвердить либо опровергнуть рабочую гипотезу проверим наличие корреляционной
связи между показателями веб-аналитики, представленными в таблице 1 и
значениями ROMI. Корреляционную взаимосвязь между показателями будет рассчитана с
использование коэффициента парной корреляции Пирсона r (2), результаты вычислений
представлены в виде корреляционной матрицы (таблица 2).
где
– среднее значение выборки.
В том случае, если между
переменными присутствует корреляционная связь, численные значения ROMI могут быть получены посредством
построения уравнения множественной линейной регрессии. Для простоты наглядного
представления вычислений, введем следующие условные обозначения: X1 – показы; X2 – клики; X3 – CTR; X4 – рекламные расходы; X5 – средняя цена клика; X6 – конверсия; Y – ROMI.
Поскольку между
переменными Х1 и Х2 наблюдается сильная корреляционная
зависимость, одна из переменных, в данном случае Х2 исключается из
дальнейшего анализа.
Базовая модель
множественной линейной регрессии имеет вид:
При помощи пакета «Анализ данных»,
функции «регрессия» MS Excel на основе данных таблицы 1 были определены параметры b0, b1, b2,
b3, b4, b5. Таким образом, уравнение регрессии имеет следующий вид:
Для оценки корректности
построенной модели рассчитаем коэффициент детерминации (R2), используя следующее уравнение:
По результатам расчетом
коэффициент детерминации рассматриваемой модели равен 0,7345, что говорит о
приемлемом качестве рассчитанных параметров. Полученные результаты
свидетельствуют о корректности выдвинутой гипотезы о наличии тесной взаимосвязи
между изменением доходности организации и показателями веб-аналитики
Список литературы
Агальцов В. П. Базы данных. Локальные
базы данных. – М.: ИНФРА-М, 2012. – 352 с.
Демкина О.В., Шаламова Н.Г. Исследование роли
веб-аналитики в повышении эффективности деятельности организации / О.В.Демкина,
Н.Г. Шаламова // Вестник университета. – 2019. – № 5. – С. 56-61.
Кирилов В. В., Громов Г. Ю. Введение
в реляционные базы данных. – СПб.: БХВ- Петербург, 2012. – 464 с.
Конверс Т., Парк Дж., Морган К. РНР 5
и MySQL. Библия пользователя. – М.: Диалектика, 2009. – 256 с.
Кошик А. Веб-аналитика 2.0 на
практике. Тонкости и лучшие методики (+ CDROM). М.: Диалектика, 2011. 528 с.
Помощь // Яндекс.Директ URL:
https://yandex.ru/support/direct/ (дата обращения: 12.05.2019).
Справка // Google реклама URL:
https://support.google.com/google-ads (дата обращения: 12.05.2019).