E-commerce-аналитика — это анализ данных, которые генерируются во всех онлайн-продажах интернет-магазина: источников трафика, коэффициентов конверсии на уровне товаров, брошенных корзин, среднего чека. Она помогает понять, что приносит выручку, а что её сдерживает. От общей веб-аналитики она отличается тем, что сосредоточена именно на коммерческих результатах: какие SKU продаются, с какой маржой и через какой канал. Для компаний, которые используют товарные фиды в поиске, социальных сетях и на маркетплейсах, e-commerce-аналитика превращает показатели эффективности на уровне каналов в решения на уровне каталога.
Почему e-commerce-аналитика важна
Продавец, рекламирующий тысячи SKU в Google Shopping, Meta Catalog и на нескольких маркетплейсах, получает гораздо больше данных об эффективности, чем любой человек способен просмотреть построчно. E-commerce-аналитика сводит эти данные в закономерности, на основе которых можно действовать: категория с хорошей конверсией, но ценами ниже, чем у конкурентов; бестселлер с падающим CTR; целая товарная линейка, которая незаметно приносит убытки из-за рекламных расходов. Это отличается от «сырой» аналитики фида, которая отслеживает, как сам каталог работает в каждом канале: e-commerce-аналитика находится уровнем выше и объединяет эффективность фида с данными сайта — сеансами, показателем отказов, повторными покупками, — чтобы составить полную картину пути клиента. Без неё магазин может лишь реагировать на отдельные симптомы — здесь закончился товар, там жалоба на цену, — вместо того чтобы выявлять системные проблемы, незаметно ограничивающие рост.
Как это работает
Платформы e-commerce-аналитики обычно получают данные из трёх источников: самого товарного фида (цена, категория, наличие), API отчётности каналов (показы, клики, расходы) и собственной аналитики или данных о заказах витрины (сеансы, конверсии, выручка). Эти данные объединяются по общему ключу, как правило по идентификатору товара, так что на одном дашборде видно, например, что у товара сильные метрики вовлечённости, но слабые фактические продажи, — часто это сигнал проблемы с ценой или остатками, а не со спросом. Сегментация по категории, бренду или региону позволяет командам сравнивать эффективность по всему каталогу, а не по одной карточке за раз, а результаты обычно сочетаются с анализом рынка, чтобы отличить реальную проблему с эффективностью от общего спада во всей категории.
Пример
<item>
<g:id>SKU-51290</g:id>
<title>Ceramic Non-Stick Frying Pan - 28cm</title>
<g:price>34.50 USD</g:price>
<g:availability>in stock</g:availability>
<g:custom_label_2>category-cookware</g:custom_label_2>
<g:custom_label_3>margin-mid</g:custom_label_3>
</item>Такие поля, как custom_label_2 и custom_label_3, нужны для того, чтобы клики и конверсии на стороне каналов можно было сводить по тем же группировкам категорий и маржи, которые магазин уже использует в собственной e-commerce-отчётности, — так обе стороны анализа остаются согласованными.
Связанные понятия
E-commerce-аналитика лучше всего работает в паре с общей аналитикой фида: одна показывает, как каталог работает в каналах, другая — как эта эффективность превращается в выручку и повторные покупки. Дополнив картину анализом рынка и метриками вовлечённости, специалисты могут отличить товар, которому нужен более качественный фид, от товара, цена которого просто неконкурентоспособна на своём рынке.
