Аналитика электронной коммерции — это анализ данных, генерируемых в ходе онлайн-продаж розничного продавца: источники трафика, коэффициенты конверсии на уровне товаров, процент отказов от покупки, средняя стоимость заказа — используемый для понимания того, что способствует росту выручки, а что препятствует ей. Она отличается от общей веб-аналитики тем, что фокусируется именно на результатах коммерции: какие товары продаются, с какой маржой и через какие каналы. Для компаний, использующих товарные фиды в поисковых системах, социальных сетях и на маркетплейсах, аналитика электронной коммерции позволяет преобразовывать показатели эффективности на уровне каналов в решения на уровне каталога.

Почему аналитика электронной коммерции важна

Продавец, рекламирующий тысячи товаров на Google Shopping, Meta Catalog и нескольких маркетплейсах, генерирует гораздо больше данных о производительности, чем любой человек может проанализировать построчно. Аналитика электронной коммерции агрегирует эти данные в закономерности, на которые оператор может реагировать: категория товаров хорошо конвертируется, но продается по цене ниже конкурентов, бестселлер с падающим показателем кликабельности, целая линейка товаров незаметно теряет деньги на рекламе. Это отличается от анализа исходных данных из фидов , который отслеживает эффективность самого каталога на каждом канале; аналитика электронной коммерции находится на ступень выше, объединяя данные об эффективности фидов с данными сайта, такими как сессии, показатель отказов и поведение при повторных покупках, чтобы создать полную картину пути клиента. Без нее ритейлер может реагировать только на отдельные симптомы — отсутствие товара здесь, жалоба на цену там — вместо того, чтобы выявлять системные проблемы, которые незаметно сдерживают рост.

Как это работает

Платформы электронной коммерции обычно используют три источника данных: сам товарный фид (цена, категория, наличие), API для отчетности по каналам продаж (показы, клики, расходы) и собственные аналитические данные или данные о заказах магазина (сессии, конверсии, выручка). Эти данные объединяются по общему ключу, обычно идентификатору товара, поэтому на одной панели мониторинга можно увидеть, что показатели вовлеченности покупателей высоки, но фактические продажи низки — часто это сигнал о проблеме с ценообразованием или наличием товара, а не о проблеме спроса. Сегментация по категориям, брендам или регионам позволяет командам сравнивать показатели эффективности по всему каталогу, а не по отдельным товарам, а результаты обычно объединяются с анализом рынка , чтобы отделить реальную проблему с производительностью от более широкого замедления продаж в масштабах 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>

Поля типа custom_label_2 и custom_label_3 Существуют механизмы, позволяющие объединять клики и конверсии на стороне канала по тем же категориям и группам маржи, которые ритейлер уже использует в своей отчетности по электронной коммерции, обеспечивая согласованность анализа с обеих сторон.

Связанные концепции

Аналитика электронной коммерции лучше всего работает в сочетании с общей аналитикой фидов — одна показывает, как каталог работает на канале продаж, другая — как эта эффективность отражается на доходах и повторных покупках. Добавление анализа рынка и показателей вовлеченности дополняет картину, позволяя операторам отличать продукт, нуждающийся в улучшении фида, от продукта, цена которого просто недоступна на рынке.