Как мы адаптировали Ecommerce-модель Яндекс Метрики для Smart TV

В Smart TV-приложении пользователь не складывает товары в корзину. Он выбирает фильм, открывает карточку сериала, переключается между телеканалами и запускает просмотр.

При этом с точки зрения продуктовой аналитики его путь во многом похож на поведение покупателя в интернет-магазине. У видеосервиса тоже есть витрины, категории, отдельные продукты и целевые действия. Только вместо одежды и электроники — фильмы, сериалы и телеканалы, а вместо получения заказа — запуск просмотра или оформление подписки.

Эта аналогия позволила нам не создавать новую аналитическую модель с нуля. Мы адаптировали Ecommerce-модель Яндекс Метрики под видеоконтент и получили единый подход к анализу пользовательского пути на LG webOS, Samsung Tizen и Android TV.

В основе наших Smart TV-приложений находится единое веб-приложение, которое запускается внутри оболочек для разных телевизионных платформ.

Для пользователя это обычное приложение, адаптированное под большой экран и управление с пульта. Но интерфейс, навигация и основная продуктовая логика находятся в общей веб-части.

Благодаря этому нам не требуется отдельно реализовывать аналитику для каждой операционной системы. Счётчик и события подключаются в общей части приложения, после чего данные собираются по единым правилам на разных телевизорах.

Однако простой установки счётчика недостаточно. Необходимо определить, какие состояния приложения считать отдельными страницами, как фиксировать выбор контента, какие параметры передавать вместе с событиями и как отличать открытие карточки от фактического запуска просмотра.

Наше Smart TV-приложение работает как SPA: при переходе между разделами не происходит полной загрузки новой HTML-страницы.

Поэтому каждое значимое состояние интерфейса мы рассматриваем как виртуальную страницу. Отдельными страницами становятся:

При переходе между ними в Метрику отправляется новый виртуальный просмотр.

Такая структура позволяет анализировать популярность разделов, точки входа и выхода, глубину переходов и маршруты до целевого действия. Например, можно увидеть, через какие экраны пользователь проходит от запуска приложения до первого просмотра.

В адрес виртуальной страницы также можно включать название шаблона интерфейса. Это позволяет сравнивать разные визуальные темы и варианты главного экрана в рамках одной аналитической модели, а также запускать A/B-тестирование различных фичей.

Обычного списка событий вроде «открыл фильм», «нажал кнопку» или «запустил плеер» достаточно только на начальном этапе. По мере развития продукта количество событий растёт, а для каждого нового отчёта приходится заново разбираться в их названиях и параметрах.

Ecommerce-модель задаёт единую структуру данных для всего контента:

Одна модель применяется и к фильмам, и к телеканалам.

Например, для фильма товаром становится сам фильм, а источником выбора — подборка «Популярное», жанр, поиск или страница онлайн-кинотеатра. Для телеканала товаром становится канал, а источником — общий список, избранное, тематическая категория или программа передач.

Вместе с контентом сохраняются подборка и категория контента. Поэтому мы видим не только то, что пользователь запустил, но и откуда он к этому пришёл.

Это позволяет сравнивать разные пользовательские пути:

В результате стандартная Ecommerce-модель превращается в инструмент анализа контентных витрин и навигации внутри Smart TV-приложения.

Не все действия пользователя удобно описывать через Ecommerce. Поэтому параллельно мы фиксируем отдельные продуктовые и технические события.

К ним относятся:

Значимые события можно настраивать в Метрике как цели. Это позволяет оценивать не только количество конврсий, но и их влияние на продуктовые воронки.

Вместе с событиями могут передаваться технические и продуктовые параметры:

Персональные данные — телефон, электронная почта, адрес и другая идентифицирующая информация — в Метрику не передаются.

Обезличенный идентификатор позволяет объединять действия одного аккаунта на нескольких устройствах и анализировать путь пользователя после авторизации. Без него разные телевизоры одного абонента воспринимались бы как независимые пользователи.

После подключения можно анализировать не отдельные нажатия, а полноценные пользовательские сценарии:

Аналитика помогает перейти от общего понимания популярности контента к оценке эффективности конкретных элементов интерфейса.

Например, фильм может иметь большое количество запусков, но это ещё не означает, что хорошо работает каждая подборка, в которой он представлен. Сохранение источника выбора позволяет определить, какая именно витрина приводит пользователя к просмотру.

Яндекс Метрика и наша собственная система MiStats решают разные задачи.

Метрика показывает путь пользователя внутри интерфейса: экраны, подборки, выбор контента, авторизацию, ошибки и переходы к целевым действиям.

MiStats фиксирует фактическое потребление контента, включая длительность просмотра. Это позволяет отличить сам факт запуска от реального вовлечения пользователя.

В дальнейшем данные MiStats также могут связываться с биллинговыми событиями абонента. Кроме того, собственная система обеспечивает сбор данных на устройствах, где подключение внешнего счётчика невозможно или требует отдельной адаптации.

Таким образом, Яндекс Метрика помогает анализировать интерфейс и пользовательские сценарии, а MiStats дополняет её данными о реальном просмотре.

Чтобы обсудить подключение аналитики к вашему проекту, обратитесь к вашему менеджеру. Мы проведём демонстрацию решения и поможем определить сценарии, которые будут наиболее полезны вашей команде.