Откуда возьмешь данные о конверсии в транзакцию при предложении создания проекта?

Источники данных по конверсии предложения создания проекта в транзакцию

Для анализа конверсии "предложение создать проект" → "транзакция" нужно использовать комбинацию из разных источников данных в зависимости от архитектуры продукта.

1. Аналитические платформы (первичный источник)

Amplitude / Mixpanel / Google Analytics 4:

• Track event "create_project_offered" (когда юзер видит предложение)
• Track event "project_created" (когда проект реально создан)
• Track event "first_transaction" (когда произошла первая транзакция в проекте)
• Данные: user_id, timestamp, session_id, device, traffic_source
• Funnel анализ: предложение → создание проекта → первая транзакция

Funnels:

шаг 1: юзеры видевшие предложение (100%)
шаг 2: юзеры кликнувшие на CTA (45%)
шаг 3: юзеры заполнившие форму создания проекта (32%)
шаг 4: юзеры, активировавшие проект (28%)
шаг 5: юзеры, совершившие первую транзакцию (12%)

Отсев на каждом шаге показывает, где пользователи теряются.

2. Базы данных (source of truth)

PostgreSQL / MySQL с raw event tables:

SELECT 
  user_id,
  COUNT(CASE WHEN event = project_offered THEN 1 END) AS offers_shown,
  COUNT(CASE WHEN event = project_created THEN 1 END) AS projects_created,
  COUNT(CASE WHEN event = transaction THEN 1 END) AS transactions,
  DATE_TRUNC(day, created_at) AS date
FROM events
GROUP BY user_id, date
ORDER BY date DESC;

Расширенный анализ конверсии:

• Время между предложением и созданием проекта
• Время между созданием проекта и первой транзакцией
• Статус проекта (активный, завершённый, deleted)
• Сумма первой транзакции (AOV — Average Order Value)

3. Product analytics tools (дополнительные инсайты)

Segment / Rudderstack (ETL):

• Нормализуют события из разных источников (мобайл, веб, backend)
• Отправляют данные в хранилище (Data Warehouse)
• Выявляют дублирование и потери данных

Data Warehouse (Snowflake / BigQuery / Redshift):

• Дешевле хранить raw data долгосрочно
• Можно делать комплексные запросы
• Интеграция с BI-tools для визуализации

4. Корреляционные данные

Которые нужно собирать параллельно:

• User properties: region, device type, traffic source, subscription plan
• Project properties: category, budget, complexity, team size
• Environmental: time of day, day of week, seasonality
• Behavioral: previous project history, number of failed attempts

Пример корреляции:

KPI: conversion rate from offer to transaction
Segments:
- By traffic source: organic vs paid (конверсия выше на 2.3x в organic)
- By device: mobile vs desktop (desktop конвертит на 1.8x выше)
- By region: Москва vs регионы (разница в 1.2-1.5x)
- By user lifetime: новые vs retained (retained конвертят на 3.5x выше)

5. Qualitative data (почему происходит конверсия или нет)

Session Recordings (Hotjar / FullStory):

• Видео сессий, где пользователи либо создают проект, либо отказываются
• Выявляют UX friction points
• Моменты confusion в интерфейсе

User Interviews / Surveys:

• "Почему вы не создали проект после предложения?"
• Net Promoter Score (NPS) на этом шаге
• Qualitative reasons: не нужен сейчас, не доверяют, не понимают ценность, нет бюджета

Support tickets / Customer feedback:

• Тикеты от пользователей про процесс создания проекта
• Чаты в Intercom / Zendesk
• Negative feedback в App Store / Play Market reviews

6. Атрибуция и cohort анализ

Cohort анализ:

• Группируем пользователей по дате первого предложения
• Смотрим, какой % из каждой cohort создали проект через день, неделю, месяц
• Определяем, улучшилась ли конверсия за время (A/B тесты, фич-релизы)

Retention по проектам:

week 0: 100% пользователей с предложением
week 1: 28% создали проект
week 2: 24% создали проект (some dropped off)
week 4: 18% создали проект и сделали транзакцию

7. Рекомендуемый стек для мониторинга

Минимальный (для стартапа):

• Google Analytics 4 (free) + Looker Studio (free) — dashboard для фаннелей
• PostgreSQL таблица events с простым SQL

Оптимальный (для растущего продукта):

• Amplitude (Pro) — funnels, cohorts, retention
• BigQuery — хранилище raw data
• dbt — трансформация данных
• Metabase / Superset — BI инструмент

Premium (для зрелого продукта):

• Всё из оптимального + Mixpanel (для экспериментов)
• Customizable attribution models
• Predictive analytics (ML для прогноза конверсии)

Заключение

Не полагайся на один источник. Аналитика платформы даст фунель, БД даст точные цифры, qualitative data расскажет, почему. Вместе это даст полное понимание, почему конверсия такая, какая есть, и как её улучшить.