Кейс. Построение сквозной аналитики на примере компании «Фабрика окон»

Как устроена сквозная аналитика в Adventum

Свою систему сквозной аналитики в агентстве построили на облачной инфраструктуре Google. Скрипты, загруженные в Google Compute Engine, подключаются ко всем источниками данных и загружают полученную информацию в Google BigQuery. Вся информация передаётся в том виде, в котором её отдают системы. Потом данные приводятся к единому формату, стандартизируются и склеиваются по идентификаторам. На них накладываются модели атрибуции, после чего готовые таблицы отгружаются в систему визуализации, Excel или систему аналитики.

Для чего нужна сквозная аналитика

Представим идеальную схему покупки товара: пользователь увидел рекламу, зашёл на сайт, заинтересовался предложением и приобрёл товар. На деле так бывает далеко не всегда. Пользователь может перейти на ваш сайт по рекламе, затем уйти на сайт конкурента, что-то сравнить, после чего — вернуться к вам с другого источника (например, соцсети).

Проанализировать такое поведение намного сложнее. Здесь и приходит на помощь сквозная аналитика. Рассмотрим распространённые проблемы анализа и варианты их решения.

Проблема учёта нескольких обращений

Например, в январе пользователь зашёл на сайт, пообщался с менеджером, но отложил покупку. В феврале он ещё раз зашёл на сайт, позвонил, встретился с замерщиком и заказал окна (в рамках наших кейсов продуктом будут выступать окна). Какие звонки учитывать — оба или только один? Приняли решение использовать только целевые. Именно первый звонок — прямая заслуга рекламы, он и идёт «в зачёт».

Рассмотрим ситуацию посложнее: в первый раз клиент посетил сайт в январе 2016 года, второй — в феврале 2018-го. В этой ситуации нельзя учитывать первый источник, поскольку рекламная кампания давно закончилась.

Что делать? Разбить всю активность пользователя на периоды выраженного интереса к продукту или компании. Для «Фабрики окон» период интереса заканчивается, когда:

• прошло 90 дней с последнего звонка или посещения сайта пользователем;
• прошло 30 дней с последнего посещения сайта (при этом кроме захода на сайт никаких других коммуникаций не было).

В каждом периоде интереса можно посмотреть, из каких источников пришёл клиент, и оптимизировать маркетинг. Для этого необходимо собирать и объединять в пользовательскую историю данные о поведении в офлайне и онлайне: составлять карточку пользователя, тегировать целевые обращения в CRM и колл-трекинге, прослушивая звонки.

Проблемы разных источников

Итак, клиент обращался в компанию с разных источников. Допустим, в цепочке участвовали медийная реклама, Facebook, органический поиск, потом он позвонил, после его догнал ремаркетинг, он снова позвонил и купил. Какому источнику в этом случае отдать ценность покупки — одному или распределить между несколькими?

В каждой компании этот вопрос решают по-своему. В Adventum решили использовать собственные модели атрибуции с учётом особенностей каждого бизнеса — распределять источники по степени важности в каждом из периодов интереса отдельно.

Если вы ранее не использовали модели атрибуции и только приходите к такому решению, но уже научились собирать все данные по пользователю, в первую очередь стоит попробовать построить такие модели атрибуции:

• конверсия присваивается последнему платному источнику до первого контакта в периоде интереса. Каждый раз, когда после рекламы пользователь будет заходить с бесплатного источника, станет понятна роль платного;
• конверсия присваивается первому источнику в периоде интереса, так как он привлекает новых пользователей, которые ещё не были на сайте.

Проблемы на длинной воронке продаж

Для оптимизации рекламы важно знать, на каком этапе воронки возникают проблемы. Например, часто появляются сложности с заполнением формы: люди заходят на сайт, просматривают его, нажимают кнопку «оставить заявку», но форму не заполняют. Значит, здесь и кроется проблема. Это может быть слишком большое количество полей для заполнения или сложная капча.

Решение:

• включить сбор данных Вебвизора в Яндекс.Метрике;
• настроить цели аналитики;
• выгрузить через Logs API Яндекс.Метрики сырые данные о визитах и достижении целей в них;
• построить дашборды по воронке во всех доступных срезах: типы устройств, браузеры, ОС и другие характеристики;
• сделать сегмент пользователей, которые сталкиваются с проблемами при продвижении по воронке продаж;
• зайти в карточку каждого пользователя из этого сегмента и просмотреть записи Вебвизора для выявления причины проблемы;
• устранить найденную проблему;
• каждый день оптимизировать конверсию сайта по методике, описанной выше.

Проблемы долгого принятия решения

Рассмотрим трёх клиентов компании «Фабрика окон». Первый пришёл в январе 2018 года и в этом же месяце купил пластиковые окна. Двое других купили только в феврале. Не каждая реклама имеет одинаковое время принятия решения. Как понять, хорошо ли сработала рекламная кампания или акция? Для этого нужно знать длительность цикла продажи, причём в разбивке по рекламным кампаниям.

Решение: использовать когортные отчёты для оценки эффективности рекламных кампаний.

Когорта — совокупность людей, у которых в один и тот же период времени произошло определённое событие, например, первое посещение сайта.

Рассмотрим график: по когортному отчёту в Google Analytics за первую неделю после акции — с 9 по 15 сентября — было заработано 1 100 000 рублей, в остальные 6 недель — ещё 1 000 000. Если бы агентство оптимизировало рекламу только по первой неделе, то не увидело бы почти половину продаж. А в период с 7 по 13 октября были другие акции. В первую неделю было заработано 600 000, а во вторую — только 29 000. Таким образом, результат может зависеть от различных периодов времени и от различных рекламных кампаний.

Используемые нами модели расчёта эффективности рекламных кампаний и акций:

• когорта по первому клику — первому посещению сайта в период интереса. Все остальные последующие действия в CRM-системе атрибутируются на этот первый день;
• когорта по первому контакту в период интереса, так как приход на сайт и первый контакт могут различаться по времени;
• без когорт.

Проблемы отчётности

При создании отчёта мы хотим видеть данные по всем источникам информации: рекламным системам, внутренним медиапланам, из системы колл-трекинга, из систем аналитики и другим. Одна из проблем сведения данных — это различные названия одних и тех же источников в разных системах. Например, в медиапланах у нас есть разбивка на Яндекс/поиск и Яндекс/сети, в рекламных системах увидим русскоязычные названия кампаний, в системах аналитики — utm-метки, в колл-трекинге — названия, которые менеджер вбил руками. Нужно объединить все названия, чтобы в отчётах это отображалось одной/двумя строками.

Решение: в Adventum мы создали единый справочник, в который вносятся все названия. Как только появляется новое наименование, оно автоматически вносится в справочник, и менеджер вручную присваивает источнику название, которое хочет видеть в системе сквозной аналитики.

Ещё одна проблема отчётности — корректность суммы расходов, про которую многие забывают. Что нужно помнить? Расходы обязательно складываются из нескольких частей: непосредственно расходы, НДС, агентская комиссия (если вы запускаете рекламу через агентство) и возврат за недействительные клики. Из-за расхождений в суммах нередко данные при сравнении не сходятся: например, в одной системе их выгрузили с НДС, в другой — без. Важно обращать на это внимание и предусматривать заранее варианты решения при сборе и агрегации данных и построении отчётности.

Бонус: три примера анализа данных

1. Онлайн-консультант каннибализировал заявки с других источников коммуникации

После добавления на сайт онлайн-консультанта конверсия обращений выросла. Но когда построили воронку продаж и сегментировали клиентов по методу обращения, заметили, что при обращении с онлайн-консультанта итоговая конверсия значительно ниже. Консультант каннибализировал трафик, забрав часть обращений с других каналов коммуникации — стало меньше звонков и меньше отправки форм, а качество обращений с онлайн-консультанта гораздо хуже. Поэтому важно смотреть на итоговые продажи.

2. Из-за сложных акций снизилась конверсия

При запуске сложной акции у пользователя могут быть проблемы с её пониманием или принятием решения. В «Фабрике окон» был такой случай: после запуска акции с хорошей скидкой конверсия в звонок и обращение выросла, но дальше по воронке клиент не продвигался. Из-за сложности условий участия в акции пользователи дольше думали и в итоге не соглашались на выезд замерщика.

3. Разный СРО по товарам с разной маржой

Допустим, есть пластиковые окна за 60 000 рублей и деревянные за 200 000 рублей. Время принятия решения о покупке у клиента разное. Компания может тратить больше, чтобы привлечь тех, кто готов купить более маржинальный товар. Реализовать это можно, используя данные CRM-системы по каждому пользователю: каким продуктом он интересовался и с каких источников приходил.

Как видим, сквозная аналитика помогает в решении серьёзных задач: систематизации и объединении данных из разных источников, составлении отчётов, оптимизации рекламных кампаний и в целом повышает эффективность бизнеса.

Материал опубликован на Cossa https://www.cossa.ru/cases/230852/