7 способов оценить и повысить эффективность интернет-маркетинга

Материалы для скачивания

Как оценить эффективность и увеличить ROI онлайн-рекламы? Как узнать, какой доход вам приносят SEO-трафик, мобильные приложения и медийная реклама, в том числе видеоролики? Эти вопросы актуальны для многих онлайн и омниканальных бизнесов. В статье мы опишем решения от OWOX BI, которые помогли нашим клиентам найти ответы и решить их бизнес-задачи.

Поскольку кейсов много, мы постарались описать их лаконично. Если вас заинтересуют технические подробности или вы захотите попробовать какие-то из перечисленных возможностей на собственном проекте, запишитесь на демо. Наши коллеги поделятся деталями и подберут решение, актуальное для вашего бизнеса. ↴

Узнайте, какие кампании приносят прибыль, а какие не окупаются

Автоматически импортируйте расходы из рекламных сервисов в Google Analytics. Сравнивайте затраты, CPC и ROAS разных кампаний в одном отчете.

Содержание

Если кратко, суть описанных ниже решений в том, что OWOX BI собирает данные из различных систем в едином хранилище и строит отчеты, которые помогают клиентам повысить эффективность маркетинговой аналитики. Наша задача — делать это качественно, быстро и с максимальным уровнем автоматизации, чтобы бизнес мог зарабатывать больше денег, используя данные, которые у него есть.

Сегментация пользователей: как улучшить таргетинг рекламных кампаний

Сегментация пользователей для более эффективного таргетирования рекламных кампаний — это базовая задача которую можно и нужно решать на начальных этапах внедрения маркетинг-аналитики.

Бизнес-цель: повысить ROI рекламных кампаний, которые нацелены на реактивацию пользователей. Это пользователи, которые уже побывали на сайте. Теоретически они не должны дорого стоить для маркетинга, потому что их уже привлекли на сайт.

Бизнес-задача: улучшить качество таргетинга рекламных кампаний, которые работают с брошенными корзинами и ушедшими пользователя. Это люди, которые выполнили определенный набор действий на сайте, но не купили. При этом бизнес считает, что они вполне могли бы это сделать.

Гипотеза, как можно решить задачу: ROI рекламной кампании должен быть выше, если она будет таргетирована исключительно на пользователей, которые в течение последних Х дней добавили товар в корзину, но не купили.

То есть, если из всех посетителей сайта мы выберем две конкретных группы и покажем им рекламу, то они будут покупать с большей вероятность, чем остальные. Соответственно, при том же ДРР (доля рекламных расходов) мы повысим доход с этих кампаний.

Техническая задача и ее решение

Сегментация пользователей — это всегда тестирование какой-то гипотезы. Мы можем только предполагать, что выбранные сегменты пользователей поведут себя тем или иным образом после того, как увидят рекламу. Но 100% уверенности, что это будет работать, нет.

В нашем случае, условия по которым формировались сегменты, клиент прописал сам. После чего мы трансформировали гипотезу в техническую задачу, которую решал наш аналитик. Задачу разбили на этапы.

Этап 1. Сформировали два сегмента пользователей. Первые в течение последних Х дней добавили товар в корзину, но не купили, вторые — выполнили на сайте набор действий, которые определил клиент.

Google Analytics (GA) семплирует данные клиента из-за большого объема трафика. Поэтому для построения сегментов мы использовали сырые данные с сайта, передаваемые в Google BigQuery (GBQ) с помощью OWOX BI Pipeline. GBQ — это облачное хранилище, которое позволяет не только собирать информацию, но и удобно обрабатывать ее с помощью SQL.

OWOX BI собирает данные о поведении пользователей на сайте параллельно с GA и передает их в BigQuery без семплирования. Кроме того, такое решение значительно расширяет возможности для бизнеса. Например, вы можете сочетать в одном отчете несочетаемые параметры, которые в GA называются параметрами с разной областью действия. Добавлять к данным в GBQ информацию из любых других систем, например, CRM.

Наш аналитик написал SQL-запросы, которые формируют нужные сегменты, используя сырые данные с сайта. Сегменты содержат идентификаторы Google Client ID и Яндекс Client ID, которые можно использовать внутри рекламных сервисов Google Ads и Яндекс.Директ.

Этап 2. Автоматизировали передачу полученных сегментов в Google Ads и Яндекс.Директ, чтобы специалисты по рекламе могли использовать их в настройке рекламных кампаний.

Здесь все просто — в OWOX BI есть автоматический поток данных, который забирает эти сегменты из GBQ, ежедневно пересчитывает их и загружает в Google Analytics. А уже из системы веб-аналитики сегменты можно нативно экспортировать в Google Ads. Второй поток грузит сегменты в Яндекс.Аудитории.

Этап 3. Специалисты на стороне клиента настроили правила в рекламных сервисах, которые будут повышать ставки для этих сегментов.

Особенности решения

У этого решения есть несколько важных особенностей. Например, чтобы загрузить сегмент в Яндекс.Аудитории, он должен содержать минимум 1000 строк (уникальных Яндекс Client ID).

OWOX BI по умолчанию не собирает Яндекс Client ID. То есть, на сайте должна быть установлена Яндекс.Метрика, которая формирует идентификатор пользователя. Чтобы этот Client ID попал в Google BigQuery, нужно дополнительно настроить его передачу через OWOX BI.

Если вы пользователь OWOX BI и хотите настроить сбор Яндекс Client ID в Google BigQuery, напишите нам — коллеги поделятся инструкцией, как это сделать с помощью Google Tag Manager. Если вы еще не пользователь OWOX BI, но вам интересно это направление, записывайтесь на демо — мы расскажем про решение более подробно.

Записаться на демо
Запись вебинара
ТОП 7 способов извлечь максимум пользы из данных для вашего бизнеса

Результат

Клиент перенастроил аудиторию в своих кампаниях, которые уже работали на ретаргетинг. Отсеял пользователей, которые не попадают в нужные сегменты, и сфокусировал бюджет на тех, кто попал в эти сегменты.

В результате по тем же кампаниям и при тех же расходах ROI увеличился на 100-150% (кампаний было много, поэтому показатель усреднен). По сути расходы на это решение были минимальны, а эффективность в нашем случае была довольно ощутима. Кампании работают по сей день. Каких-то нареканий со стороны клиента, что это был временный эффект, мы не получали.

Читайте подробнее о сегментировании пользователей в нашей статье:

Как рассчитать ROI рекламных кампаний с учетом реальных продаж

Следующее решение довольно очевидное. Это, пожалуй, основное, за чем к нам приходят клиенты. По крайней мере, когда мы начинаем работать с проектом, первая задача — посчитать ROI на реальном заработке.

По умолчанию в Google Analytics можно увидеть только продажи с сайта, но на самом деле это не те деньги, которые приходят на счета бизнеса.

Мы знаем, что часть online-заказов не выкупается или изменяется в момент подтверждения. Например:

  1. Пользователь просто не выкупает заказ.
  2. Когда человеку перезванивают, он меняет товар в заказе на другой и от этого меняется сумма.
  3. Пользователь заказывает доставку в офлайн-магазин и не забирает покупку.

В итоге бизнес не получает сумму, которая фигурирует в GA, либо получает, но другую. Поэтому считать доход по GA не совсем корректно. Нужно оценивать эффективность онлайн-рекламы с учетом реальных продаж из CRM.

Бизнес цель: повысить ROI рекламных кампаний при фиксированном показателе ДРР, не повышая при этом расходы.

Бизнес задача: перераспределить рекламный бюджет, основываясь на фактических продажах, которые сгенерировали рекламные источники. Проще говоря, нужно перекинуть бюджет с каналов, которые не генерирует достаточный ROI, на более эффективные.

Гипотеза, как можно решить задачу: если считать ROI по факту выкупленных заказов (а в идеале даже по марже), то можно скорректировать маркетинговую стратегию и вкладывать бюджет в те источники трафика, которые приносят больше денег. Соответственно, увеличится и ROI рекламных кампаний.

Техническая задача и ее решение

Клиент уже собирал несемплированные данные с сайта в Google BigQuery с помощью OWOX BI. Нужно было дополнить их информацией о продажах из внутренней системы компании. Задача была реализована в пять этапов.

Этап 1. Настроили корректную передачу данных о заказах с сайта в CRM-систему клиента. Предавали Transaction ID и Google Client ID.

В момент заказа на сайте формируется Transaction ID, который вместе с Client ID отправляется в Google Analytics и BigQuery. Очень важно, параллельно передавать оба идентификатора и в CRM, чтобы можно было связать пользователя, транзакцию и факт оплаты заказа.

Этап 2. Настроили формирование User ID на стороне CRM клиента и его передачу в Google BigQuery в момент оформления заказа.

User ID — это идентификатор пользователя, которые генерируется CRM-системой, когда в нее записывают информацию о новом клиенте. Например, человек делает покупку в магазине, у него спрашивают номер телефона и заносят данные в CRM. Система присваивает этому пользователю уникальный идентификатор. В дальнейшем, когда пользователь авторизуется на сайте с помощью телефона, CRM его узнает.

В настройках GA есть функция User ID. Наши разработчики настроили ее таким образом, чтобы при авторизации на сайте или при оформлении заказа идентификатор пользователя попадал на сайт в DataLayer, а уже оттуда данные передавались в GA и GBQ.

Благодаря этому, можно связать действия пользователей, которые залогинились на сайте, с подробной информацией об этих людях. Например, в GA нельзя передавать персональные данные, но в вашей CRM могут хранится ФИО, телефон и email человека. Имея промежуточный ключ User ID, можно объединить данные сайта и CRM, в том числе и факт оплаты конкретного заказа.

Этап 3. Настроили выгрузку данных о фактических продажах из CRM в Google BigQuery в необходимой для работы структуре. Для этого мы сформировали техническое задание и передали его разработчикам клиента на внедрение.

Этап 4. Объединили все данные в BigQuery в одной таблице. Наши аналитики написали SQL-запрос, который связывает информацию об онлайн-заказах с данными из CRM о выкупленных заказах и их сумме. Ключами для связки были Transaction ID, User ID и Client ID.

Как дополнительный ключ для связки можно использовать Email или номер телефона пользователя. Эти данные запрещено передавать в GA, но их можно передавать в GBQ с помощью OWOX BI. Google BigQuery владеет всеми необходимыми сертификатами безопасности для хранения персональных данных.

Этап 5. Построили отчет в Google Data Studio, который показывает ROI источников трафика, с учетом выкупаемости заказов. ROI рассчитывали на марже.

Особенности решения

Настройка корректной передачи данных с сайта в CRM, а также выгрузка CRM-данных в GBQ требует привлечения разработчиков на стороне бизнеса, что зачастую сильно тормозит процесс.

Результат

Клиент получил отчет по эффективности источников трафика, который базируется на фактических продажах.

Отчет используют ТОП-менеджеры для принятия стратегических решений, а также специалисты по контекстной рекламе для управления бюджетом на конкретные рекламные кампании.

Вот пример подобного отчета:

Маркетинг-дашборд: эффективность рекламных каналов

Хотите узнать эффективность вашей рекламы с учетом реальных продаж из CRM? Запишитесь на демо — и мы обсудим с вами возможности и детали сотрудничества.

Записаться на демо

ROPO: как анализировать эффективность онлайн-маркетинга с учетом продаж в офлайне

Третье решение, к которому наши клиенты приходят уже после того, как построили описанные выше базовые отчеты, это ROPO-анализ (Research Online Purchase Offline). Он показывает влияние интернет-маркетинга на продажи в физических магазинах. Это особенно актуально для Ecommerce-проектов, которые представлены омниканально, то есть у них есть интернет-магазин и точки продаж в офлайне.

Люди смотрят товар на сайте и идут за ним в магазин по разным причинам: от банального недоверия покупкам в интернете до желания потрогать товар.

На ежегодном планировании бюджетов CMO хочет получить больше денег на онлайн-каналы, потому что понимает, что часть его продаж уходит в офлайн. Если он сможет измерить этот эффект хотя бы частично, это будет хорошим аргументом для повышения бюджета.

Бизнес цель: аргументировать необходимость повышения бюджета на онлайн-маркетинг, а также продемонстрировать скрытую ценность, которую генерируют вложения в онлайн-рекламу.

Бизнес задача: проанализировать эффективность интернет-рекламы с учетом последующего ее влияния на продажи в офлайне.

Гипотеза, как можно решить задачу: часть пользователей знакомится с товаром на сайте, однако покупает его в физических магазинах. То есть, онлайн-кампании остаются недооцененными. Если отследить визиты на сайт и дальнейшие покупки этих пользователей в магазинах, мы сможем измерить упущенную ценность digital-рекламы.

Узнайте больше, что такое ROPO-эффект и как его анализировать, в нашей статье: 

Техническая задача и ее решение

Чтобы связать действия пользователя на сайте с его последующими покупками в офлайн-магазинах, мы делали по большей части то же самое, что и для анализа ROI на факте выкупленного заказа (подробно описано в предыдущем разделе статьи):

  1. Настроили формирование User ID на стороне CRM-системы клиента и его передачу его в Google BigQuery.
  2. Настроили корректную передачу Client ID в CRM и BigQuery.
  3. Настроили передачу User Phone и User Email с сайта в BigQuery и CRM в момент оформления заказа на сайте.
  4. Настроили выгрузку данных из CRM клиента в GBQ. В отличие от предыдущего кейса эта выгрузка содержит не только онлайн-заказы, но и заказы из розничных магазинов.
  5. Написали SQL-запрос, который связывает данные о действиях на сайте с информацией из CRM. Ключи для связки с офлайн-продажами: User ID / User Phone / User Email.
  6. Построили отчет в Google Data Studio, который помог проанализировать ROPO-эффект.

Схема объединения данных выглядит примерно так:

Схема объединения данных в BigQuery

Особенности решения

Связать онлайн-пользователей с офлайн-продажами можно только, если пользователь совершил покупку на сайте или авторизовался (есть ключ для связки).

Как показывает практика, доля авторизованных пользователей составляет около 5% от всех посетителей сайта. Чем больше у вас авторизованных пользователей, тем репрезентативнее будут данные в отчете. Но даже на 5-10% уже можно делать какие-то выводы, которые приводят к серьезным изменениям в управлении маркетинговым бюджетом.

Не все офлайн-продажи содержат идентификаторы User Phone / User Email / Loyalty Card.

Еще одна сложность — это следить за качеством данных, когда мы уже настроили все интеграции. Следить, чтобы данные передавались правильно, чтобы идентификаторы совпадали, чтобы будущие изменения в CRM-системе не ломали то, что мы настроили. Это уже вопрос того, насколько качественно сработало IT-подразделение на стороне клиента.

Результат

После измерения ROPO-эффекта, ROI рекламных кампаний увеличился на 50-150%. Стоит отметить, что в таких кейсах ROI всегда показывает рост, потому что к нему добавляется доход, который был сгенерирован онлайн-кампаниями, но получен в офлайне.

Пример того, как может выглядеть отчет по ROPO:

ROPO-отчет в OWOX BI

Построенный отчет позволяет клиенту анализировать данные в следующих разрезах:

  • Доход только в онлайне.
  • Доход только в офлайне.
  • ROPO-доход.
  • Доход по Source / Medium / Campaign только в онлайне.
  • Доход по Source / Medium / Campaign с учетом последующих офлайн-продаж.
  • Доход по категориям товаров и подкатегориям в онлайне и ROPO.
  • Доход по городам в онлайне и ROPO.
  • Время от визита на сайт до ROPO-покупки в днях.
  • Количество сессий на сайте до совершение ROPO-покупки.
  • И многие другие.

Хотите узнать, как ваши усилия в онлайне влияют на продажи в офлайне? Запишитесь на демо — и мы обсудим с вами возможности и детали сотрудничества.

Записаться на демо

Как анализировать эффективность SEO-трафика

Это довольно сложная и нетипичная задача, но очень интересная. SEO-оптимизация имеет отложенный эффект и зачастую трудно оценить эффективность проделанных работ, например, за последние полгода. Особенно, если это огромный сайт.

В целом мы знаем, сколько пользователей пришло через Google-поиск и даже можем исключить брендовый трафик. Но сколько пользователей пришло именно благодаря тому, что оптимизировались категории, подкатегории, писались тексты, тайтлы и т. д.?

Допустим, вы потратили на SEO десять тысяч долларов в прошлом квартале. А сколько дохода вы получили в течение полугода именно с этих десяти тысяч?

Бизнес цель: оценить эффективность вложений в SEO. Опять же мы стремимся учесть не просто онлайн-заказы, а факт оплаты.

Бизнес задача: построить отчет, который будет показывать эффективность SEO в разрезе продвигаемых категорий товаров. Отчет должен базироваться на фактических продажах.

Гипотеза, как можно решить задачу: мы знаем, какие ключевые слова прокачивали и на каких страницах. Мы знаем позицию в SEO-выдаче по этим ключам. Мы знаем продажи с этих страниц, у которых источник трафика Search. Если мы свяжем эти данные, то получим продажи с тех ключей, которые в ТОПе SEO-выдачи. То есть, сможем измерить эффективность вложений в SEO.

Техническая задача и ее решение

Этап 1. Выгрузили в Google BigQuery всю необходимую информацию:

  • Сырые данные о поведении пользователей на сайте, которые собирает OWOX BI.
  • Данные из Google Search Console и Яндекс.Метрики по ТОПу ключевых слов, которые приводили трафик на сайт, а также посадочные страницы. Почему использовали именно Search Console? Потому что в сервисе замера позиций мы видим только гипотетический трафик, который мог бы прийти по этим ключам.
  • Данные из сервиса измерения позиций сайта в органической выдаче (например, Allpositions). Это позволяет определить, какие позиции были у ключевых слов. Если ключи, допустим, ниже пятого места в выдаче, их можно исключить из анализа.
  • Данные о фактических продажах из CRM-системы.

Этап 2. На основе URL сформировали кластеры ключевых запросов в разрезе посадочных страниц. Мы проводили анализ не по одному URL, а по категориям товаров. Например, если это мелкая бытовая техника, дальше мы смотрим блендеры, а затем — блендеры Braun.

Этап 3. Прогнали ключевые слова, по которым приходил SEO-трафик на сайт, через сервис измерения позиций в выдаче. Сделали выгрузку результатов в GBQ и отсортировали запросы, позиция в выдаче которых была ниже определенного места.

Этап 4. С помощью SQL-запроса связали данные о действиях пользователей на сайте с фактическими продажами из CRM.

Этап 5. Выделили сессии, которые привели к транзакциям, с источником SEO (по модели атрибуции Last Non-Direct Click).

Этап 6. Выделили посадочные страницы этих транзакций и связали их с SEO-ключами, которые приводили трафик на страницы.

Этап 7. Клиент построил отчет, который показывает, как SEO-оптимизация тех или иных страниц влияет на фактический трафик и покупки на этих страницах.

Особенности решения

Google Search Console позволяют выгрузить до 5 тысяч строк. Соответственно, мы не можем проанализировать все ключевые запросы, приводившие трафик на сайт.

К примеру, мы смотрим эффективность ключевых слов на определенном кластере страниц. Допустим, там было 100 ключевых слов, из них 50 попало в ТОП, из этих 50 мы знаем, что по 30 точно был трафик, который попал в выгрузку Search Console. Мы предполагаем, что по остальным запросам тоже был трафик, просто сервис не отдал нам эту информацию.

Нет возможности со 100% точностью измерить, какие ключевые запросы приводили трафик на анализируемые нами страницы. Поэтому на старте анализа мы приняли как данность то, что результаты анализа будут иметь определенную погрешность.

Результат

Бизнес получил отчет, который позволяет проанализировать эффективность работ по SEO за определенный период. Анализ эффективности проводился на основании фактических продаж, поэтому можно было посчитать ROI SEO-трафика.

Хотите построить отчет, который показывает эффективность SEO-трафика? Запишитесь на демо — и мы обсудим с вами возможности и детали сотрудничества.

Записаться на демо

Как оценить эффективность мобильных приложений

В последнее время эта задача стала очень актуальной. Наверное, уже половина всего трафика и значительная часть продаж идет через мобильные устройства. Многие наши клиенты используют параллельно с онлайном и офлайном еще и мобильные приложения. Соответственно, отслеживают, что происходит в приложениях, потому что покупая оттуда трафик, хочется понимать, какова его эффективность.

Бизнес цель: оценить эффективность привлечения трафика через платные источники (Google Ads) для установки мобильного приложения и последующих продаж внутри приложения.

Бизнес задача: построить отчет, который покажет эффективность источников трафика в разрезе основных конверсионных действий (установки, регистрации, транзакции, доход).

Гипотеза, как можно решить задачу: У нас есть сырые данные из Appsflyer (установки, действия пользователей, источники трафика, доход), а также расходы из Google Ads. Если мы свяжем эти данные, то сможем построить отчет, который покажет ROI рекламных кампаний в разрезе актуальных для нас транзакционных действий.

Техническая задача и ее решение

  1. С помощью OWOX BI выгрузили из AppsFlyer в Google BigQuery сырые данные о поведении пользователей в мобильном приложении, а также информацию об источниках установок, последующих транзакциях и доходе.
  2. Проверили выгрузку на предмет наличия всех нужных для отчета данных и их совпадения с данными из CRM (доход, количество конверсий).
  3. Настроили выгрузку расходов Google Ads в GBQ, используя метод Data transfer.
  4. Написали SQL-запрос, который связывает данные из AppsFlyer и Data transfer, а также проводит нужные нам расчеты.
  5. Построили отчет в Google Data Studio.

Особенности решения

У мобильных приложений есть отложенный эффект. Например, человек установил приложение и не зарегистрировался в нем сразу, но сделал это через месяц. Клиент хотел анализировать эффективность купленного трафика с течением времени. То есть, если в марте закупили Х установок приложения с канала Y, то сколько эти установки принесли конверсионных действий в апреле, мае, июне и т. д. Чтобы решить эту задачу, создали специальный отчет.

Также была задача сделать анализ в разрезе стран, городов и групп рекламных кампаний, чтобы можно было выбрать, например, кампании, за которые отвечает определенный менеджер, и посмотреть их эффективность. Это было реализовано с помощью фильтров.

В отчете осознанно не использовались данные из CRM, так как погрешность между реальными продажами из внутренней системы и данными приложения была незначительна.

Результат

Клиент получил автообновляемый отчет в Google Data Studio, который дает ответы на следующие вопросы:

  • Сколько установок приложения принес источник трафика Х в месяц Y?
  • Сколько конверсий было в приложении в месяц установки и в последующие месяцы после нее? Информация была в разрезе источников трафик.
  • Какова эффективность групп кампаний в разрезе описанных выше параметров?
  • Насколько эффективны рекламные кампании в разрезе стран?

К сожалению, мы не можем поделиться отчетом клиента, который содержит конфиденциальные данные, но вот пример базового отчета (без смещения по месяцам), который можно создать с помощью описанного решения:

Отчет по мобильным приложениям

Хотите узнать эффективность трафика из мобильных приложений? Запишитесь на демо — и мы обсудим с вами возможности и детали сотрудничества.

Записаться на демо

Атрибуция на основе воронки: как узнать реальную эффективность маркетинговых каналов

В отчетах Google Analytics по умолчанию используется модель атрибуции Last Non-Direct Click. По этой модели вся ценность от транзакции присваивается последнему непрямому источнику в цепочке перед заказом. Из-за этого другие источники, которые продвигали пользователя по воронке, остаются недооцененными.

Чтобы узнать реальную ценность каналов и эффективно распределить бюджет между ними, можно использовать атрибуцию на основе воронки от OWOX BI. Она учитывает все точки касания и все действия пользователя при движении по воронке от первого визита до покупки.

Детальнее о плюсах и минусах различных моделей атрибуции читайте в нашей статье:

Бизнес цель: повысить ROI управляемых платных источников трафика при фиксированном показателе ДРР.

Бизнес задача: построить отчет, который покажет недооцененные источники трафика и их эффективность в деньгах, а также учтет каждое касание пользователя с сайтом.

Гипотеза, как можно решить задачу: мы сможем увеличить ROI, не повышая при этом ДРР, если более эффективно перераспределить рекламный бюджет. Для этого при расчете ROI нужно учитывать вклад всех кампаний и источников, которые продвигали пользователя по воронке, а не только тех, что закрывали сделки.

Техническая задача и ее решение

  1. Настроили сбор сырых данных о поведении пользователей на сайте в Google BigQuery с помощью OWOX BI.
  2. Настроили импорт расходов из рекламных сервисов в GA и в GBQ.
  3. Настроили корректную передачу Client ID, User ID и Transaction ID в BigQuery и в CRM.
  4. Выгрузили в BigQuery данные о фактических продажах из CRM в GBQ в необходимой структуре.
  5. Связали данные о поведении пользователей на сайте с выкупленными заказами по ключам Client ID, User ID и Transaction ID. Для этого не нужно писать SQL-запросы — все происходит внутри нашей атрибуции. Достаточно просто загрузить данные в правильном формате и добавить их в расчет модели.
  6. Настроили модель атрибуции и запустили расчеты в OWOX BI. На этом этапе в качестве шагов воронки можно указать события, которые важны конкретному бизнесу, в том числе и те, что происходят в офлайне (встречи, звонки, вебинары и т. д.). Воронка может быть разной в зависимости от того, что вы хотите измерить и каким видите путь пользователя к покупке.
  7. Провели первичный анализ данных, используя стандартные отчеты OWOX BI Smart Data, чтобы не тратить ресурсы на визуализацию данных в сторонних BI системах. В Smart Data можно без SQL-запросов смотреть уже готовые отчеты, построенные на результатах расчетов модели атрибуции. Например, ROI рекламных кампаний и как он отличается от того, который показывает Last Non-Direct Click атрибуция.

Особенности решение

Корректная передача Client ID и Transaction ID вместе с заказом в CRM требует участия команды разработки на стороне клиента. То же самое касается настройки и передачи User ID.

Для правильной интерпретации результатов расчета атрибуции нужно привлекать специалистов из команды заказчика. Так как бывает сложно правильно оценить поведение некоторых источников трафика, не зная контекста и логики настройки рекламных кампаний.

Результат

Клиент получил готовые отчеты, с помощью которых можно:

  • Сравнить ROI источников трафика с учетом выкупленных заказов по атрибуции Last Non-Direct Click и атрибуции на основе воронки.
  • Проанализировать эффективность источников трафика на разных этапах воронки.
  • Автоматически передавать результаты расчета модели атрибуции в Alytics, Google Ads, K50 для последующей автоматизации управления ставками. У OWOX BI есть интеграция с этими сервисами.

Вот пример отчета из OWOX BI Smart Data, который показывает, как отличается ROI рекламных кампаний по разным моделям атрибуция:

Отчет с данными атрибуции в OWOX BI

К примеру, на этом скриншоте мы видим что ROI источника bing / organic на 20% больше, чем в Google Analytics. То есть на самом деле источник заработала больше денег, но был недооценен, потому что находился в середине воронки.

Хотите оценить взаимное влияние ваших рекламных кампаний и их вклад в продажи? Запишитесь на демо — и мы обсудим с вами возможности и детали сотрудничества.

Записаться на демо

Post-view аналитика: от просмотра баннеров и видео до продажи

Когда пользователь увидел где-то медийную рекламу (баннер или видеоролик), ничего не кликал, а через время зашел на сайт и совершил определенное действие — это называется Post-View конверсиями. Их сложно отслеживать, так как нет прямой связи и перехода по объявлению.

Кроме того, крупные игроки на рынке вроде Facebook, Google, Youtube, Яндекс не очень заинтересованы в том, чтобы пускать внутрь своих систем третьи стороны. То есть отдавать им данные о том, что конкретный пользователь увидел такую-то рекламу. Нам пока не удалось с ними договориться об этом.

Однако у нас есть на эту тему совместный кейс с украинским медиахолдингом. Наш общий клиент договорился с 1+1 Медиа об установке нашего пикселя на их площадках для отслеживания просмотров рекламы.

Бизнес цель: повысить эффективность вложений в медийную рекламу (баннеры, видео).

Бизнес задача: отслеживать просмотры медийных креативов (без клика) и последующие посещения сайта пользователями, которые увидели рекламу.

Гипотеза, как можно решить задачу: нужно разместить свой код (пиксель) отслеживания на площадках, где наш клиент публикует свою медийную рекламу. Этот пиксель будет присваивать уникальную Cookie пользователю, который увидел рекламу, а спустя время зашел на сайт клиента. Затем мы сможем считать присвоенную нами Cookie и использовать эти данные для построения Post-view аналитики.

Техническая задача и ее решение

Перед командой OWOX BI стояла задача работать метод отслеживания, который позволит собрать информацию о просмотрах, чтобы потом можно было объединить ее с данными о поведении пользователей на сайте. Это по сути кусок кода, который размещается на площадках паблишера.

Затем нам нужно в Google BigQuery объединить данные о просмотрах рекламы с информацией о поведении пользователей на сайте, чтобы с ними можно было работать, используя SQL.

Задача реализовывалась в несколько этапов:

  1. Собрали бизнес-требования от заказчика.
  2. На основании бизнес-требований подготовили ТЗ для внедрение пикселя на площадки, где будет размещена медийная реклама.
  3. Протестировали качество внедрения ТЗ (тестовый запуск кампании). Тестировали качество данных, которые попадают в GBQ в процессе показов рекламы.
  4. Запустили кампании и отслеживали качество передачи данных в процессе.
  5. Связали данные, которые собрали в период показа кампаний, с информацией о поведении пользователей, а также CRM-данными.
  6. Построили отчет, который отвечает на бизнес-вопросы заказчика.

Узнать подробнее о требованиях и технических подробностях отслеживания Post-view конверсий вы можете в нашей справке.

Особенности решения

  • Не все площадки заинтересованы в размещении нашего пикселя.
  • В качестве ключа для сопоставления данных мы используем собственный идентификатор OWOX User ID.
  • Мы постоянно мониторим отслеживание, и следим за корректной работой нашего скрипта на площадках паблишера рекламы.
  • Учитываем не только прямые продажи в рамках конверсионного окна, но и влияние рекламы на привлечение новой аудитории (один из KPI заказчика).

Результат

Клиент получил отчет, который отвечает на следующие вопросы:

  • Какой ROI кампаний с учетом онлайн-заказов?
  • Какой ROI кампаний с учетом выкупленных заказов в течение 10 дней с момента просмотра рекламы?
  • Какой ROI рекламы с учетом влияния ROPO?
  • Какие площадки оказались наиболее эффективными в разрезе ROI / CR / New users?
  • Какая доля пользователей, которые видели рекламу, уже бывала на сайте ранее?
  • Сколько новых пользователей привлечено на сайт в течение Х / Y / Z дней с момента просмотра рекламы?
  • Сколько новых пользователей купили после просмотра рекламы?
  • Какие товары покупали пользователи, которые видели рекламу?
  • Сколько ушедших пользователей (не заходили или не покупали на сайте в течение Х дней) удалось «реанимировать»?

Пример отчета по Post-view конверсиям:

Отчет  Post-view

Хотите такой же отчет? Запишитесь на демо — мы познакомим вас с OWOX BI и расскажем, как с помощью нашего инструмента вы сможете решить задачи маркетинг-аналитики.

Записаться на демо

Краткие выводы

  • Данные ㅡ это нефть 21 века.
  • Работа с данными требует экспериментов и тестирования гипотез.
  • Нужно быть готовым, что не все эксперименты могут оказаться успешными.
  • Одного желания CMO мало, нужны процессы внутри компании, чтобы данные начали приносить деньги. Команде это должно быть нужно.
  • Трансформация данных в деньги ㅡ это алхимия 21 века? Мы так не думаем :)