9 шагов, чтобы знать все: построение мультиканальной аналитики в COMFY

15
1702
Материалы для скачивания
978.32 Kb

Статья подготовлена по мотивам доклада компании COMFY на конференции eCommerce 2018. В ней вы узнаете, как создать эффективную систему для оценки рекламных кампаний, которая учитывает офлайн-продажи и вклад каждой сессии перед заказом.

О компании

COMFY — лидер по эффективности среди мультиканальных ритейлеров бытовой техники и электроники в Украине. Компания была основана в 2005 году и на сегодняшний день насчитывает 3 тысячи сотрудников. Розничная сеть включает 90 магазинов в 55 городах, а сайт comfy.ua входит в пятерку крупнейших онлайн-магазинов страны.

Авторитетные издания регулярно отмечают COMFY наградами, например, «Маркетинг-стратегия года» по версии X-Ray Marketing Awards 2017, «Ретейлер года» и «E-commerce ретейлер» по версии Retail&Development Award 2018. А клиентам нравятся их забавные видеоролики.

Цель

COMFY, как и любому мультиканальному ритейлеру, очень важно эффективно распределить маркетинговый бюджет в онлайне и офлайне. Руководству компании необходимо знать ответы на вопросы:

  • Удалось ли достигнуть максимального эффекта от маркетинговых усилий, либо есть узкие места, которые требуют оптимизации?
  • Насколько оптимизация узких мест поможет сократить расходы и увеличить объемы продаж?
  • Как улучшить KPI, не меняя рекламный бюджет?
  • Как взаимодействуют каналы привлечения и какие сочетания каналов приносят больше продаж?
  • Эффективны ли расходы на онлайн-рекламу с точки зрения привлечения новых покупателей и увеличения продаж в офлайне?

Чтобы удерживать лидирующие позиции на рынке, компании нужно постоянно совершенствовать подходы к поиску ответов на эти вопросы.

Проблема

При разработке маркетинговой стратегии большое значение имеет правильная оценка рекламных кампаний. COMFY мониторит ключевые показатели сайта с помощью Google Analytics. Этот инструмент предоставляет готовые отчеты и показывает отличия в поведении пользователей, которые пришли из разных каналов трафика.

Однако наступил момент, когда компании стало недостаточно отчетов в Google Analytics для комплексного анализа и принятия стратегически важных решений. Дело в том, что у COMFY очень много физических магазинов, при этом клиенты могут смотреть товар на сайте, а покупать в офлайне и наоборот. В связи с этим маркетологам компании нужны ответы на следующие вопросы:

  • Какой путь прошел пользователь до того, как оплатить товар на кассе магазина?
  • Сколько пользователей, выбиравших товары в онлайне, потом сделали покупку в офлайне?
  • Какой канал оказал наибольшее влияние на выбор пользователя при покупке?
  • На каком этапе воронки тот или иной канал проявил себя наиболее эффективно?

Google Analytics не дает ответов на эти вопросы. В стандартных отчетах GA ценность распределяется между источниками в соответствии с моделями атрибуции, которые не учитывают взаимное влияние каналов. Чаще всего по умолчанию используется модель Last Non-Direct Click («По последнему непрямому клику»). Это значит, что если клиент перед покупкой заходил на сайт с 10 платных источников трафика, на 11 раз зашел с кампании Google Ads, а транзакцию совершил по прямому переходу, всю ценность от заказа получит кампания в Ads.

В стандартных моделях First Click / Last Click («Первое взаимодействие» / «Последнее взаимодействие») и Last Non-Direct Click не учитывается около 80% сессий, которые были перед конверсией. Вы можете возразить, что GA помимо этих моделей предлагает альтернативные, которые позволяют оценить роль каналов, когда они участвуют в середине цепочки. Кроме того, можно смотреть и сравнивать статистику по разным моделям атрибуции.

Например, в группе отчетов по мультиканальным последовательностям — отчет «Ассоциированные конверсии»:

Или с помощью инструмента сравнения моделей атрибуции:

Да, эти возможности Google Analytics вносят разнообразие в аналитический инструментарий и позволяют детальнее проанализировать взаимное влияния источников трафика. Но все равно не удается избежать некоторых недостатков. К примеру, если оценить каналы по разным моделям атрибуции, а затем сложить их ценность, то сумма получится больше, чем компания заработала на самом деле. К тому же модели атрибуции GA не учитывают покупки в офлайне, отмены и возвраты. Подробнее о плюсах и минусах различных моделей вы можете почитать в нашей статье.

Команда OWOX BI помогла маркетологам COMFY решить описанную проблему и получить недостающие ответы.

Решение

Для оценки эффективности рекламных кампаний мы рекомендовали COMFY собственную модель атрибуции на основе воронки — OWOX BI Attribution. Эта модель позволяет узнать вклад каждой сессии перед заказом, которая продвинула пользователя по транзакционной воронке, и учитывает офлайн-продажи. При этом все расчеты прозрачны и хранятся в вашем проекте в Google BigQuery.

Чтобы создать модель на основе воронки, нужно собрать, обработать и объединить все необходимые данные. Вот как это делали в COMFY:

Шаг 1. Настроить сбор данных о поведении пользователей на сайте

Наши аналитики помогли коллегам из COMFY разработать и внедрить индивидуальную систему метрик для сбора данных с сайта.

Прежде чем запускать OWOX BI Attribution, мы рекомендуем клиентам проверить:

  • Все ли конверсии и микроконверсии на пути пользователя к заказу попадают в Google Analytics.
  • Насколько корректны данные, которые поступают в ресурс GA.

Проверяя это хотя бы раз в месяц, вам удастся избежать потери важных данных о пользователях. Подробнее о том, как правильно настроить Google Analytics, мы написали в  статье. Аналогичную проверку выполнила и команда COMFY.

Шаг 2. Собрать данные о расходах на онлайн-рекламу

Для выгрузки данных о расходах из Google Ads в Google Analytics достаточно активировать интеграцию сервисов. С другими рекламными площадками сложнее — GA предлагает загружать расходы из них вручную с помощью CSV файлов. Чтобы избавиться от этой рутинной работы, маркетологи COMFY используют OWOX BI Pipeline.

Для настройки импорта расходов в Google Analytics достаточно выбрать рекламную площадку (Facebook, ВКонтакте, MyTarget, Яндекс.Маркет, Яндекс.Директ, Criteo и т.д.) и предоставить к ней доступ. После этого данные будут ежедневно автоматически поступать в указанное представление GA.

Кроме того, в своем кабинете OWOX BI команда COMFY добавила расходы на SEO и email-маркетинг, подключив поток другие сервисы. Благодаря этому, они могут в отчете «Анализ расходов» сравнивать расходы, доходы и ROAS всех рекламных каналов.

Шаг 3. Выгрузить данные из Google Analytics в Google BigQuery

Итак, информация о действиях пользователей на сайте и о расходах на онлайн-рекламу собрана в Google Analytics. Как теперь получить отчеты с сырыми, несемплированными данными? Дело в том, что у сайта comfy.ua очень высокая посещаемость, поэтому GA применяет семплирование, то есть строит отчеты не на 100% данных, а на определенной выборке.

Для работы с несемплированными данными специалисты COMFY используют Google BigQuery — облачный сервис для хранения и обработки данных. Не будем сейчас останавливаться на его преимуществах, так как описали их в отдельной статье. Наверняка вы о них уже слышали, но если хотите, можете освежить в памяти.

Как выгрузить сырые данные из GA в Google BigQuery? В платной версии Google Analytics 360 для этого есть стандартный экспорт. Но что делать, если вы пока не готовы тратить $100 — $120 тыс. в год на систему аналитики? В таком случае поможет решение от OWOX BI, которым и воспользовалась команда COMFY.

Данные о действиях посетителей сайта comfy.ua передаются из GA в Google BigQuery в режиме реального времени и хранятся в отдельных таблицах за каждый день:

Благодаря этому, маркетологи компании могут работать с несемплированными данными и строить отчеты без ограничений на количество параметров и показателей.

Для передачи рекламных расходов в GBQ маркетологи COMFY создали отдельный поток в OWOX BI Pipeline. Каждый день в их проект поступают новые данные о расходах и обновляется информация за предыдущие 21 день, если она изменилась в рекламном сервисе.

Шаг 4. Выгрузить офлайн-данные в Google BigQuery

Еще одно преимущество Google BigQuery — это возможность собрать данные из разных источников: GA, CRM, ERP, DoubleClick, Google Ads, YouTube, любых рекламных платформ, email и коллтрекинговых сервисов и т.д. Затем эти данные объединяют и используют для сквозной аналитики.

Команда COMFY настроила ежедневную автоматическую выгрузку данных об офлайн-продажах из своей ERP-системы в Google BigQuery. Напомним, что система безопасности облачного сервиса позволяет хранить персональные данные пользователей: ФИО, email, номера телефонов и т.д. — вплоть до номеров кредитных карт.

Шаг 5. Объединить онлайн и офлайн-данные

Данные, выгруженные в Google BigQuery из разных точек касания, нужно связать по ключевому параметру. Зачастую этим параметром является идентификатор пользователя — User ID.

Когда человек регистрируется на сайте comfy.ua, ему присваивается уникальный User ID, который связывается в ERP-системе с номером бонусной карты, телефоном и email-адресом этого человека. Когда в следующий раз уже авторизованный пользователь заходит на сайт, User ID передается с сайта в GA, а оттуда — в GBQ. Таким образом маркетологи компании могут отследить всю цепочку данного клиента, объединив его действия на сайте с покупками в офлайне, если такие были.

Кроме того, OWOX BI Pipeline каждый день обновляет значение поля User ID в таблицах с данными о сессиях за последние 30 дней. Это значит, если конкретному Client ID был присвоен User ID, можно отследить действия этого пользователя за прошедший месяц, даже если тогда он еще не был авторизован на сайте.

Шаг 6. Настроить OWOX BI Attribution и запустить расчеты

Когда все необходимые данные собраны в Google BigQuery, создать модель атрибуции на основе воронки можно за 30 минут. При настройке модели можно добавить в дотранзакционную воронку шаги, которые важны именно вашему бизнесу. Также стоит обратить внимание на  транзакционное Период, на который распределяется ценность конверсии и  конверсионное Время от первого взаимодействия посетителя с товаром до покупки. Ценность получат только сессии, которые попали в этот период окна — от их выбора зависит период, за который вы получите анализ данных.

Команда COMFY в качестве шагов воронки в модели атрибуции выбрала события расширенной электронной торговли:

Шаги воронки в модели атрибуции OWOX

На гифке выше вы как раз можете увидеть эти 5 шагов воронки, типичные для большинства Ecommerce-проектов.

Если же ваш бизнес требует более детализированной воронки, в нее всегда можно добавить необходимое количество шагов:

Создание нового шага воронки

Кроме того, в настройках модели можно исключить из расчетов любой источник трафика, чтобы ему не присваивалась ценность. К примеру, можно убрать из расчетов direct трафик, email-каналы и брендовые кампании.

Настройка модели атрибуции OWOX

Также маркетологи компании дополнили данные о транзакциях заказами из физических магазинов. Для этого они подключили в качестве источника данных о транзакциях таблицу со всеми продажами (онлайн + оффлайн), которую создали на предыдущем шаге. Структуру таблицы можно посмотреть в нашем справочном центре.

После создания и настройки модели атрибуции можно запустить разовый расчет либо настроить автоматический запуск расчетов с заданной периодичностью.

Шаг 7. Оценить вклад источников трафика с учетом офлайн-транзакций

Чтобы визуализировать результаты расчетов модели атрибуции и сравнить эффективность каналов трафика, в COMFY используют несколько инструментов, включая OWOX BI Smart Data.

Это очень просто — выбираем интересующий вопрос, кликаем на него и в соседней вкладке получаем готовый ответ в виде таблиц и графиков:

Примеры отчетов в OWOX BI Smart Data

Отчеты в OWOX BI Smart Data помогают маркетологам COMFY получать ответы на такие вопросы:

  • Как отличается доход / ROAS / CPA / ROI по кампаниям / источникам и каналам трафика в сравнении с моделью Google Analytics Last Non-Direct Click?
  • Насколько тот или иной канал / источник трафика либо конкретная кампания недооценена / переоценена по сравнению с моделью GA Last Non-Direct Click?
  • Стоит ли увеличивать / уменьшать бюджет на определенные группы кампаний?
  • Как конкретный источник / канал трафика либо конкретная кампания повлияли на продвижение пользователя по воронке на каждому конкрентном шаге?
  • И многие другие.

При этом нужно учесть, что отчеты носят рекомендательный характер. Кроме информации из отчетов, необходимо учитывать такие факторы, как сезонность разных товаров, наличие акций на ТВ, влияние других офлайн-каналов привлечения, наличие брендовых кампаний и т.д.

Например, этот отчет показывает, как отличается доход, который принесли рекламные каналы, согласно разным моделям атрибуции. Когда маркетологи компании оценивали эффективность рекламы только по модели Last Non-Direct Click (без учета офлайн-покупок), доход у некоторых каналов получался отрицательным. Однако, когда они учли офлайн-заказы и рассчитали доход по модели атрибуции на основе воронки, оказалось что эти каналы сильно недооценивались, что видно на скриншоте выше.

Все данные расчетов, включая логику использованных запросов, хранятся в проекте Google BigQuery компании COMFY:

Подробнее со структурой данных, которые хранятся в промежуточных и результирующих таблицах, вы можете ознакомиться в справке. А если хотите узнать больше о том, для чего используют атрибуцию аналитик, маркетолог и директор по маркетингу, почитайте нашу статью.

Шаг 8. Кастомизировать отчеты в Google BigQuery

Помимо отчетов в OWOX BI Smart Data, команда COMFY использует собственные отчеты, которые строит с помощью SQL-запросов к данным в Google BigQuery. Они помогают проверять гипотезы на несемплированных данных о действиях пользователей и информации из ERP.

Вот пример такого отчета в Power BI:

Шаг 9. Перераспределить бюджет

Обладая полными данными и понимая, какое влияние оказывают маркетинговые усилия в онлайне на общий доход, маркетологи COMFY могут эффективнее распределять затраты между рекламными каналами. Кроме того, с помощью полученных отчетов команда маркетинга может показать руководству, насколько полезно онлайн-продвижение для офлайн-продаж, чтобы увеличить бюджет.

Результат

У COMFY появился дополнительный инструмент с альтернативной моделью атрибуции, которая учитывает поведение покупателей и вклад каждого канала в продвижение пользователя по воронке продаж.

Ориентируясь на данные OWOX BI Attribution, информацию по google / cpc кампаниям из Google Ads и собственный опыт продаж, маркетологи компании используют комплексный подход в оценке рекламы и планировании маркетинговой стратегии.

Теперь команда COMFY может проверить на практике:

  • Увеличится ли эффективность того или иного платного канала, если перераспределить бюджет или увеличить ставки на кампанию.
  • Можно ли повысить отдачу от каналов привлечения, не меняя сумму текущих расходов.
  • Как скажется на доходах COMFY замена или отключение наименее эффективных кампаний или каналов.
  • На каком этапе воронки стоит «дожимать» клиентов и побуждать их к покупке. И какой канал лучше всего справляется с этой задачей.

В заключение хотим сказать несколько слов всем, кто понимает важность взаимного влияния каналов. Не бойтесь пробовать новые аналитические инструменты. Выработайте собственный метод оценки рекламных кампаний и постоянно его совершенствуйте, чтобы распределять бюджет и принимать другие важные решения, основываясь на данных. А если в процессе у вас возникнут вопросы, оставляйте их в комментариях — мы всегда рады помочь.

P.S. Если история COMFY вдохновила вас настроить сквозную аналитику, но вы не знаете с чего начать, заполните форму, и мы пришлем вам запись вебинара по теме. Вы узнаете, какие данные и в какой последовательности объединять и что делать с готовыми отчетами.

ПОЛУЧИТЬ ЗАПИСЬ ВЕБИНАРА

Использованные инструменты

Вас также могут заинтересовать