Кто сидел на моем стуле? Кто лежал в моей кровати? Компания Fabelio выяснила, что делают онлайн-пользователи в офлайн-точках продаж

20
576
Материалы для скачивания
978.32 Kb

О компании

Fabelio — это интернет-магазин мебели и домашнего декора. Компания основана в Джакарте в 2015 году, работает в Индонезии и вскоре планирует выйти на рынок Юго-Восточной Азии. Сайт fabelio.com ежемесячно посещают более 1 млн уникальных пользователей.

Задача

У Fabelio есть 10 шоу-румов, где клиенты могут посмотреть, как выглядит тот или иной товар, пощупать материал, из которого сделана мебель, опробовать ее в действии и оплатить покупку. Поэтому маркетологам компании важно понять, как их усилия в онлайне способствуют продажам в офлайн-магазинах, и узнать ответы на следующие вопросы:

  • Сколько времени нужно пользователям, чтобы решиться на покупку?
  • Как это время зависит от товарной группы?
  • Какие онлайн-каналы чаще всего участвуют в воронке перед офлайн-покупкой?
  • Мебель из каких категорий пользователи просматривают в интернете, а покупают в физическом магазине?
  • Сколько касаний с сайтом совершает пользователь прежде, чем совершить покупку?
  • Как все перечисленные показатели зависят от типа пользователя: новый или вернувшийся?

Кроме того, сотрудники Fabelio записывают имя, email или телефон всех посетителей шоу-румов. Благодаря чему компания знает, в какое время человек посетил офлайн-точку, даже если он ничего не купил. С одной стороны, это дополнительный источник информации. С другой стороны, возникают вопросы: как учитывать эти данные в воронке продаж и какому онлайн-источнику присваивать ценность от подобных офлайн-визитов.

Решение

Для построения грамотной аналитической системы, которая учитывала бы вклад онлайн-продвижения в офлайн-продажи, команде Fabelio нужно было связать данные о поведении пользователей на сайте и в шоу-румах. Изучив рынок, маркетологи компании выбрали для этой цели облачное хранилище Google BigQuery. Это идеальное решение при ограниченном бюджете, потому что:

  • У BigQuery гибкие и относительно недорогие тарифы в сравнении с аналогичными системами.
  • Не нужно устанавливать ПО на свои сервера и обучать сотрудников — достаточно базовых навыков в SQL.
  • Платформа имеет множество готовых библиотек для работы и интеграции с другими сервисами.

Специалисты Fabelio настроили сбор данных в Google BigQuery по такой схеме:

Схема объединения данных

Шаг 1. Сбор данных о действиях пользователей на сайте

Для отслеживания событий на сайте Fabelio использует Google Analytics — одну из самых популярных аналитических систем, в том числе и на индонезийском рынке. В GA у компании настроена воронка расширенной электронной торговли (Enhanced Ecommerce):

Кроме ключевых взаимодействий с сайтом, команда Fabelio отслеживает также множество микроконверсий:

Эти данные помогают сегментировать пользователей, детальнее прорабатывать транзакционную воронку и точнее оценивать источники трафика.

Шаг 2. Сбор данных о расходах

Чтобы определить вклад рекламных каналов в продажи, необходимо сравнить доход и затраты по каждому каналу. Для этого команда Fabelio настроила автоматический импорт расходов в Google Analytics с помощью OWOX BI Pipeline. Благодаря чему, маркетологи могут анализировать ключевые KPI по кампаниям в Google Ads (с которым у GA встроенная интеграция) и других сервисах:

Шаг 3. Импорт данных из Google Analytics в Google BigQuery

Чтобы загрузить в Google BigQuery данные о действиях пользователей на сайте и рекламные расходы, команда Fabelio использовала OWOX BI Pipeline. Сервис параллельно отправляет в облачное хранилище те же хиты, что собираются в Google Analytics. При этом данные не семплируются и доступны для анализа в BigQuery в течение 2-5 минут после отправки.

Шаг 4. Импорт данных из CRM в Google BigQuery

Данные о пользователях, заказах и визитах в офлайн-точки компания хранит в CRM-системе Magento. Чтобы связать их с онлайн-данными, специалисты Fabelio настроили ежедневную выгрузку в BigQuery с помощью готового решения Fluent Plugin.

Как мы писали выше, в открытом доступе есть множество готовых решений для интеграции Google BigQuery с другими системами. У OWOX BI, к примеру, тоже есть несколько бесплатных скриптов, которые помогут интегрировать вашу CRM с облачным хранилищем.

Шаг 5. Обработка данных

После того, как все данные собраны в едином хранилище BigQuery, их необходимо свести в одну таблицу. Аналитики OWOX BI помогли коллегам из Fabelio подготовить набор данных с онлайн и офлайн-заказами в нужной структуре.

Шаг 6. Настройка атрибуции

На заключительном этапе команда Fabelio настроила модель атрибуции на основе воронки от OWOX BI, которая учитывает офлайн-заказы. Особенностью модели было то, что в воронку, помимо стандартных событий, необходимо было добавить еще и визит в физический магазин. Чтобы это сделать, аналитики компании подготовили в BigQuery дополнительный источник данных для атрибуции кастомных событий.

После этого команде Fabelio осталось запустить расчеты. В результате у компании получилась воронка, в которой учитываются визиты и заказы из офлайна:

Результаты

В итоге компания получила несколько автоматических отчетов, которые помогают маркетологам находить инсайты и принимать правильные бизнес-решения.

Например, в OWOX BI Smart Data маркетологи Fabelio смотрят:

  1. Как отличается ценность рекламных кампаний по разным моделям атрибуции — GA Last Non-Direct Click и Funnel Based Attribution от OWOX BI.
  1. Как распределяется ценность источников и каналов по шагам воронки.

Кроме этого, аналитики OWOX BI подготовили для Fabelio автоматически обновляемый дашборд в Data Studio. На нем можно фильтровать данные по источнику, категории товаров, типу пользователей, месту оформления заказа, типу оплаты, названию шоу-рума, количеству дней с первого визита и первой сессии и т.д.

Дашборд помогает маркетологам компании найти ответы на следующие вопросы:

  1. Сколько касаний с сайтом было у пользователей, которые впоследствии совершили покупку в магазине, и какой доход они принесли?
  1. Как давно была первая сессия у пользователей, совершивших покупки?
  1. Сколько касаний с сайтом было у пользователей в зависимости от категории купленного товара?
  1. Сколько времени проходит от первого визита пользователей на сайт до покупки в зависимости от категории товара?

P.S. На реализацию этого кейса коллег из Fabelio вдохновила наша статья «Как связать посетителей сайта и офлайн-покупателей». Если история компании произвела на вас такое же впечатление, вы можете попробовать построить отчеты по ROPO с помощью OWOX BI. У нас есть бесплатный 14-дневный Trial, во время которого вам будут доступны все возможности сервиса.

ПОПРОБОВАТЬ OWOX BI

Использованные инструменты

Вас также могут заинтересовать