Как рассчитать стоимость доставки и ROMI с учетом выкупленных заказов. Кейс FiNN FLARE

Часть заказов, которые компания FiNN FLARE доставляет за свой счёт, не выкупается. Поэтому они решили посчитать, во сколько на самом деле обходятся доставка и реклама в каждом конкретном регионе. Рассказывает Андрей Фирсов, специалист по контекстной рекламе в FiNN FLARE.

Наши клиенты
растут на 22% быстрее

Растите быстрее, анализируя, что лучше сработает в вашем маркетинге

Измеряйте KPI, находите зоны роста и увеличивайте свой ROI

Записаться на демо

О компании

FiNN FLARE — один из крупнейших fashion-ритейлеров в России и важный игрок в сегменте middle+: розничная сеть включает 108 собственных и свыше 200 франчайзинговых магазинов в России, Белоруссии, Казахстане и других странах СНГ, а также интернет-магазин. Компания успешно работает и развивается уже более 55 лет.

В 2017 году компания стала лауреатом премии «Народная Марка» в номинации «Сеть магазинов верхней одежды», заняв первое место по результатам голосования среди покупателей.

Задача

В этом кейсе мы хотели решить две основные задачи.

  1. Узнать реальный ROMI рекламных кампаний с учётом выкупленных заказов, чтобы эффективнее перераспределять бюджет между каналами.
  2. Рассчитать стоимость доставки по регионам. Найти регионы, в которые нам невыгодно доставлять товары за свой счёт, и сосредоточить маркетинговые усилия на других более выгодных регионах.

Проблема

Для привлечения трафика и увеличения конверсий мы используем множество каналов: контекстная реклама, CPA (TrackAd), email-рассылки и другие. Наши расходы на рекламу рассчитываются по разным методологиям и хранятся в разных сервисах. Кроме этого, у нас есть несколько вариантов доставки, и в части случаев FiNN FLARE доставляет заказы за свой счёт. В зависимости от региона и веса посылки стоимость доставки отличается. Также мы тратим деньги на рекламу в регионах, что повышает стоимость реализации. Чтобы на постоянной основе анализировать все расходы на реализацию товаров в разных регионах, нам нужны дашборды, построенные на реальных данных с учетом выкупленных заказов.

При оформлении онлайн-заказа у наших клиентов есть несколько вариантов оплаты: на сайте, в рассрочку, при доставке курьеру или в точках выдачи. В двух последних случаях возможны примерка и частичный выкуп товаров. Поэтому доход, который мы видим с заказов, оформленных на сайте, получается значительно выше фактического дохода, который мы получаем с учетом выкупленных товаров.

Данные по доставке, оформленным и выкупленным товарам также хранятся в разных системах. Чтобы понять, какие товары лучше всего выкупаются, окупаются ли рекламные кампании, выгодна ли доставка товаров в определенные регионы, нам нужно было свести все данные в один отчет.

Решение

Для настройки сквозной аналитики мы обратились к нашему партнеру КРОК — интегратору В2В-решений, который работает на рынках 42 стран уже около 30 лет. С помощью OWOX BI команде КРОК удалось наладить сбор данных из разных точек касания и построить дашборды, которые дают нам недостающую информацию.

От оформления заказа до его выкупа может пройти до 3-х недель, поэтому для принятия оперативных решений по распределению бюджета мы используем отчет, построенный на онлайн-данных:

Однако мы понимаем, что у нас (как и у большинства fashion-ритейлеров) выкупаются далеко не все заказы, оформленные на сайте. Грубо говоря, клиент может набрать вещей на 50К, а покупает всего на 15К. Отчет, построенный на полных данных показывает реальную картину — какой процент товаров выкупается, и сколько денег нам приносят конкретные источники:

К примеру, если посмотреть на ROMI yandex/cpc, то в первом отчёте мы увидим цифру 419,46%, а во втором — 115,97%. Разница почти в 3,5 раза.

Поэтому в конце месяца мы смотрим отчёт на полных данных и корректируем ставки на следующий месяц с учетом выкупаемости.

Отчёт по параметрам доставки помогает нам определить, в какие регионы доставляют заказы чаще всего, и отсечь неприбыльные регионы:

С помощью отчета по площадкам и категориям мы анализируем, какие товары лучше всего продаются на определенных площадках, в какие площадки сто́ит инвестировать, а какие отнимают время и не приносят прибыль:

Так как у FiNN FLARE много активностей, связанных с email-рассылками, нам важно понимать, какая кампания срабатывает лучше и побуждает пользователя завершить покупку. Благодаря отчету на данных MindBox, наши маркетологи видят все части воронки от момента отправки письма до выкупленных транзакций.

Инсайты, полученные из этого отчёта:

  1. CR отправленных писем до фактической покупки в среднем составляет 0,2%;
  2. наибольший % конверсий имеют триггерные рассылки по просмотрам товаров и брошенным корзинам;
  3. некоторые пользователи могут открыть письмо и совершить покупку спустя полгода после получения письма.

Как объединяли данные для отчетов

Шаг 1. Настроили стриминг сырых данных с помощью OWOX BI, чтобы параллельно передавать данные с сайта Finn Flare в Google BigQuery, избежать семплирования данных и строить отчёты со всеми доступными параметрами.

Шаг 2. Также с помощью OWOX BI маркетологи настроили автоматический импорт расходов из рекламных сервисов, чтобы не сводить их каждый раз вручную. Так расходы собираются в одном месте, в едином формате и регулярно автоматически обновляются.

Данные из ВКонтакте, Facebook, Яндекс.Директа, MyTarget, Criteo передаются напрямую в Google BigQuery. С помощью потока Google Analytics → BigQuery (Cost Data) удалось также выгрузить данные о расходах по СРА, которые грузятся в GA сторонним сервисом. Расходы по Google Ads загружаем в BigQuery с помощью нативной интеграции.

Шаг 3. Настроили выгрузку данных об email-кампаниях с помощью кастомной интеграции OWOX BI.

Шаг 4. С помощью собственных разработок настроили выгрузку данных о транзакциях и доставке из наших внутренних систем в Google BigQuery.

Ниже представлена схема сбора и движения данных:

Шаг 5. Настроили атрибуцию OWOX BI на основе воронки с двумя разными конверсионными шагами: оформленный на сайте заказ и выкупленный заказ. В результате получилось два отчета по эффективности рекламных кампаний: только на онлайн-данных и на полных данных.

Шаг 6. Построили несколько дашбордов, которые ответили на важные для нас вопросы.

‘‘

Хотел бы поблагодарить команду OWOX за продолжительную и плодотворную работу. Вопросы и задачи решались оперативно. После интеграции мы стали тратить в разы меньше времени на сбор данных для принятия стратегических решений. Ждем следующего шага с интеграцией ROPO-анализа.

Андрей Фирсов,
Специалист по контекстной рекламе ,
FiNN FLARE
‘‘

Для нас, как для интегратора, было важно организовать слаженную работу с командой OWOX для получения качественного финального результата клиента. Это удалось сделать за счет большого количества прописанных процессов и решений, уже реализованных к этому моменту.

Важно отметить конструктивное и оперативное решение непредвиденно возникающих моментов в тесном контакте с командами OWOX и FiNN FLARE, которое позволило быстрее и эффективнее реализовать проект.

Спасибо командам OWOX и FiNN FLARE. Ведь всегда приятно работать с профессионалами!

Вячеслав Шутеев,
Продуктовый аналитик ,
КРОК

Выводы

В результате совместного проекта по настройке сквозной аналитики команда FiNN FLARE построила отчёты, которые помогли ответить на вопросы, ранее остававшиеся без ответа. Расчёт реального ROMI с учетом выкупленных заказов позволил эффективное распределять бюджет между каналами. А понимание того, сколько стоит доставка в каждый из регионов, помогло принять решение о том, в какие регионы невыгодно доставлять за свой счёт.

Следующим шагом нашей маркетинговой команды станет доработка выгрузки данных по продажам в офлайн-магазинах для построения ROPO-аналитики. Это поможет нам чётко проследить, как наши активности в онлайне влияют на офлайн-продажи. Потому что нередко кампания, которая кажется неэффективной онлайн, приводит покупателей в магазины.