Анализируй это: как сквозная аналитика помогает продажам в недвижимости

Хотим поделиться с вами совместным кейсом от наших партнеров MTRENDO и Группы «Самолет», опубликованным на vc. ru. В нем Виктор Крылов, директор по цифровому развитию маркетинга Группы «Самолет», рассказывает, как они внедряли сквозную аналитику с помощью OWOX BI и других решений, с какими проблемами столкнулись и что получилось в итоге. Спойлер: получили на 12,5% больше клиентов при тех же маркетинговых затратах.

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

Содержание

Какие проблемы с аналитикой существуют в девелопменте

Очертить круг проблем и выстроить совершенно новую систему аналитики в «Самолете» пришли специалисты, до этого никак не связанные с девелопментом. С какими проблемами столкнулись:

  • В недвижимости очень длинная и сложная воронка продаж, сравнимая с B2B-продажами. Путь клиента — от 3 до 6 месяцев.
  • Современная сфера недвижимости — это омниканальный путь клиента, когда он может узнать о компании откуда угодно и либо зайти на сайт, либо позвонить в кол-центр или прийти в офис продаж.
  • Слабые модели атрибуции на длинной воронке: очень много рекламных касаний. Модели одного касания вообще не учитывают ряд каналов, а многие модели множественных точек касания искажают реальную ценность промежуточных кампаний.
  • Нужна модель атрибуции, которая способна разложить ценность всех касаний клиента от первой коммуникации до момента покупки или показать, на каком моменте он ушел и почему.
  • Очень много касаний происходит офлайн, и их нужно как-то найти и объединить с другими цифровыми следами. Низкий процент сведения активности в разных точках касания, сложно создать единый профиль клиента по всем коммуникациям.
‘‘

Когда я шёл в «Самолет», то изначально видел для себя в этом огромный вызов, амбициозное испытание. Потому что не понаслышке был знаком с целым рядом данных проблем с агентско-сервисной стороны. И не ошибся. На мой взгляд, недвижимость собирает в себе большинство самых сложных проблем анализа клиентских данных поведения из всех областей.

Виктор Крылов,
Директор по цифровому развитию маркетинга ,
Группа «Самолет»

В чем причина проблем

Основная ошибка — анализ поведения клиента только на поздних этапах. Многие компании не придают значения ранним касаниям клиента с брендом — увидел рекламный щит на улице, посмотрел ролик по телевизору. Они начинают его историю только с момента «созревания», когда человек уже задумался о покупке и рассматривает варианты. Из-за этого получается искаженная картина и создается иллюзия короткой воронки продаж, которую клиент проходит за месяц или меньше.

Комплексно эту проблему в девелопменте никто не стремился решать, кто-то возмущался, что мы покушаемся на «стандарты индустрии». При этом у многих критиков система просто не сможет определить, когда тот же лид перепройдет в другом канале и получит за него же деньги. Или просто будут искусственно подкручивать эффективность отдельных методов привлечения трафика.

Но и это еще не всё. Даже если похожий на полноценную сквозную аналитику сетап и собран, у него может быть настолько сложная структура данных, что речь об изучении отдельных аспектов пути клиента даже не зайдет.

Полная Customer Journey Map включает больше этапов взаимодействия клиента с компанией, поэтому самая большая сложность — пройти весь путь клиента, найти все точки касания, проанализировать эти данные и свести всё вместе. Через какие точки касания прошел клиент? Дала ли эта точка ответы на его вопросы? Как всё прошло, какие остались впечатления?

Звучит просто, а сделать очень сложно по четырем причинам:

  • Множество устройств для цифрового касания.
  • Желание анонимности клиента на ранних стадиях воронки: человек, только погуглив «купить квартиру в Томилино», не желает, чтобы его засыпало рекламными сообщениями и звонками, он не хочет оставлять свои данные.
  • Сведение вместе данных онлайн- и офлайн-касаний.
  • Высокие требования к чистоте данных и отсутствию семплирования.

Первые три пункта на длинной воронке сами по себе способны озадачить опытных специалистов по анализу клиентских данных. Для того чтобы правильно решить эти проблемы, требуется нетривиальный и сложный стек технологий.

Но самое главное — для решения этих проблем нужны специалисты высокого уровня, с широким набором компетенций и опытом внедрения решений в разных бизнес-моделях.

Читайте также: о внедрении сквозной аналитики в недвижимости — рынке, которой тратит немалые деньги на рекламу.

С чего начинали

Раньше у каждого проекта был свой сайт. Проанализировав все минусы и плюсы, решили объединить все проекты на одном сайте вместе с CRM-системой, ориентированной на клиента.

Одной из проблем при работе с данными было то, что мы не видели путь клиента в целом от посещения сайта до заключения сделки, не анализировали вариации клиентского пути. Чтобы найти все пути, пришлось собирать информацию… отовсюду.

У нас была система сквозной аналитики для целей performance-рекламы, которая могла атрибутировать рекламные кампании по модели last-non-direct-click на звонки. У нас были отчеты для маркетинга по количеству звонков, встреч и сделок в Excel, на выгрузку которых из CRM наш единственный веб-аналитик (!) ежедневно тратил полдня. А еще у нас была Яндекс. Метрика:-)

И была гора разных философских вопросов, но если уж мы решили строить огромную систему аналитики там, где этого еще никто не делал, то нужно идти в своем решении до конца.

Важно

Часто бывает так, что, получая доступ к высокотехнологичным маркетинговым инструментам, сотрудники компании ударяются в эксперименты и на выходе получается что-то ужасное, неработающее и дорогое. Но нам повезло: опыта с системами аналитики клиентских данных и системами сквозной аналитики хватило, чтобы построить рабочую систему, избежав проблем взросления.

Новичок и профессионал в аналитике

Теперь перейдем к тому, что получилось.

Три системы для клиентских данных

Приоткроем завесу тайны и обрисуем примерно четверть реальной схемы вращения клиентских данных:

Схема системы сквозной аналитики
Кусочек схемы нашей системы. И да, он очень упрощен. Технические специалисты будут ругаться, но это общая объясняющая диаграмма

Новая схема, кроме унаследованной Microsoft Dynamics, состоит из двух параллельных систем сквозной аналитики, составляющих единую систему.

Первая — связка Google BigQuery и OWOX BI и несколько самописных решений. Вторая — это CDXP Exponea для создания единого пользовательского профиля клиента и использования этих данных в реальном времени. Мы не скромничаем: подобного комплексного решения в девелопменте пока не существует. Взяли самые современные штуки из других рынков с доказанной на практике эффективностью.

Забавно, что если посмотреть на тот же самый сетап в той половине, где OWOX, эта же самая схема может выглядеть совершенно иначе и куда интереснее:

Часть системы с OWOX BI
Часть системы с OWOX BI

Получение и связывание клиентских данных из CRM, расходов и данных атрибуций из OWOX BI и кол-трекинга вместе с очисткой данных позволило выстроить детальные воронки как по каждому проекту, так и по каждой когорте клиентов. Всё это легло в основу системы предиктивной performance-аналитики. Отдельным сложным куском работ является правильная визуализация этого объема данных, эту задачу мы решаем до сих пор.

Распределение всех клиентских данных по временным когортам позволило точнее прогнозировать конверсии по отдельным проектам на основе предыдущей и текущей рекламной активности. С историей взаимодействий с клиентами по идущим рекламным кампаниям на руках мы с большой точностью знаем «хвост» клиентов, которые дойдут до заключения договора, и можем усиливать рекламу по тем объектам, по которым прогнозируем недостаточное количество сделок.

Exponea, получая и объединяя данные по клиентскому взаимодействию, позволила узко сегментировать клиентов и автоматизировать клиентское взаимодействие для улучшения конверсии. Высокая чистота данных даже по малому числу клиентов гарантирует, что построенные автоматизации работают достаточно хорошо и цифрам можно доверять.

Как дела сегодня

Учимся работать со всеми полученными и собранными данными. Начинаем применять данные мультиканальной мультивороночной атрибуции, данные по учету и контролю статусов клиентов. Начинаем по-новому осознавать воронку продаж. Становятся прозрачными специализированные «бутылочные горлышки», которых мы ранее не замечали. Теперь, когда мы их видим и можем автоматически зарегистрировать клиента в критической стадии, мы влияем на него автоматически — средствами CRM-маркетинга и средствами ретаргетинга.

На сегодняшний день мы реализовали полностью тот комплекс подходов и инструментов, который имеет право называться сквозной аналитикой. Мы связали не отдельные кусочки воронки, а весь путь клиента с его вариативностью и многочисленными ROPO-переходами. Например, мы можем понимать, что человек, который сходил на встречу в офис продаж, несмотря на то, что он нам не звонит и не берет трубку от менеджера, всё еще активен в воронке, потому что в регулярном режиме продолжает смотреть на сайте доступность и цену интересующей его квартиры.

Профиль клиента, ранее содержавший в среднем 6 событий, теперь содержит 72 события.

Наша текущая аналитика отслеживает около 170 типов событий. Покрыты все нюансы пользования сайтом: скроллы, табы, отображения значимых областей в экране, даже иногда хаверы — эффекты, которые появляются, когда на них только наводишь мышкой. Также в едином профиле собирается порядка двадцати типизированных событий по персонализации веба, работе сценариев автоматических коммуникаций и реакций клиента на них. Естественно, все события нашей MS Dynamics. Если честно, это — самое больное место, которое мы отлаживаем до сих пор.

Несколько месяцев назад в отладочном режиме заработала система контроля жизненного цикла клиента — наша гордость и повод для отдельных статей. Если очень упрощенно, то это что-то вроде RFM-контроля, только на единой покупке и с событийностью перемещения по сегментам.

В нашей базе хранится несколько сотен миллионов событий, и это — не сырые, а профильные, глубоко структурированные данные. Чтобы их структурировать и правильно «склеивать», работает система из семи типов идентификаторов. Например, у среднего клиента, дошедшего до конца воронки, присутствует 3,5 cookie и около 15–20 cookie коллтрекинга. И нередка ситуация, когда в карточке два и более мобильных номера.

Внедрение описанного комплекса систем позволило получить на 12,5% больше клиентов при тех же маркетинговых затратах.

‘‘

Это было круто и очень сложно. Нам здорово помогла готовность компании вкладываться в направление временем и бюджетом. Далеко не каждая компания способна с терпением и пониманием пройти стратегическую архитектурную фазу построения подобного. У многих боль и непонимание на полпути прерывает процесс разработки.

Виктор Крылов,
Директор по цифровому развитию маркетинга ,
Группа «Самолет»

Что предстоит сделать

Впереди у нас самый сложный этап трансформации — в головах людей. Мы только начали применять инновационные, нехарактерные технологии для недвижимости и уже сталкиваемся с тем, что некоторые понятия нужно внедрять и обосновывать на протяжении нескольких месяцев. Особенно сложно будет объяснить новые метрики для людей, которые уже давно работают в девелопменте и к такому не привыкли.

Кроме того, есть некоторые новые вещи, которые могут кратно увеличить сложность даже самых простых отчетов. Например, можно собрать аналитику «котлов спроса» и построить предиктив по «перетеканию» клиентов из проектных рекламных кампаний в поздние лид-стадии, но уже других, смежных проектов котла.

Когортные конверсии, учет реактивации лидов, методология A/B тестирования — всё это довольно новые вещи для людей, погруженных в ежедневную рутину девелопмента, которая состоит из звонков, встреч и сделок.

Но благодаря поддержке руководства компании, которое понимает необходимость подобных качественных трансформаций, мы можем планомерно двигаться по дороге настоящей цифровой революции в девелопменте.

После первого применения собранных и систематизированных нами данных мы вручную начнем совершать первые подходы с точки зрения создания «умных» предиктивных моделей на основе машинного обучения. Эти модели дадут дополнительное количество идей по потенциальным точкам роста в нашей воронке.

И конечно, мы планируем погружать в клиентскую аналитику всех коллег — чтобы повышать осознанность их действий и совершенствовать их взаимодействие со смежными подразделениями.

Использованные инструменты