Кейсы
Зачем собирать сырые данные о расходах на рекламу Facebook Ads: кейс SEMrush
SEMrush — сервис для управления видимостью сайтов в интернете. Сервис включает платформы для SEO, PPC, управления рекламными кампаниями, контент-маркетинга и маркетинговых исследований. У SEMrush — более 5 млн пользователей по всему миру, а среди клиентов — eBay, Quora, Booking. com и BNP Paribas.
У аудиторий SEMrush в каждом регионе — свои особенности, а для привлечения пользователей зачастую недостаточно просто клика по рекламе. Поэтому чтобы верно оценивать эффективность своих рекламных кампаний, SEMrush мало статистики о кликах, расходах и UTM-метках объявлений — нужно куда больше данных.
В этой статье Data Analyst SEMrush Константин Перевозчиков рассказывает, как его команда использует сырые данные, собранные с помощью потока Facebook Ads → Google BigQuery от OWOX BI, для анализа эффективности рекламных кампаний.
Содержание
- Почему начали использовать поток Facebook Ads → Google BigQuery
- Много полезных данных
- Статистика затрат по странам
- Итоги
Почему начали использовать поток Facebook Ads → Google BigQuery
Раньше мы собирали данные о расходах из рекламных аккаунтов Facebook Ads двумя способами:
- Импортировали данные о расходах, кликах, просмотрах и данные UTM-меток с помощью потока OWOX BI Facebook Ads → Google Analytics, а затем загружали их в Google BigQuery с помощью потока Google Analytics → Google BigQuery.
- Использовали собственные, написанные командой SEMrush, скрипты, которые загружали определенные данные из рекламного аккаунта Facebook в Google BigQuery.
Такой подход имел несколько недостатков.
Во-первых, мы не получали все нужные нам данные. Например, данные о регионах показа рекламы и данные, необходимые для расчета стоимости действий пользователей после просмотров рекламы. Кроме того, данные из разных аккаунтов и за разные даты нужно было объединять вручную и следить за их чистотой.
Во-вторых, собственное решение нужно поддерживать и дорабатывать — чтобы оно решало все наши задачи по сбору данных и было готово к регулярным изменениям в API Facebook. Для этого нужно постоянно привлекать программистов, тратить на это время и деньги.
Поэтому мы решили опробовать новый поток Facebook Ads → Google BigQuery от OWOX BI. Поток уже собирает все нужные нам данные в удобном формате, следит за их актуальностью и работает из коробки — нам не нужно ничего делать вручную для объединения данных.
Много полезных данных
OWOX BI выгружает около 200 полей с различными данными из рекламного аккаунта Facebook Ads.
Это важно, потому что у каждого продукта SEMrush — отдельная команда разработки и маркетинга, и у каждой команды свой бюджет на продвижение.
Чтобы оценить эффективность вложений в рекламу для каждой команды, нужно считать стоимость не только сессии, но и отдельных действий внутри сессии. То есть атрибутировать расходы не на сессию, а на действие. Это позволит нам точно знать, что за конверсионные действия W, Y, Z — мы заплатили сумму Х, что для нас либо приемлемо, либо нет. Далее каждая команда может рассчитать CPA (cost per action — стоимость действия), даже в тех случаях, когда в рамках одной сессии было несколько ключевых действий.
Данные, которые мы получаем из Facebook с помощью OWOX BI позволяют нам построить такую глубокую аналитику.
Для этого мы объединяем данные о расходах с данными о поведении пользователей сайта (загруженные отдельным потоком OWOX BI) с помощью 150 специальных скриптов. И чем выше детализация наших данных из рекламных аккаунтов, тем более точную оценку действий пользователей мы получаем.
Кроме того, поток Facebook Ads → Google BigQuery загружает такие важные в случае нашей рекламы данные:
Конверсионная цель — благодаря этому полю мы видим, на какую цель настроена рекламная кампания и понимаем, на какой стадии конверсионной воронки находится пользователь (например, регистрация или триал).
Ссылка на объявление — позволяет нам точно связать касание и конкретное объявление.
Подписи объявлений на баннерах. В своей работе мы используем глубоко вложенную структуру рекламных кабинетов. Благодаря подписям объявлений на баннерах, мы можем анализировать и размечать кампании с максимальной детализацией. Это позволяет четко определять цели и принадлежность кампаний к каким-либо активностям.
Много текстовых полей (например, название кампании, набора объявлений). Мы написали специальные скрипты, которые загружают значения таких полей из BigQuery в Google Sheets, после чего специалисты по размещению рекламы, используют их для быстрой и точной разметки рекламных кабинетов.
Статистика затрат по странам
Semrush — международный продукт и нам важно анализировать эффективность рекламы в разных регионах. Например, стоимость клика в USA и в Индии — разная. Это значит, что итоговый CPO по странам отличается.
Поэтому одно из главных преимуществ потока Facebook Ads → Google BigQuery для нас в том, что поток предоставляет данные из рекламного аккаунта в разрезе стран.
То есть из сырых данных, загруженных из Facebook, мы можем узнать, сколько денег мы тратим в конкретной стране на конкретные кампании. Затем — атрибутировать касание к пользователю и посчитать ROI этих кампаний.
Так мы отслеживаем, как работает реклама в зависимости от географии аудитории, и можем тонко настраивать кампании по странам.
Итоги
Поток Facebook Ads → Google BigQuery сильно упрощает нам процесс анализа эффективности рекламных кампаний.
- Мы собираем все нужные нам данные — дополнительные скрипты нужны только для особых случаев вроде расчета стоимости привлечения отдельных действий пользователей.
- OWOX BI загружает много важных для нас данных — в том числе такие критически важные, как данные о регионе, которые позволяют проанализировать географическое распределение затрат на рекламу.
- Поток автоматически собирает данные из всех наших рекламных аккаунтов Facebook в единую партиционную таблицу Google BigQuery. Это значительно упрощает анализ затрат.
- Поток следит за актуальностью загруженных данных. Если данные меняются в рекламном аккаунте ретроспективно — OWOX BI актуализирует их и в BigQuery.
- Также команда OWOX BI помогла нам выгрузить из наших рекламных аккаунтов Facebook исторические данные за предыдущие 3 года. Это позволило нам оценить кампании в динамике, а также отследить ключевые изменения в прошлом, которые значимо повлияли на результаты текущих кампаний.
- Нам не нужно привлекать программистов для настройки сбора и объединения данных — поток OWOX BI «из коробки» делает все, что нам нужно.
В ближайшем будущем мы планируем отказаться от большинства написанных нами скриптов и собирать данные Facebook Ads (а еще — LinkedIn) только с помощью потоков OWOX BI.