Как сквозная аналитика помогает бизнесу

11.01.2019
1942
Подпишитесь, чтобы получать новые статьи на почту

Команда аналитиков OWOX BI собрала пять кейсов, которые доказывают, что сквозная аналитика повышает прибыльность и помогает оптимизировать бизнес.

Обучение в онлайн-университете: курс «Аналитика бизнес-процессов»

Оценить вклад онлайна

Дано. Компания открыла онлайн-магазин и несколько торговых офлайн-точек. Клиенты могут покупать товары сразу на сайте или смотреть ассортимент в интернете, а за покупкой приходить в обычный магазин. Владелец сравнил прибыль из онлайна и офлайна и пришел к выводу, что обычный магазин приносит гораздо больше прибыли.

Задача. Решить, стоит ли отказаться от онлайн-продаж и сфокусироваться на торговой точке.

Практическое решение. В компании по продаже женского белья Darjeeling изучили ROPO-эффект — влияние онлайн-присутствия на продажи в офлайне. Специалисты пришли к выводу, что 40% клиентов посещали сайт перед покупкой в магазине. Следовательно, без поддержки онлайна почти половины покупок могло не состояться.

Чтобы получить эту информацию, в компании проанализировали несколько систем сбора, хранения и обработки данных:

  • Google Analytics — для информации о действиях пользователей на сайте;
  • CRM — для данных о расходах и выполняемости заказов.

Данные из разных систем с разной структурой и логикой объединили в одной системе и связали между собой. Для создания единого отчета в Darjeeling использовали BI-системы сквозной аналитики.

Увеличить ROI

Дано. Для привлечения клиентов бизнес использует несколько рекламных каналов — поисковую, контекстную рекламу, соцсети, телевидение и другие. Все они отличаются по стоимости и эффективности.

Задача. Отказаться от малоэффективных и дорогих видов рекламы и оставить только дешевые и полезные. Чтобы сделать это, нужно использовать методы сквозной аналитики и сопоставить расходы на каждый канал с принесенной ценностью.

Практическое решение. В сети клиники «Доктор рядом» посетитель может взаимодействовать с врачами через разные каналы: на сайте, по телефону или в регистратуре. Маркетологи проанализировали, откуда пришел каждый посетитель.

Для решения задачи оказалось недостаточно обычных инструментов веб-аналитики, так как данные были собраны в разных системах и не связаны между собой. Поэтому аналитики объединили в одну систему:

  • информацию о поведении пользователей на сайте Google Analytics;
  • данные о звонках из систем коллтрекинга;
  • расходы из всех рекламных источников;
  • сведения из внутренней системы клиники о пациентах, приемах и выручке.

Собранные отчеты показали, какие каналы не окупают вложения. Например, в контекстной рекламе маркетологи оставили только кампании с лучшей семантикой и увеличили бюджет на гео-сервисы. В результате клиника увеличила ROI отдельных каналов в 2,5 раза и снизила расходы на рекламу в 2 раза.

Найти точки роста

Дано. Количество кампани и поисковых фраз в контекстной рекламе увеличилось настолько, что управлять ими вручную невозможно. Чтобы улучшить процесс продвижения, нужно автоматизировать управление ставками.

Задача. Понять, насколько эффективна каждая из нескольких тысяч поисковых фраз. Исключить ситуацию, когда из-за неправильной оценки бюджет сливают впустую и привлекают меньше клиентов.

Практическое решение. Чтобы автоматизировать управление ставками, в гипермаркете мебели и аксессуаров для дома Hoff связали все сессии пользователя. Это позволило отследить каждый контакт с сайтом на любых устройствах, звонки по телефону и посещения магазинов.

После объединения всех данных и настройки сквозной аналитики сотрудники компании занялись атрибуцией — распределением ценности. По умолчанию Google Analytics использует атрибуцию по последнему непрямому клику. Схема игнорирует прямые посещения, и всю ценность конверсии получают последний канал и сессия в цепочке взаимодействия.

Чтобы получать реальные данные, специалисты настроили атрибуцию на основе воронки. В ней ценность конверсии распределяется между всеми каналами, которые участвовали на каждом шагу воронки. При изучении объединенных данных оценили прибыль каждой поисковой фразы и увидели неэффективные и те, которые приносят больше заказов.

Аналитики настроили ежедневное обновление информации и ее передачу в систему автоматизированного управления ставками. Ставки настраивали так, чтобы их размер был прямо пропорциональным ROI поисковой фразы. В результате в Hoff на 17% повысили ROI контекстной рекламы и в 2 раза увеличили количество эффективных поисковых фраз, которые раньше не учитывались.

Персонализировать коммуникацию

Дано. Бизнесу нужно выстраивать отношения с клиентом — делать актуальные предложения, отслеживать изменение лояльности к бренду. Когда у компании тысячи клиентов, делать это персонально для каждого не получится.

Задача. Разделить всех клиентов компании на несколько сегментов и строить коммуникацию с каждым.

Практическое решение. Московский универмаг с интернет-магазином одежды и аксессуаров Butik улучшил работу с покупателями. Чтобы повысить лояльность клиентов и увеличить жизненный цикл сотрудничества, маркетологи персонализировали коммуникацию через колл-центр, email и SMS-рассылки.

Для этого клиентов разделили на сегменты, в зависимости от их покупательской активности. На выходе получились разрозненные данные, так как клиенты могут покупать онлайн, заказывать на сайте и забирать в реальном магазине или вообще не пользоваться сайтом. Из-за этого часть данных собиралась и хранилась в Google Analytics, часть — в CRM-системе.

Маркетологи идентифицировали каждого клиента и все его покупки. На основе этой информации определили в подходящий сегмент: «новый покупатель», «приходит раз в квартал или год», «постоянный клиент». Всего выделили 6 сегментов и сформировали правила автоматического перехода из одного в другой. Это позволило маркетологам строить персонализированную коммуникацию с каждым типом покупателей и показывать им разные рекламные сообщения.

Определить CPA-мошенничество

Дано. Компания использует для рекламы в интернете модель cost per action — размещает рекламу и платит площадкам только если посетители выполняют целевое действие, например, переходят на сайт, регистрируются или покупают товар. Партнеры, которые размещают рекламу, не всегда работают добросовестно, среди них встречаются мошенники. Чаще всего подменяют источник трафика так, что кажется, будто к конверсии привел именно партнер.

Задача. Выявлять мошенников при помощи сквозной аналитики. Отслеживать каждый шаг в цепочке продаж и понимать, какие источники влияют на целевое действие клиентов.

Практическое решение. С мошенничеством столкнулись в «Райффайзенбанк». Маркетологи обратили внимание, что расходы на affiliate-трафик увеличились, а доход не изменился, и решили тщательнее проверить работу партнеров. Для этого собрали сырые данные о поведении пользователей на сайте — полную, никак не обработанную и не проанализированную информацию. Среди всех клиентов с последним каналом affiliate выбрали тех, у кого были необычные кратковременные обрывы сессий. Во время этих обрывов происходила подмена источника.

В результате аналитики обнаружили нескольких партнеров, которые присваивали чужой трафик и перепродавали его банку. От сотрудничества с ними отказались, бессмысленную трату бюджета прекратили.

Вывод

Выше приведены примеры только самых распространенных задач, которые помогает решить сквозная аналитика в маркетинге. На практике с помощью объединенных данных о действиях клиентов на сайте и в офлайне, информации из рекламных систем и колл-трекинга можно найти ответы на многие вопросы по улучшению бизнеса.

Читать еще: «12 книг по Data Science для новичков и продвинутых»


Мнение автора и редакции может не совпадать. Хотите написать колонку для «Нетологии»? Читайте наши условия публикации. Чтобы быть в курсе всех новостей и читать новые статьи, присоединяйтесь к Телеграм-каналу Нетологии.

Университет интернет-профессий
Мы используем файлы cookie
Чтобы улучшить работу сайта и предоставить вам больше возможностей для обучения. Продолжая использовать сайт, вы соглашаетесь с условиями использования файлов cookie.