3 случая, когда настроить сквозную аналитику было почти невозможно, — как мы выкручивались из этих ситуаций

Представьте: бизнес продвигается через рассылку, соцсети и контекст, а все отчеты собирает вручную. Владелец решает внедрить сквозную аналитику, но не тут-то было: данные можно собрать, но связать их между собой не получается. И неясно, как оценивать эффективность рекламы. Рассказываю, как мы решаем такие проблемы.

👋 Всем привет! На связи Алексей Ковалик и Александр Клепенков, ведущие менеджеры проектов Join Metrics от агентства IT-Agency — платформой для сквозной аналитики, которая помогает бизнесу оптимизировать расходы на рекламу. Отчеты помогают масштабировать каналы, которые приносят прибыль, и превратить убыточную рекламу в эффективную.

Настройка сквозной аналитики не всегда идет по плану: иногда ситуация оказывается сложнее, чем выглядела на первый взгляд. Например, можно подключить автоматический сбор данных и обнаружить, что цифры не совпадают с ручными отчетами. В этом и других похожих случаях приходится разбираться в ситуации и искать нешаблонные решения. В статье расскажу о трех нестандартных кейсах и покажу, как мы их решали.

К нам обратилась компания, которая занимается доставкой готового правильного питания в Москве и Подмосковье. Сервис работает по подписке: человек выбирает тариф на месяц, оплачивает и получает блюда в определенное время. В 2020 году бизнес активно расширялся, поэтому появились новые каналы продвижения и увеличились бюджеты на продвижение. Компания хотела разобраться, какая реклама приносит прибыль и как лучше масштабироваться. А еще они хотели вдвое увеличить количество постоянных клиентов.

Какую проблему мы обнаружили. Для аналитики клиент использовал модели атрибуции — инструмент, который помогает определить какому рекламному каналу присвоить доход от продажи. В отчетах можно увидеть, какая реклама приводит покупателей, а где бюджеты тратятся впустую.

У компании работало две модели — First Click и Last Click:

🌚 First Click, или «первый переход», — доход от продажи присваивается первому каналу в цепочке касаний с клиентом. Если пользователь увидел таргетированную рекламу, перешел на лендинг и подписался на рассылку, доходным каналом будет считаться таргет. First Click помогает компаниям отследить, из какого канала приходит больше всего новых клиентов.

🌝 Last Click, или «последний переход», — доход от продажи присваивается каналу, который привел к целевому действию. Пользователь видит таргетированную рекламу, идет на лендинг, подписывается на рассылку и после заказывает доставку по ссылке из письма. В этом случае доходным каналом будет считаться только рассылка.

Когда количество рекламы увеличилось, существующие модели атрибуции стали неэффективны. Например, отчеты показывали, насколько окупается таргетированная реклама, но не промежуточные касания, которые влияли на решение о покупке.

Маркетинговый отдел компании собирал аналитику вручную в Google Sheets, отдельно по каждому рекламному каналу. На такую сложную работу хватало времени только раз в месяц, и данные теряли актуальность в процессе обработки. Это приводило к тому, что бизнес делал неверные выводы и неправильно распределял рекламные бюджеты. К тому же, при таком формате сбора данных, подключить новые модели атрибуции практически невозможно.

Как мы решили проблему. Мы внедрили кастомные модели атрибуции, настроенные под бизнес клиента. Они позволили анализировать все точки касания бренда с пользователями, а не только первое и последнее. Еще мы подобрали решения, которые помогли детально отслеживать эффективность рекламы. Например, для продвижения у блогеров ввели систему уникальных промокодов, чтобы быстро оценить окупаемость каждого блогера в отдельности. А также модель атрибуции с приоритетом «блогеры» — в цепочке касаний клиента этот источник имел больший вес, чем остальные.

Мы поняли, что клиентов, которые перестали делать заказы, через два месяца уже не «реанимировать» акциями и рассылками. Поэтому ввели атрибуцию «Last Click 60 дней»: если пользователь два месяца бездействует, система считает его неактивным и запускает воронку с нуля: присылает промокод на скидку для заказа пробного набора.

Мы автоматизировали сбор аналитики — отчетность обновляется раз в сутки. Так компания может оперативнее оценивать эффективность каналов продвижения. Ежемесячный анализ данных заменили когортным — по отдельным группам аудитории. Например, можно посмотреть, что делали клиенты, которые пришли из email-рассылки или через контекстную рекламу. Когортный анализ помогает лучше прогнозировать доход от покупателей, потому что подсвечивает схожее поведение пользователей внутри группы.

Какого результата добились. За год увеличили количество постоянных клиентов с 3500 до 9000 человек — больше, чем изначально планировала компания. Плюс теперь бизнес может быстро оценить эффективность рекламных каналов, потому что отчет обновляется каждое утро.

К нам пришел девелопер, который занимается строительством жилых комплексов в 12 регионах России. На момент обращения компания сотрудничала с восемью разными подрядчиками по рекламе, каждый из которых отвечал за несколько проектов. Рекламные агентства работали отдельно друг от друга, и девелоперу приходилось собирать единый отчет и анализировать эффективность с помощью UTM-меток

UTM-метка — уникальный тег в адресе ссылки, который позволяет понять, откуда пришли потенциальные клиенты.

Как это работает. В Москве построили новый ЖК, и девелопер запускает кампанию в ПромоСтраницах. Перед публикацией статьи в ссылку добавляют UTM-метку, и в отчете видно, сколько человек перешло на сайт именно после прочтения материала. В итоге понятно, как отрабатывает конкретно этот рекламный канал.

Какую проблему мы обнаружили. Маркетинговый отдел вручную собирал информацию от агентств в Excel-таблицы. Процесс был трудозатратным, поэтому данные сводили не чаще двух раз в месяц. За это время информация устаревала, и оценить эффективность рекламы было невозможно.

Мы решили настроить автоматизированную систему сбора данных и объединить сведения обо всех рекламных кампаниях, но столкнулись с неожиданной проблемой. Каждое агентство называло UTM-метки в отчетах по-разному. Если источником трафика был таргет во ВКонтакте, одни указывали в системе веб-аналитики «ВК таргет», а другие — VK Ads. Во время ручной сборки маркетологи клиента корректировали эти различия, но если автоматизировать процесс, в итоговый отчет попадут все названия без правок и путаницы станет больше.

Как мы решили проблему. Со всеми агентствами договорились о единых наименованиях для рекламных кампаний и метрик. Для удобства ввели конструктор для создания UTM-меток — таблицу в Google Sheets, где для создания тега нужно заполнить обязательные поля. Главное преимущество конструктора в том, что выбор параметров возможен только из закрепленного списка. Такой подход позволяет избежать ошибок ручного ввода данных.

Какого результата добились. Информация об эффективности рекламных кампаний обновлялась ежедневно. Девелопер сократил количество ошибок и нестыковок в отчетах, а еще с новыми UTM-метками успешные рекламные каналы можно масштабировать. Например, провести когортный анализ или подключить новые модели атрибуции.

За сквозной аналитикой пришел бренд витаминов, который продвигает продукт в основном через блогеров. Когда компания собирала данные и сводила отчеты вручную, сотрудники часто ошибались и делали неправильные выводы о том, какая реклама приносит прибыль, а какая не окупается.

Какую проблему мы обнаружили. На момент обращения аналитика в компании работала так: маркетолог в отдельной табличке смотрел, сколько бизнес потратил на продвижение, а потом проверял продажи по UTM-меткам и данным из CRM-системы. Информацию вручную собирали в общий отчет и проверяли, у какого блогера реклама наиболее эффективная. Такая аналитика занимала много времени и не учитывала ситуации, когда клиент видел рекламу сразу у нескольких блогеров.

Как мы решили проблему. После внедрения сквозной аналитики обнаружили ошибку: стоимость рекламы в ручных отчетах была ниже, чем показала наша система. Клиент начал сверять сырые данные с результатами сквозной аналитики и тоже обнаружил серьезные расхождения в цифрах. Свести всю информацию воедино в такой ситуации невозможно.

Выяснилось, что сотрудники компании вносили данные в отчеты несвоевременно: сегодня указали информацию о заказах, а через неделю — о количестве переходов на сайт. Все нестыковки в цифрах правили вручную, что приводило к ошибкам в расчетах бюджета на рекламу. Компания не могла оценить, какой блогер приносит прибыль, а с кем работу лучше приостановить.

Мы придумали кастомное решение: система сквозной аналитики записывает все действия клиента до покупки. В отчете компания может посмотреть, какое касание и с каким блогером привело к продаже. Автоматизированный сбор данных учитывает также перетекание клиентов между блогерами — можно отследить, кто лучше привлекает новых людей, а кто быстрее прогревает до покупки.

Какого результата добились. Компания посчитала стоимость рекламы, смогла грамотно распределить бюджет и исключить блогеров, которые не приносили прибыли. Благодаря визуализированным маркетинговым отчетам компания понимает, куда тратятся средства и как ведут себя покупатели: от первого касания с рекламой до заказа.

Сквозная аналитика всегда внедряется под цели бизнеса, и иногда нужно нестандартное решение из-за особенностей продвижения. Например, внедрить дополнительные модели атрибуции, которые в компании раньше никогда не использовались. Или отследить весь путь клиента, даже если он очень длинный. Если ищете решение для своего бизнеса, переходите на сайт и оставляйте заявку на консультацию — подберем для вас индивидуальную аналитику.

Как думаете, нужно ли так заморачиваться со сквозной аналитикой и стоит ли она своих денег? Делитесь мнениями в комментах