Настройка сквозной аналитики для компании с длинным циклом производства: кейс из Австралии

Payless Promotions

Производство брендированной продукции под заказ

---

• Год основания 2000
• СфераB2B
• ГеографияАвстралия

Задачи 

Задача, которую поставил перед нами Клиент — настройка сквозной аналитики, для того чтобы видеть в единой системе данные для анализа эффективности маркетинговых инвестиций. 

Для определения ROAS (рентабельность инвестиций в рекламу), система должна содержать в едином интерфейсе три ключевых показателя:

• источники трафика
• затраты по источникам трафика (в разрезе групп, кампаний, ключевых слов и др.)
• количество лидов, выполненные заказы и доходы по ним. 

Главная сложность задачи заключалась в том, что между днем получения заказа и датой, когда можно зафиксировать прибыль, проходило в среднем 40-60 дней. Из-за этого невозможно было стандартными средствами e-commerce оценить окупаемость инвестиций в рекламу. 

На сайте нет традиционного для e-commerce пути покупки товара, так как это кастомный продукт, который изготавливается под потребителя. Конечная стоимость зависит от количества, материала, фактуры, стоимости доставки и других характеристик товара. 

Сделка состоит из следующих этапов: 

1. Оформление заявки на сайте (через чат, форму заявки, обратный звонок).
2. Просчет финальной стоимости заказа менеджером.
3. Переговоры с клиентом и утверждение заказа. 
4. Товар изготовлен и отгружен клиенту. 
5. Компания фиксирует прибыль по заказу.

Между третьим и четвертым этапом могло пройти до 60 дней. При этом Клиент не мог отнести в прибыль этот заказ до момента его отгрузки. Образовывались несколько временных промежутков: 

1. Между затратами на трафик и получением прибыли по заказу (затраты на привлечение покупателя Клиент понес сегодня, а данные по выполненному заказу оказались в аналитике через месяц).
2. Между заявкой и выполнением заказа.

Данные о заказах

В начале проекта у компании отсутствовала единая система, которая бы содержала необходимые нам структурированные данные. 

Данные о продажах хранились в 2 системах: Suite CRM — для регистрации заявок; Zebra — учетная система для производства (аналог 1С).

Клиент получал данные о своей финальной маржинальности из Zebra. Между собой системы не обменивались информацией.

Трафик

Данные о трафике собирались в Google Analytics, в котором были настроены только базовые цели. Электронная коммерция не была настроена.   

Решение 

Внедрение аналитики решили разделить на 2 этапа.  

1 этап  

Настройка Google Analytics, стриминг данных о затратах с помощью OWOX BI.
Google Ads связали с Google Analytics, данные поступали по прямой связи. Использовали OWOX Bi для того, чтобы передавать данные из Bing и Facebook Ads.

Настройка передачи данных о выполненных заказах в Google Analytics по Measurement Protocol. В этом кейсе данные совпадают только по источнику/каналу/кампании и есть значительное расхождение во времени. 

В случае Клиента настроенный e-commerce всегда будет давать данные со смещением в отчетах. На это есть несколько причин:

1. При оформлении заказа не понятна его стоимость. В процессе обсуждения с менеджером может меняться объем заказа.
2. Исполняемость заказа варьируется. 
3. В процессе покупки клиент может редактировать составляющие заказа. 

Мы реализовали передачу данных через Measurement Protocol заведомо зная об этой особенности. Даже при отправке данных через Measurement Protocol из-за логики работы системы заказ привязывается не к дате сессии, а к дате отправки запроса в Google Analytics. 

Приняли такое решение, потому что Клиент был согласен оценивать данные в Google Analytics на основе периода в 1 квартал.

Расчет рентабельности инвестиций и маркетингового ROI

3. Внедрение скрипта SourceBuster

Внедрили скрипт SourceBuster на все формы и чаты на сайте. 

Для каждой заявки в CRM-системе Клиента сохранялись данные с таким набором полей: 

• источник (source)
• кампания (medium)
• группа объявлений (ad group)
• ключевое слово (term)
• версия объявления (content) 
• техническая информация для работы Measurement Protocol
  (Google Analytics clientid, IP, User-agent браузера).

По этой причине мы применили водопадную логику (последовательную проверку). В момент получения заказа система проверяла, есть ли у нас карточка этого покупателя. Если есть, знаем ли мы источник привлечения. Совместно с Клиентом приняли решение атрибуцировать все заказы к первоначальному источнику, который привел клиента, независимо от того, первый это заказ или повторный. Данные из SourceBuster записывались в карточку лида и передавались в сущность заказа (job), а далее в карточку клиента (аccount) в СRМ.

В итоге мы получили сводный отчет для CRM c такими данными: 

• id заявки (lead)
• дата создания лида
• id заказа (job), который привязан к id заявки
• поля SourceBuster
• статус заказа
• оборот по заказу
• прибыль по заказу.

Этих данных уже достаточно для быстрой оценки вклада источников трафика в лиды и заказы. 

2 этап 

Объединение данных на основе экспорта из CRM и Google Analytics 

Наша задача заключалась в том, чтобы объединить в одном интерфейсе данные о затратах, окупаемости и трафике на конкретную дату. 

Мы использовали упрощенный принцип когортного анализа. Данные уточняются со временем и можно оценивать окупаемость когорты по дате наступления затрат на трафик.

То есть в августе можно четко проанализировать прибыль от рекламных инвестиций за май. 

Архитектура сводного ROAS отчета

Процесс формирования итогового ROAS отчета выглядит следующим образом. 

1. Из CRM с помощью коннектора раз в неделю выгружаются данные о продажах, в которых есть поля по источникам трафика (пометка под SourceBuster).
2. Аналогично из Google Analytics раз в неделю выгружаются данные об источниках трафика с полями: дата, источник/канал, клики, сессии, затраты.
3. С помощью массивных преобразований формируются 2 таблицы, которые соединяем по ключу «дата/источник/канал/кампания/»

• из GA берем данные о затратах и трафике на дату
• из CRM берем данные о заявках (лидах) на дату и последующих выполненных заказов с данными о прибыли.

Подготовленный экспорт из Google Analytics после преобразований выглядит так:

Результат 

До обращения в агентство. Клиент вел только бухгалтерский учет. Он брал потраченную сумму на маркетинг, делил ее на полученную прибыль и примерно видел общую маркетинговую окупаемость. На основе этих данных было невозможно принимать решения на уровне источника или кампании. 

Итоговый отчет:

После наших работ. Клиент начал проводить качественную оптимизацию своих рекламных кампаний по параметрам, которые он раньше не отслеживал: Cost Per Lead, Сost Per Order, ROAS и доля рекламной кампании в общей полученной прибыли.

Подключив сквозную аналитику Клиент смог детализировать анализ до уровня группы объявлений и ключевого слова. Клиент начал работу над оптимизацией кампаний в Google Ads. Он увидел, например, что в рамках одной группы объявлений есть смешанный спрос — запросы коммерческие (B2B) и конечных потребителей (B2C). Принял решение снижать ставки на кампании и группы, которые не окупились за квартал. 

Клиент получил структурированное хранилище данных, систему для сквозной аналитики с учетом особенности бизнеса, которая является точным инструментом по принятию решения об источниках трафика и затратах на них. 

Нужна эффективная аналитика?

Мы знаем, как настроить ее под твои потребности

Узнай подробнее или смотри портфолио по услуге