Настройка сквозной аналитики для компании с длинным циклом производства: кейс из Австралии
До обращения к нам Payless Promotions вели только бухгалтерский учет без отслеживания маркетинговых кампаний. Мы обеспечили им структурированное хранилище данных, систему для сквозной аналитики с учетом особенности бизнеса. Теперь в компании могут принимать решения на основании данных об источниках трафика и затратах на них.

Payless Promotions

- 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:
- Оформление заявки на сайте (через чат, форму заявки, обратный звонок).
- Просчет финальной стоимости заказа менеджером.
- Переговоры с клиентом и утверждение заказа.
- Товар изготовлен и отгружен клиенту.
- 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:
- 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).
- 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:
- При оформлении заказа не понятна его стоимость. В процессе обсуждения с менеджером может меняться объем заказа.
- Исполняемость заказа варьируется.
- 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.
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.
- Из CRM с помощью коннектора раз в неделю выгружаются данные о продажах, в которых есть поля по источникам трафика (пометка под SourceBuster).
- Аналогично из Google Analytics раз в неделю выгружаются данные об источниках трафика с полями: дата, источник/канал, клики, сессии, затраты.
- 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