Налаштування наскрізної аналітики для компанії з довгим циклом виробництва: кейс з Австралії

Payless Promotions

Виробництво брендованої продукції на замовлення

---

• Рік заснування2000
• СфераB2B
• ГеографіяАвстралія

Завдання

Завдання, яке поставив перед нами Клієнт — налаштування наскрізної аналітики, щоб бачити в єдиній системі дані для аналізу ефективності маркетингових інвестицій. 

Для визначення ROAS (рентабельність інвестицій у рекламу) система повинна містити в єдиному інтерфейсі три ключові показники:

• джерела трафіку
• витрати за джерелами трафіку (у розрізі груп, кампаній, ключових слів та ін.)
• кількість лідів, виконані замовлення та доходи за ними. 

Головна складність завдання полягала в тому, що між днем отримання замовлення та датою, коли можна зафіксувати прибуток, проходило в середньому 40-60 днів. Через це неможливо було стандартними засобами e-commerce оцінити окупність інвестицій у рекламу. 

На сайті немає традиційного для e-commerce шляху купівлі товару, оскільки це кастомний продукт, який виготовляється під споживача. Кінцева вартість залежить від кількості, матеріалу, фактури, вартості доставки та інших характеристик товару. 

Угода складається з наступних етапів: 

1. Оформлення заявки на сайті (через чат, форму заявки, зворотній дзвінок).
2. Прорахунок фінальної вартості замовлення менеджером.
3. Переговори з клієнтом та затвердження замовлення. 
4. Товар виготовлений та відвантажений клієнту. 
5. Компанія фіксує прибуток на замовлення.

Між третім та четвертим етапом могло пройти до 60 днів. При цьому Клієнт не міг віднести на прибуток це замовлення до моменту його відвантаження. Утворювалися кілька часових проміжків: 

1. Між витратами на трафік та отриманням прибутку на замовлення (витрати на залучення покупця Клієнт поніс сьогодні, а дані про виконане замовлення опинилися в аналітиці через місяць).
2. Між заявкою та виконанням замовлення.

Дані про замовлення

На початку проєкту у компанії була відсутня єдина система, яка містила б необхідні нам структуровані дані.. 

Дані про продаж зберігалися в двох системах: Suite CRM – для реєстрації заявок; Zebra – облікова система для виробництва (аналог 1С).

Клієнт отримував дані про свою фінальну маржинальність із Zebra. Між собою системи не обмінювалися інформацією.

Трафік

Дані про трафік збиралися в Google Analytics, в якому було налаштовано лише базові цілі. Електронна комерція не була налаштована.   

Рішення 

Впровадження аналітики вирішили поділити на 2 етапи.

1 етап  

Налаштування Google Analytics, стрімінг даних про витрати за допомогою OWOX BI.
Google Ads пов’язали з Google Analytics, дані надходили по прямому зв’язку. Використовували OWOX Bi для того, щоб передавати дані з Bing та Facebook Ads.

Налаштування передачі даних про виконані замовлення в Google Analytics за Measurement Protocol. У цьому кейсі дані збігаються лише за джерелом/каналом/кампанією і є значна розбіжність у часі. 

У випадку Клієнта налаштований e-commerce завжди даватиме дані зі зміщенням у звітах. На це є декілька причин:

1. При оформленні замовлення незрозуміла його вартість. У процесі обговорення з менеджером може змінюватися обсяг замовлення.
2. Виконуваність замовлення варіюється. 
3. У процесі покупки клієнт може редагувати складові замовлення. 

Ми реалізували передачу даних через Measurement Protocol свідомо знаючи про цю особливість. Навіть при надсиланні даних через Measurement Protocol через логіку роботи системи замовлення прив’язується не до дати сесії, а до дати відправки запиту в Google Analytics. 

Ухвалили таке рішення, тому що Клієнт був згоден оцінювати дані в Google Analytics на основі періоду в 1 квартал.

3. Впровадження скрипта SourceBuster

Впровадили скрипт SourceBuster на всі форми та чати на сайті. 

Для кожної заявки в CRM-системі Клієнта зберігалися дані з таким набором полів: 

• джерело (source)
• кампанія (medium)
• група оголошень (ad group)
• ключове слово (term)
• версія оголошення (content) 
• технічна інформація для роботи Measurement Protocol
  (Google Analytics clientid, IP, User-agent браузера.

З цієї причини ми застосували водопадну логіку (послідовну перевірку). У момент отримання замовлення система перевіряла, чи маємо картку цього покупця. Якщо є, чи ми знаємо джерело залучення. Спільно з Клієнтом вирішили атрибутувати всі замовлення до первинного джерела, яке привело клієнта, незалежно від того, перше це замовлення чи повторне. Дані з SourceBuster записувалися в картку ліда і передавалися в сутність замовлення (job), а далі в картку клієнта (аccount) в СРМ.

У результаті ми отримали зведений звіт для CRM з такими даними: 

• id заявки (lead)
• дата створення ліда
• id замовлення (job), який прив’язаний до id заявки
• поля SourceBuster
• статус замовлення
• оборот на замовлення
• прибуток на замовлення.

Цих даних вже достатньо для швидкої оцінки вкладу джерел трафіку в ліди та замовлення. 

2 етап 

Об’єднання даних на основі експорту з CRM та Google Analytics

Наше завдання полягало в тому, щоб об’єднати в одному інтерфейсі дані про витрати, окупність та трафік на конкретну дату. 

Ми використовували спрощений принцип когортного аналізу. Дані уточнюються з часом і можна оцінювати окупність когорти за датою настання витрат на трафік.

Тобто у серпні можна чітко проаналізувати прибуток від рекламних інвестицій за травень. 

Архітектура зведеного ROAS звіту

Процес формування підсумкового ROAS звіту виглядає ось так.

1. Із CRM за допомогою конектора щотижня вивантажуються дані про продажі, у яких є поля за джерелами трафіку (помітка під SourceBuster).
2. Аналогічно з Google Analytics щотижня вивантажуються дані про джерела трафіку з полями: дата, джерело/канал, кліки, сесії, витрати.
3. За допомогою масивних перетворень формуються 2 таблиці, які з’єднуємо за ключем «дата/джерело/канал/кампанія/»

• із GA беремо дані про витрати та трафік на дату
• із CRM беремо дані про заявки (ліди) на дату та наступні виконані замовлення з даними про прибуток.

Підготовлений експорт із Google Analytics після перетворень виглядає так:

Результат 

До звернення до агентства. Клієнт вів лише бухгалтерський облік. Він брав витрачену суму на маркетинг, ділив її на отриманий прибуток і приблизно бачив загальну маркетингову окупність. На основі цих даних було неможливо приймати рішення на рівні джерела чи кампанії. 

Підсумковий звіт:

Після наших робіт. Клієнт почав проводити якісну оптимізацію своїх рекламних кампаній за параметрами, які він раніше не відстежував: Cost Per Lead, Сost Per Order, ROAS та частка рекламної кампанії у загальному отриманому прибутку.

Підключивши наскрізну аналітику, Клієнт зміг деталізувати аналіз до рівня групи оголошень та ключового слова. Клієнт розпочав роботу над оптимізацією кампаній у Google Ads. Він побачив, наприклад, що в рамках однієї групи оголошень є змішаний попит – комерційні запити (B2B) і кінцевих споживачів (B2C). Прийняв рішення знижувати ставки на кампанії та групи, які не окупилися за квартал. 

Клієнт отримав структуроване сховище даних, систему для наскрізної аналітики з урахуванням особливості бізнесу, яка є точним інструментом прийняття рішення про джерела трафіку і витрати на них. 

Чи потрібна ефективна аналітика?

Ми знаємо, як налаштувати її під твої потреби

Дізнайся докладніше або дивись портфоліо за послугою