Как автоматизировать маркетинговую отчетность в ресторанном бизнесе

На сегодняшний день в Москве работают 57 ресторанов «Тануки» и служба доставки. Кроме того, бренд теперь предлагает блюда не только японской кухни, но и итальянской. В связи с масштабированием и диверсификацией бизнеса перед отделом маркетинга встали новые задачи:

• Понимать, какие рекламные активности приводят новых пользователей на сайт и в мобильное приложение и сколько стоит привлечение клиента. Чтобы решить эту задачу, нужно было объединить данные сайта, мобильного приложения и CRM-системы.

• Получать оперативные отчеты по продвижению и сравнивать план-факт и план-прогноз. Для этого требовалось автоматизировать маркетинговую отчётность.

• Оценивать инкрементальный эффект от влияния медийных показов на performance-каналы и целевые действия на сайте и в приложении. Это требовало объединения сырых данных на уровне client ID c показами из Campaign Manager.

Дальше расскажем о том, как решили кажду из этих задач и дадим несколько советов тем, кто только начинает путь к автоматизации маркетинга:

• Объедините данные сайта, мобильного приложения и CRM-системы.

• Создайте атоматические отчеты.

• Настройте post-view аналитику.

Все отчеты, представленные в статье, составлены на тестовом наборе данных.

Объедините данные сайта, мобильного приложения и CRM-системы

Сквозную аналитику мы построили на связке OWOX BI — Google BigQuery — Power BI. Схематично это выглядит так:

Данные импортируются в хранилище, обрабатываются там и визуализируются на дашборде

OWOX BI импортирует данные о расходах из всех рекламных систем, а также сырые данные сайта из Google Analytics и данные приложения из AppsFlyer. Все это он передает в Google BigQuery.

В Google BigQuery также подгружаются прогнозные метрики, которые специалисты на стороне агентства рассчитывают в интерфейсе с использованием языка R.

Внутри Google BigQuery происходит обработка и объединение данных — используются представления и scheduled queries.

Наконец, данные визуализируются в Power BI.

Создайте автоматические отчеты

Мы сфокусировались на трех отчетах, благодаря которым можем отследить нужные метрики:

• Базовый управленческий отчет по системе balanced scorecard.

• Отчет по привлечению пользователей на сайт.

• Отчет по привлечению пользователей в приложение.

Рассмотрим подробнее каждый из них.

Базовый управленческий отчет по системе balanced scorecard

Чтобы определить, на какие метрики в каких случаях мы будем ориентироваться, разработали Impact matrix — иерархию метрик. Также использовали методологию balance scorecards, чтобы мониторить прогнозные данные. В итоге получили отчет, который позволяет:

• понимать, какие метрики опережающие, какие — отстающие;

• отслеживать основные KPI, которые имеют разный вес для бизнеса (СРО, CR, Revenue, CTR);

• прогнозировать KPI.

В архитектуре отчета можно выделить три уровня: уровень бизнеса, уровень KPI и уровень детализации.

Уровень бизнеса

На этом уровне мы видим план-факт ключевых бизнес-параметров.

Из данных выше можем сделать вывод, что KPI по CR перевыполняется на 43%. При этом объемы трафика и конверсий не доходят до плановых значений. Высокий CR может свидетельствовать о хорошем UX сайта и приложения — происходит мало «отвалов», пользователи хорошо конвертятся. Однако необходимо наращивать объем привлекаемого трафика, чтобы обеспечить нужный объем продаж.

Уровень KPI

На основании отчета по уровню KPI анализируем эффективные и неэффективные размещения с точки зрения CR и стоимостных показателей — это позволяет нам оперативно сплитовать бюджет между каналами для выполнения общего плана.

Отчет иллюстрирует верхнеуровневое соответствие плановых и фактических KPI (CR, Визиты, Доходы, Транзакция) прогнозным значениям. Например, видно, что план по объему трафика в целом на сайте не выполняется, но это нивелируется более высоким CR у органики и прямого трафика. Соответственно, необходимо повысить CR платного трафика (тип CPC) за счет более активной оптимизации или повышения цены закупки. Возможно, также требуется увеличить закупку платного трафика в принципе для выполнения общего плана по трафику.

Уровень детализации

На этом уровне мы смотрим динамику показателей по регионам и типам устройств — это тоже помогает нам перенаправлять бюджет с того, что работает хуже, на то, что работает лучше.

Из данных выше можно сделать вывод, что план по общему количеству транзакций и CR на заданный период анализа не выполняется на 5,5%. При этом и десктопный, и мобильный трафик демонстрируют приблизительно одинаковую тенденцию отставания по объему конверсий (десктоп отстает на 5,7%, мобайл — на 5,6%). Соответственно, оба типа устройств приносят примерно равное количество конверсий, но для принятия решения по оптимизации нужно проанализировать трафик в разрезе CR.

Здесь видим, что в декабре самый низкий CR демонстрируют мобильный трафик (1,8%) и планшеты (2,8%). Так как мобильный трафик приносит примерно то же количество конверсий, что и десктопный, а стоит, вероятно, дешевле, то можно попробовать оптимизировать мобильный трафик, закупая более качественный, чтобы повысить его CR.

Этот график иллюстрирует план выполнения открута трафика по городам. Обладая информацией об объемах закупки, можно делать выводы о том, где такой недокрут является критичным и сказывается на эффективности всех кампаний.

Автоматические отчеты по привлечению новых пользователей на сайт и в приложение

Благодаря этим отчетам мы смогли разделить все покупки на новые и повторные. Такое деление позволило исключить аудиторию с повторными покупками из кампаний по новым — тем самым мы снизили CPO по всем каналам. Теперь мы видим статистику в разрезе каналов по повторным и новым пользователям одновременно, понимаем, какие источники драйвят больше новых заказов и сплитуем бюджет в их пользу. В источниках, где преобладают повторные покупки, мы снижаем бюджет — тем самым снижаем и общий запланированный CPO.

Кстати, основные KPI в этих отчетах рассчитываются по данным из CRM.

Отчет выше дает понимание, что наибольшее количество новых покупок по всему привлеченному трафику с площадки приводят inst_kz (81,82%), Facebook Ads (43,45%), mobrain_int (31,25%) и gomobile_int (30,38%). Так как в целом у компании активная база лояльной аудитории и высокий процент покрытия рынка, то понятно, почему некоторые площадки приводят по рекламе тех потребителей, которые уже хотя бы раз совершали заказ в приложении. Для большей эффективности и выполнения KPI именно по привлечению новых покупателей можно пробовать исключать активную по CRM аудиторию в настройках РК, а также запускать промоакции для новых клиентов.

Здесь мы видим, что более половины десктопного трафика по всем группам каналов — повторные покупатели. Это говорит о значимости работы с лояльной базой и наращивании retention.

Настройте post-view аналитику

Благодаря post-view аналитике можно оценить вклад медийной активности в количество заказов.

Статистика по показам подтягивается в BigQuery из Google Campaign Manager и детализирована вплоть до отдельного пользователя (client ID). В отчете сравниваются сегменты тех, кто видел, и тех, кто не видел медийную рекламу. В итоге мы можем оценить инкрементальный эффект медийных показов на performance-каналы и целевые действия на сайте и в приложении.

Так, например, мы узнали, что конверсия в заказ у тех, кто видел видеоролики и баннеры, на 42% выше, чем у тех, кто не видел их. За счет post-view аналитики мы также определили, что аудитория тех, кто видел медийную рекламу, дала прирост по доходу в 2 раза.

В будущем мы планируем развивать кросс-платформенную отчетность. Первым шагом намечена оценка влияния веб-трафика на конверсии в приложении посредством связки данных мобильного приложения и сайта. Такая отчетность позволит сформировать более полное понимание ценности рекламных каналов и оценить их влияние друг на друга. Также это даст возможность принимать управленческие решения о развитии каналов взаимодействия с клиентами и корректировать стратегию маркетинговой коммуникации.

Источник статьи