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:
Все отчеты, представленные в статье, составлены на тестовом наборе данных.
Сквозную аналитику мы построили на связке OWOX BI — Google BigQuery — Power BI. Схематично это выглядит так:
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.
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.
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.
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.
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.
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.
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.
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.
Content Will Israel Invade Gaza? Tips On How To Time A Thai Bride? Chinese brides…
Content #5 Matchcom How A Whole lot Bridesagencycom Mailbox Order Brides Cost? Odds Of Profitable…
The boardroom is the place where main decisions are manufactured that affect everyone coming from…
avast free of charge antivirus runs your PC designed for malware, spyware, phishing, ransomware, adware,…
Online Info Room and SSL A data room is a cloud answer made especially for…
Free casino slot games refer to any online or offline slot games where you are…