Как увеличить прибыль на несколько миллионов рублей с помощью комплексной работы с данными?

Главное о кейсе

Мы создали комплексную автоматизированную отчетность. Она учитывает и обрабатывает данные по воронке продаж (от пользователя до договора) из всех маркетинговых каналов.
Клиент получил полностью управляемую и гибкую систему работы с данными, результаты расчетов которой можно легко проверить. Расчеты сегментов и атрибуции можно произвести с любой ретроспективой.
Клиент может использовать отчетность для детализированного анализа каждого элемента системы данных. Можно проверить на качество полученный контакт с рекламного канала, оценить работу менеджера колл-центра, который принимал звонок, увидеть продукт, которым интересовался клиент и даже прослушать запись разговора.
После оптимизации маркетинговой стратегии на основе получаемых данных выросло общее число целевых звонков и средний чек. ROMI увеличился на 22%.

В настоящее время клиент продолжает пользоваться разработанной нами системой. Отчетность дорабатывается с учетом наших предложений по расширению аналитических возможностей проекта. Например, добавление новых моделей атрибуции. В это же время оптимизируется performance-стратегия клиента, основной сайт клиента и посадочные страницы.

Бизнес-задача и ее решение

Задача.

Создать в компании управляемую и гибкую систему работы с данными, которая позволит принимать направленные на увеличение прибыли решения. Увеличить ROMI и прибыль компании.

Решение.

Бизнес оценивает эффективность своего маркетинга в ROMI (возврат маркетинговых инвестиций). Для правильной оценки необходимо понимать, какие рекламные каналы и при каких условиях приносят прибыль, а какие надо отключить из-за нерентабельности.

Для этого надо знать:

- ценность приведенного клиента;
- качество обращения;
- источник обращения.

Такие задачи особенно актуальны для оконной компании, у которой цикл сделки может составлять 1,5 месяца.

Исходные данные проекта.

1. 1С компании, в которой ведется учет клиентов, замеров и договоров, много раз перерабатывалась. Получить из нее правильные исходные данные сложно.
2. Ценность контактов разная: 44% пользователей совершает несколько контактов до договора.
3. В 15% случаев пользователь сначала совершает контакт в офлайне, а потом посещает сайт.
4. 29% пользователей совершают контакты с разных телефонных номеров.
5. Бизнес компании сильно зависит от изменений в замерах, договорах, статусе клиента. Необходимо создать систему обработки данных с возможностью быстрого пересчета параметров.
6. Данные в CRM-системе записываются не в моменте. На запись уходит до 3 дней.
7. Данные в CRM-системе уточняются по мере коммуникации с клиентом. В среднем приходится 3–4 правки на объект.
8. Постоянно вводятся новые параметры в CRM-системе, которые могут быть важны для анализа, но которые надо учитывать.

Мы решали поставленную задачу пошагово. Первая часть проекта – создать необходимую аналитическую базу. Вторая часть – провести аудит и оптимизировать стратегическое использование performance-каналов.

Для того, чтобы создать систему работы с данными, нам предстояло сделать несколько шагов. См. скриншот 1.

Когда мы работали над архитектурой аналитической системы, старались отталкиваться от ограничений, которые имеет Google Analytics. Например, нельзя:

- в атрибуции учитывать значимость обращения;
- учитывать в истории источники, ведущие не на сайт;
- менять User-ID с учетом исторических данных;
- чистить отчеты по timestamp, потому что нет репроцессинга;
- настроить более 20 пользовательских параметров.

Поэтому мы решили сделать интеграцию инструментов BI- и веб-аналитики, чтобы видеть полную пользовательскую воронку и корректно учитывать вклад каждого канала в получение дохода.

Затем предстояло разработать автоматизированную отчетность по воронке: пользователь, контакт, клиент, замер, договор с показателями конверсии воронки, ROI, прибыль в разрезе рекламных источников, кампаний, ключевых слов (если есть). Конечно, необходимо было при этом учесть возможность делать разрезы по CRM-данным, сопоставлять их с данными из Google Analytics, делать сегментирование по когортам.

Так выбор пал на BigQuery, потому что:

- это готовое решение для стриминга OWOX BI;
- BigQuery обрабатывает аналитические запросы за секунды;
- есть коннекторы для CRM-системы и визуализации (ODBC, API, JSON);
- благодаря SQL-синтаксису кривая обучения позволяет быстро подключать к проекту аналитиков; легко сделать бэкап.

Из интерфейса BigQuery видно, что данные разбиваются на датасеты и таблицы. В нашей системе мы построили несколько типов отчетов: некогортный отчет, когортный отчет, когортный отчет отдельно по новым пользователям. Выводим предварительно загруженные данные по каждому типу отчета в отдельные таблицы, чтобы они работали максимально быстро.

См. скриншот 2. На скриншоте видно важную особенность BigQuery – данные хранятся не в виде плоской таблицы, а в виде набора записей, Nested Records, каждая из которых может хранить массивы произвольной длины. В синтаксисе BigQuery предусмотрено несколько расширений к SQL, позволяющих эффективно работать с данными такого типа.

Мы настроили стриминг в BigQuery из всех источников. BigQuery позволяет «склеивать» первоначальную заявку с последующими хитами на сайте.

Чтобы визуализировать данные можно воспользоваться готовыми инструментами или сделать собственный. Изначально мы выбрали бесплатный вариант, чтобы, не тратя деньги клиента, оценить жизнеспособность и потенциал системы. После того, как стало понятно, что система отвечает запросу бизнеса, мы перешли на Tableau.

Шаг за шагом удалось объединить все данные по одному пользователю, а также очистить их от некачественных или повторных контактов. Кроме того, в BigQuery мы добавили офлайн-контакты: звонки с наружной рекламы, личные контакты в точках продаж.

Автоматизированная отчетность для клиента включает в себя 3 модели атрибуции и сегментацию по когортам. Теперь мы присваиваем атрибуцию, исходя из потребностей бизнеса, а не возможностей системы. Мы знаем, сколько времени необходимо пользователю на принятие решения до заключения договора.

По ключевым показателям работает система онлайн-дашбордов, включена система их мониторинга. Мы также выстроили логику детализации рекламных параметров (кампания, источник, посадочная страница) по данным CRM-системы (менеджер колл-центра, проданный продукт).

Теперь и за пределами веб-аналитики обнаружился ряд проблем бизнеса, которые можно решить. Например, мы смотрим на источники, эффективность менеджеров, слушаем звонки и перераспределяем менеджеров по источникам, исходя из потенциала контакта. Это значит, что менеджер колл-центра знает, какой именно контакт является наиболее теплым на текущий момент и может конвертироваться в договор.

Появилась возможность отслеживать весь путь пользователя от first contact до договора.

Было: см. скриншот 3.

Стало: см. скриншот 4.

В контекстной рекламе стало возможным перераспределение бюджета на источники и даже ключевые слова, которые приносят реальные договоры. При этом можно сократить долю расходов на дорогие источники, которые приносят столько же или меньше договоров.
Прибыль с контекстной рекламы выросла в 2 раза.

На этапе оптимизации маркетинговой стратегии для аудита текущих креативов и продакшна мы провели нейромаркетинговое исследование – ZMET (техника извлечения метафор Зальтмана). Его суть заключается в извлечении сознательных и особенно бессознательных реакций людей на определенный запрос заказчика через изучение невербальных или метафорических выражений респондентов. Оно позволяет выявить структуру образов, которые влияют на подсознательное восприятие представленного респондентам продукта. Визуализированные метафоры отражают основные неосознаваемые ориентиры и ключевые ценности целевой аудитории, выявляют их латентные реакции и мысли, помогают выстроить коммуникации на долгосрочный период.

Мы провели интервью с заказчиком и совместно сформировали требования к ЦА и запрос исследования – «замена окон». В соответствии с требованиями по ЦА были отобраны 12 респондентов (6 – женщин; 6- мужчин). За 2 дня до лабораторного исследования респондентов попросили подобрать ассоциативный ряд к словосочетанию «замена окон»: собрать набор картинок (от 8 до 12 – это могут быть фотографии, картинки из интернета, вырезки из журналов), которые в наибольшей степени соответствуют их мыслям, ощущениям или чувствам относительно продукта. При этом они должны были избегать непосредственного изображения окон.

Далее с каждым респондентом была проведена беседа в отдельном, изолированном помещении с аудиозаписью длительностью 1,5-2 часа. В ходе беседы с респондентом выяснялся скрытый смысл отобранных изображений и составленного из них коллажа.
После совместного интервью провели анализ полученных результатов. Вычленили общие паттерны мышления и специфические ассоциации.

Провели анализ страницы компании для выявления используемых метафор. Отобрали 12 компаний-конкурентов и проанализировали их официальные сайты для составления матрицы используемых ими метафор, сравнили с показателями респондентов. По итогам сравнения была просчитана в процентном соотношении частота использования ассоциаций респондентов на сайтах конкурентов. Проанализировали акценты, на которых выстроены коммуникационные стратегии конкурентов.

Выписали рекомендации, которые основаны: на выявленных потребностях ЦА; образах, используемых конкурентами на своих онлайн-ресурсах; паттернах, которые эффективны с точки зрения респондентов, но мало используются конкурентами.

Анализ исследования показал необходимость деления коммуникации (юзабилити сайта, изображения элементов интерфейса, изображения и посылы, скрипты колл-центра) на основе гендерных различий пользователей. Респонденты-женщины в 8 случаях из 10 делали акцент на образе, который практически не выявлен у респондентов-мужчин (NDA: performance-агентство Adventum не может открыто публиковать результаты исследования ZMET).
Мы соотнесли потребности респондентов и основные посылы компаний-конкурентов, выявили сильные расхождения в интерпретации целевых стимулов ЦА. Компании-конкуренты воспринимали цель пользователя как ознакомление с функциональными возможностями продукта и поиск наиболее выгодной цены. В то время как респонденты, не отрицая внимание к цене, указывали на значимость эмоциональных свойств продукта. Например, демонстрация связи с родными, значимость традиций и другие. Компании в свою очередь не используют потенциал таких образов в полную силу. См. скриншот ZMET.

Выбор наиболее релевантного, то есть наиболее соответствующего ожиданиям потребителей символического образа, облегчает коммуникации и способствует повышению их эффективности. Так, выстраивание прямой коммуникации «потребности/ценности ЦА – предложение» формирует позитивный опыт, эмоции. Результатом является рост лояльности, выстраивание доверительных отношений и увеличение частоты целевых обращений.

Ряд рекомендаций, составленных с опорой на данные исследования, находится на стадии внедрения. Среди них: реконструкция сайта, разработка новой серии креативов, оптимизация рекламных текстов (переориентация с описания процесса на описание результата и акцент на эмоциональную составляющую), четкая сегментация аудитории по гендерному признаку (касается текстовых и визуальных креативов) и другие.

Прочая информация о кейсе

Сложная сквозная аналитическая система, которая позволила кардинально пересмотреть performance-стратегию в компании.