Внедрение сквозной аналитики для e-commerce проектов Aristos

Вадим Симонов и Евгения Козлова рассказывали, как внедряли сквозную аналитику в группе компаний Aristos на одном из наших бизнес-завтраков. Видео с выступления доступно по ссылке.

Как Aristos осознали, что им нужна сквозная аналитика?

На данный момент под управлением компании находится 20 монобрендовых магазинов. Все основные маркетинговые активности по привлечению трафика Aristos ведут силами собственных специалистов.

Основные KPI - это продажи и маржинальность от этих продаж. Такой подход позволяет избежать “слива” бюджета и необходимость соблюдения “вспомогательных” KPI, таких как количество показов, кликов, CPC и т.д.

Флагманским проектом компании является интернет-магазин бренда PHILIPS.

Быстрый рост группы компаний привёл к тому, что на подготовку отчётов по маркетинговым активностям стало уходить слишком много времени. В связи с этим перед командой встала задача по оптимизации процесса подготовки данных для быстрого анализа.

С чем столкнулись на старте?

  1. Большое количество рекламных кабинетов (Яндекс.Директ, Google Ads, MyTarget, VK, Facebook), а также непопулярные рекламные кабинеты, откуда данные приходится собирать руками или писать собственные решения.
  2. Данные Google Analytics не отражали реальной картины. Например, используемые триггерные механики на сайте и системы лидогенерации перебивали источник трафика. При просмотре статистики с атрибуцией “последний непрямой клик” в Google Analytics отображается, что заказы идут с автоматических email-рассылок. Однако мы понимаем, что клиент, который попал в эту триггерную цепочку - был изначально приведен не этой триггерной цепочкой, а другим источником трафика.
  3. Исходя из предыдущего пункта - стандартные модели атрибуции не всегда подходят.
  4. Маркетинг и бизнес смотрят на деньги, которые находятся на разных этапах воронки. Если для маркетинга важна дата создания заказа, то бизнесу дата его отгрузки.

Это приводило к тому, что маркетинг видел продажи, к примеру, на 1 миллион рублей, а в отчете по отгрузкам их только на 500 тысяч рублей. Почему возникала такая разница в цифрах?

  • Отложенные отгрузки (Например, заказ ждет клиента в шоу-руме)
  • Заказы висят в обеспечении (ждут укомплектования по причине отсутствия части товаров на складе)
  • Сами клиенты просят отправить заказ позже

Стандартные решения не позволили корректно отображать эти данные, что послужило дополнительной причиной для поиска альтернативных решений.

Поиск решений:

1) Первым решением было собрать все данные в Google Analytics, что является достаточно частым кейсом. Однако данный способ не подошёл из-за потерь 10-30% данных. 

Причина в том, что в Safari cookie хранятся не более 7 дней. В новом FireFox Google Analytics блокируется автоматически. Всё популярнее становится AdBlock. Из-за этого данные в GA не собираются. 

Также предпринимались попытки отправить данные с помощью Measurement Protocol, но данное решение не подошло, к тому же мы не можем таким образом передать все данные о заказе.

2) Следующей идеей стало самописное решение на основе Python, BigQuery и PowerBI. Использовались готовые коннекторы к рекламным системам, а также писали свои. Собранные данные отправляли в базу данных BigQuery и затем визуализировали в PBI.

Минус данного подхода в том, что необходим высокий уровень экспертности для написания и поддержки такого продукта. И когда компанию покидает человек, который строил подобную систему, то через пару месяцев она начинает ломаться из-за смены API у рекламных систем, смены схемы данных в CRM и т.д. Для Aristos нецелесообразно держать в штате специалистов, которые будут поддерживать данную систему на постоянной основе.

3) Отчаявшись, было решено пойти на крайние меры и собрать всё в Google Таблицах. Но и здесь возникли проблемы:

  • Тяжело подгружать данные в реальном времени
  • Некоторые данные приходится связывать вручную
  • Большой риск утечки данных и ошибок

4) В конечном итоге решили искать готовое решение.

Как выбирали подрядчика:

Были рассмотрены разные варианты решений, рассмотрев каждое из них команда Aristos пришла к следующим выводам:

Частные эксперты с решениями “под ключ”

Решения, которые предлагают частные эксперты - чаще всего та же самая связка, которую Aristos пытались реализовать самостоятельно (Python - BiqQuery - PowerBI). Они всё это настраивают и дальше поддерживают.

Однако данный подход предполагает передачу всех бизнес-данных частным специалистам. Да, можно подписывать NDA, но тем не менее данные всегда могут “уйти”, либо люди их могут использовать в своих личных целях. А если эксперт решит поменять свой профиль деятельности, то компания останется с решением, которое через некоторое время может перестать работать.

Частные компании с решениями “под ключ”

Этот подход похож на предыдущий, но по стабильности выше, т.к. если в такой компании уволится сотрудник, который вёл наш проект, то проект будет передан другому сотруднику и параллельно будет осуществляться поиск нового человека.

OWOX

В Aristos рассматривали данное решение, но очень быстро от него отказались из-за цены.

В итоге выбор остановился на K50:BI

Для расчёта стоимости внедрения было необходимо определиться с видением конечного продукта. В попытках выяснить, что же Aristos хотят получить в конечном итоге, они осознали, что попали в стандартную “западню”:

  • Нужно видеть как можно больше данных;
  • Но непонятно, что же там должно быть.

Эта ситуация, с которой рано или поздно сталкиваются все. Сейчас все говорят про сквозную аналитику, про автоматизированную отчётность, но в реальности не все знают, какие данные они хотят получать и анализировать.

Как решили двигаться дальше?

Мы определили программу минимум:

  • Взять те данные, что уже анализировали “на коленке”
  • Предусмотреть возможность расширения функционала системы, чтобы заранее собирать всю необходимую информацию

В К50:BI за дополнительную плату возможно создание любого коннектора, на старте Aristos был необходим коннектор Яндекс.Маркета, который был реализован.

По другим коннекторам было принято решение взять паузу, т.к. по мелким рекламным системам достаточно просто выгрузить данные вручную.

Как выглядит итоговая модель данных?

  • Важным моментом является то, что в Aristos внедрена собственная система определения источника заказов:
  • Данные по атрибуции, для заказов которые присутствуют в обеих системах, отличаются от Google Analytics на 2%.
  • В Google Analytics отслеживается меньше заказов (на 15%).
  • Вероятность, что AdBlock будет блокировать самописную систему - крайне мала.

Данные, которые забирали из CRM:

  • дата создания заказа;
  • дата отгрузки;
  • текущий статус;
  • вид оплаты;
  • регион;
  • тип клиента;
  • тип заказа и т.д.
  • данные по составу корзины

Создание отчёта

1) Сбор данных

Данные грузились из следующих систем: 

Снимок экрана 2020-03-05 в 12.03.22.png 2) Обработка и сопоставление данных

  • Преобразование данных к единому формату (расходы, даты и т.д.);
  • Объединение данных по ключевым полям (дата, id кампании);
  • Прогноз бюджета на основе исторических данных.

3) Визуализация

4) Масштабирование отчётности на другие проекты

Подводные камни

Расхождение данных в отчёте:

1) В исторических данных данные по UTM-меткам передавались некорректно, например знак вертикальной черты “|” передавался в виде закодированных символов, из-за чего не все заказы были сопоставлены на начальном этапе. Аристос решили данный вопрос на свой стороне, чтобы обеспечить точное сопоставление в будущем.

2) Не были сопоставлены данные из CRM c данными из рекламных систем, если дата показа объявления и дата заказа отличались. Т.к. таких заказов очень мало, то на данном этапе решили обойтись системой мониторинга.

3) В отчете было необходимо было рассчитать уникальное количество пользователей. Если для этого использовать метрику по количеству пользователей, которую можно загрузить из Google Analtyics - то не получится строить сводные, т.к. уникальных пользователей складывать нельзя.

Для корректного расчёта мы добавили группировку с ClientID и стали рассчитывать количество пользователей на стороне К50:BI.

Аналитика заказов

Данный дашборд позволяет отслеживать общие тенденции на основании данных по заказам. 

rgdg.png На главную страницу дашборда выведены следующие показатели:

  Данные по заказам 

  • Все заказы, которые есть в CRM
  • Количество заказов с известным источником трафика
  • Доставленные
  • Отменённые

  Данные о распределении затрат и заказов по источникам трафика

  Типы доставки и оплаты

  Динамика

  • Оборот
  • Заказы
  • Затраты
  • AOV (средний доход с каждого посетителя)
  • ДРР

Динамика по обороту, заказам и рекламным затратам

Для более глубокой аналитики используются детализации в табличном виде. 

image3.png В данном случае используется простой срез на уровне источников трафика  с разбивкой по неделям с указанием основных KPI.

Как это работает на практике?

Первый этап визуализации был спроектирован внутри Aristos.

Следующий этап обсуждался с руководителями подразделений, какие визуализации и данные необходимо добавить под их потребности.

Система позволяет увидеть всплеск отменённых заказов. В какой-то период увидели зависшие заказы, которые почему-то не отгружаются.

Можем быстро посчитать сколько было отправок с бесплатной доставкой.

Утром за чашкой кофе любой из руководителей может посмотреть “сверху” на проект и проконтролировать динамику по расходам и прибыли без необходимости запрашивать эти данные у специалистов и без ожидания формирования отчёта.

Что дальше?

В планах добавить новые визуализации:

  • Отчет по категориям / товарам - какую долю они занимают в общем количестве продаж и рекламных расходов.
  • Просмотры из GA vs Продажи по товарам - сопоставление продаж товаров с просмотрами, которые считает расширенная электронная торговля Google Analytics
  • Группировка кампаний по вхождению слов - мы используем стандарты для названий рекламных кампаний, что позволяет делать дополнительные срезы на их основе. Это позволит быстро разбить кампании по типу размещения, рекламируемым брендам, регионам размещения и т.д.
  • Данные по отгрузкам - задача показать зависимость и динамику между созданными и отгруженными заказами. В нашем случае частой бывает ситуация, когда больше ⅓ заказов, привлечённых в одном месяце отгружаются в следующие месяцы.
  • Когорта по отгрузкам - для контроля распределения заказов.
  • Когорты по покупателям ltv, retention 

Сейчас данный отчёт используется для 3 магазинов и мы планируем его масштабировать.

Вадим Симонов
Вадим
Симонов
Руководитель отдела маркетинга и рекламы Aristos
Для внедрения сквозной аналитики в наш маркетинговый процесс мы попробовали разные способы и остановили выбор на К50. Ребята были готовы разработать для нас любой коннектор, а это было важно, т.к мы используем большое количество рекламных кабинетов и связать их без потери данных было непросто.

По сравнению с другими системами сквозной аналитики, у К50 отличное соотношение цены и качества.
После тестирования системы мы решили масштабировать сквозную аналитику на все наши проекты.

Хотите такие результаты?

Свяжитесь с нами для обсуждения проекта по улучшению ваших бизнес показателей +7 (495)565-30-31

Получайте новости первыми!

Подпишитесь на рассылку и получайте первыми
новости о сервисах К50 и мероприятиях