Аналитика для онлайн-бизнеса

Сегодня мы поговорим о том, как настраивать аналитику для бизнеса, рассмотрим максимально полный пример, основные инструменты и необходимые параметры, которые мы собираем. Также будет несколько кейсов и подсказок по тому как определить что нужно настраивать конкретно в вашем случае.

Давайте вначале определим что же такое аналитика и зачем она нам нужна.

Какова основная цель аналитики?

Увеличение прибыли

Основная цель – увеличение прибыли. Не считать сколько заявок, не понять сколько у нас трафика, ведь это все вспомогательные цели, которые помогают нам понять самое главное: увеличить прибыль компании. Увеличивается она за счёт того, что аналитика предоставляет данные на основании которых различные подразделения могут оптимизировать свои рекламные кампании и не только.

Аналитика также помогает бизнесу увеличивать свои бизнес-процессы потому что показывает слабые места.

Условно: если маркетинг приносит много лидов, но при этом они плохо конвертируют по какой-то причине в продаже, тогда вероятно есть проблема после того, как человек оставил заявку. Также аналитика помогает оценить целевую аудиторию (ЦА), узнать лучше своих покупателей. Увеличение прибыли получается не только за счет того, что мы увеличиваем продажи (средний чек), а и еще за счет того, что мы оптимизируем затраты и тем самым снижаем затраты на привлечение.

За счет чего мы это делаем?

Это все происходит за счет извлечения полезной информации их данных, которая может быть использована для принятия решений и оптимизации. Например, данные могут отправляться в системы по оптимизации рекламных кампаний, либо же использоваться для принятия решений маркетологами, специалистами по направлениям, руководителями бизнеса.

Все просто. Но что нам для этого нужно?

Для этого нам нужны Данные. Их собирают сайты, это могут быть офлайн данные и т.д. Например:

1. Данные могут быть на уровне рекламы: информация о том, что человек смотрит, какой коэффициент кликабельности (CTR) и т.д.
2. После того как человек взаимодействовал с рекламой, то попадает на сайт.
3. После чего человек совершает какие-то действия на сайте, мы их тоже отслеживаем и потом используем в оптимизации.
4. Затем человек совершает самое главное для нас действие – покупка (если это интернет-магазин).
5. Если у нас омниканальный бизнес (то есть представлен как онлайн, так и офлайн), то в результате человек еще может прийти в магазин.
6. Если у нас есть возможность повторных продаж, то мы должны понимать как часто человек повторно покупает, какой его средний чек.
7. На уровне рекламы мы используем инструменты как Google Ads, Facebook Ads Manager и т.д. Здесь мы анализируем показы, клики, коэффициент кликабельности, цену за клик.
8. Дальше, когда пользователь попал на сайт, то мы можем анализировать: сеансы, какое время пользователь находится на той или иной странице, и конечно же понимать, как человек взаимодействует с нашим контентом.
9. Когда человек взаимодействует, то мы можем отслеживать как микроконверсии, так и макроконверсии. Микроконверсии – это маленькие действия, которые свидетельствуют о намерении человека далее с нами сотрудничать (Клик по интересующему товару, Отправка формы, Звонок, Просмотр видео).
10. Когда мы анализируем продажи, то мы смотрим на заказы, фактические продажи, к тому же иногда это совершенно разные вещи. Например, есть стратегия когда человеку перезванивают после того, как он оставляет заявку на сайте, и фактической продажей продают в процессе разговора человеку еще что-то. Также необходимо учитывать возврат товара, так как бывает, что не отслеживая возвраты мы получаем много продаж, но не понимаем, что товар либо некачественный, либо у потребителя построены неправильные ожидания. Соответственно, у нас доход ниже, чем мы предполагали.
11. Если у нас есть офлайн магазин и человек может смотреть онлайн, а покупать офлайн (это называется ROPO эффект), то мы можем считать что реклама онлайн не конвертит, потому что с сайта нет продаж. Однако, когда мы внедряем омниканальность, сквозную аналитику (объединяем онлайн и офлайн данные), то видим, что пользователи о нас узнают через медийную рекламу, по контекстной рекламе заходят к нам на сайт и другое. В результате за счет того, что товар имеет какие-то особенности, то люди приходят в магазин для того, чтобы лучше его изучить и, покупают в магазине.
12. Самое последнее, что анализируется: Удержание клиентов и Повторные продажи. CCR, LTV, CRR, CAC – показатели, которые используют на том или ином уровне. Отсюда мы можем сделать вывод, что разные уровни аналитики отличаются, в первую очередь, количеством данных, сложностью их взаимосвязей и культурой использования. То, как необходимо настроить аналитику зависит от многих факторов. О них мы поговорим далее.

Каким образом можно отследить покупателей видевших рекламу онлайн и конвертировавшихся офлайн? Например, у Google Ads есть инструмент Google Ad Manager, с помощью которого можно настроить отслеживание конверсионности по показам рекламы. Отслеживание по показу рекламы – одно из самых сложных, потому что человек не попадает на ваш сайт, соответственно вам сложно понять или узнать эту информацию.

Какие проблемы решает хорошая аналитика?

Проблема 1: Расхождение основных KPI

Рассмотрим на примерах.

1. Бывают ситуации, когда разные подразделения отображают данные по-разному.

Например, PPC-специалист может считать только целевые обращения (то, что конвертировалось в продажу) за конверсию, а другое подразделение, например SMM-специалист может считать, что все обращения (все отправленные формы, звонки) являются конверсией. В результате одни будут в такой ситуации показывать меньше (PPC), а другие больше (SMM). Все из-за того, что в один термин могут быть вложены разные понятия. Поэтому важно однозначно определять KPI, которые вы используете.

2. Бывают ситуации, когда одни и те же ключевые метрики отличаются.

Например, маркетолог думает, что трафик увеличился на 9%, а аналитик, что уменьшился на 3%. В итоге когда они встречаются, то находят причину этого. Например, аналитик совместно с маркетологом смотрели в разных направлениях и оценивали немного разную аудиторию.

3. Обычно есть сложности сопоставления с реальными продажами.

Например, маркетологи обычно видят заявки (человек обратился, чтобы совершить покупку), отдел продаж знает непосредственно о договорённости с покупателем на предоставление товара, но фактические продажи лучше всех видит обычно бухгалтер. И все эти три цифры могут отличаться. Поэтому бывают ситуации, когда маркетолог будет считать план по продажах выполненным (зафиксировал сколько привёл заявок и узнал в отделах продаж сколько их обработали). Однако, по отчёту бухгалтера может оказаться, что план не выполнен (не выкуплен товар, возвращен обратно и т.д.).

Решение таких проблем:

• Единая система или список систем для анализа и мониторинга.
• Однозначно определены KPI для всех.

То есть все сразу договариваются какие KPI будут использовать и для каких потребностей. Например, в каких представлениях в Google Analytics смотрят, особенно когда их несколько.

• Простая и понятная логика сбора данных.

Всем должна быть понятна логика сбора данных. Например, на сайте есть Покупка через корзину и Покупка в один клик, однако не всегда оговаривается является ли заявка через Форму в один клик также транзакцией, как и то, что было куплено через Карусель.

• Есть условия при помощи которых можно контролировать корректность сбора данных.

Обязательно нужно установить маячки, которые помогут определить насколько корректно собираются данные. Например, мы знаем что заявок с сайта – N, а продаж – обычно 80% от заявок. В принципе, на эту цифру можно ориентироваться. Если их резко становится больше-меньше, тогда необходимо искать причину. Причина может быть в каком-то бизнес-процессе, а возможно, сбилась аналитика.

Проблема 2: Аналитика не окупается

Денег на создание и поддержку всей системы сбора данных уходит больше, чем использование системы приносит пользы. Аналитику очень сложно монетизировать, потому что тяжело пощупать результат. Если результаты рекламных кампаний – это продажи (основная цель бизнеса, которая проецируется на все цепочки ниже), то результат аналитики – то, что она влияет на принятие решений, а это оценить немного сложнее.

Сейчас все больше есть функционала, когда можно оптимизироваться не только по онлайн (оставить заявку), но и по офлайн продажам (продалось в результате)

Почему не всегда нужно смотреть на конверсии? Могут быть две рекламных кампании либо два лендинга, один будет приносить сильно больше конверсий, а второй – сильно много продаж. Из-за чего это может быть? Например, один лендинг рисует более красивую картинку ожиданий у потребителя (более приятное предложение), а когда человек доходит до отдела продаж – это не соответствуют реальности либо ожидания пользователя завышены. Другой лендинг может не строить таких ожиданий у пользователя, и когда он дойдет до отдела продаж, то ожидания будут соответствовать предложенной услуге либо товару.

В первом случае конверсий будет больше (заявок будет больше) за счет большего желания пользователя оставить заявку, но по факту продаж будет меньше. Во втором случае – продаж будет больше, но заявок меньше. Поэтому НЕЛЬЗЯ смотреть только на показатели, которые привязаны непосредственно к какому-то шагу. Всегда нужно его коррелировать с основным результатом направленным на бизнес.

Дальше мы поговорим что для того, чтобы аналитика окупалась ее нужно внедрять по определённому алгоритму.

Решение. Работа только с теми данными, которые используются.

• Любая аналитика должна приносить пользу.

Если вы не понимаете, зачем вам нужно собирать какую-то информацию, то возможно, на данном этапе внедрения аналитики в вашу кампанию, эта информация вам не нужна. Поэтому не нужно тратить ресурсы для того, чтобы ее собирать, хранить, как-то преобразовывать.

• При ограниченном бюджете собирайте и храните только те данные, которые вы используете для достижения целей.

Если у вас ограниченный бюджет – сохраняйте только ту информацию, которую вы используете. Однако, обязательно соблюдайте архитектуру системы, подразумевающую, что со временем вам может понадобиться другая информация, данные, разрезы и так далее.

• НО при этом аналитика должна быть гибкой – чтобы в любой момент можно было масштабироваться.

Сейчас данные очень быстро устаревают. Сразу сохранять большие объемы детальной информации о пользователях возможно нет смысла, если вы не собираетесь ее использовать ближайшие полгода. Поведение пользователей очень быстро меняется, а на это влияет технологический процесс, внешние факторы, социальные, экономические и хранить на перспективу – скорее, всего, вначале нет смысла.

Проблема 3: Данные есть – использования нет

Еще есть такая проблема, когда все настроили, крутая система, но данные не используются. Например, построена дорогостоящая аналитика, но ее используют только для 3 отчетов руководству (когда был пропущен этап внедрения, сотрудников не научили обращаться с системой, не все знают о полезном существующем функционале; система кажется сложной, непонятной, неточной; сотрудники предпочитают анализировать данные по-старому и используют состоявшиеся привычки, система кажется непонятной).

Логика сбора данных должна быть прозрачна. На верхнем уровне все должны понимать откуда берутся данные и почему (доверие к системе). Например, данные собираются с сайта в Google Analytics, их выгрузка происходит раз в сутки и т.д.

Решение. Помните про этап внедрения.

• Внедряйте постепенно.

Чтобы этих проблем не было, внедрять аналитику нужно постепенно. Например, поэтапно используя более сложную систему.

• Обучайте сотрудников и усовершенствуйте процессы на стороне бизнеса.
• На первых этапах помните про контроль.

Из всех перечисленных выше проблем следует главное правило аналитики, которое мы используем в кампаниях и рекомендуем для всех: Правило Адекватности.

Для этого мы создали вот такую блок-схему по которой вы можете внедрять аналитику постепенно.

На первом этапе вам важно ответить на вопросы:

• Зачем я собираю информацию?
• Какую информацию я буду собирать?
• Как я буду ее использовать?

Как вы видите, зачем и как я буду использовать – это самые основные вопросы.

• И соответственно, сколько я заработаю на использовании этой информации? (доход от использования – затраты на сбор и хранение).

Почему это важно? Потому что аналитика – это проект, а проект должен окупаться. Вы можете знать как будете использовать машинное обучение, искусственный интеллект, но если у вас мало данных, то вам это результатов не принесёт, именно соответствующих затратам на такую систему.

• Следующий шаг: внедряем постепенно.

После того как мы определились что мы хотим и зачем хотим собирать и видеть, то это внедряем постепенно.

• После внедрения, мы учимся это использовать.
• После того как мы научились использовать, то переходим опять к вопросам и двигаемся дальше.

Таким образом, шаг за шагом вы сможете правильно внедрить аналитику в свой бизнес и не потерять свои деньги.

Как подобрать и настроить аналитику для вашего бизнеса?

Миф: Аналитика настраивается только в зависимости от типа бизнеса

Например, бывают статистики о том, как настроить аналитику для сайта салона красоты либо для какой-то онлайн школы и т.д. То есть привязываются к тому, что продаёт бизнес и какого он направления (типа).

• Интернет-Магазин.
• Услуги.
• Сервисы.
• Игры.

Реальность: Настройка аналитики в большинстве случаев зависит не от типа бизнеса, а от большого числа факторов.

Если выделить основные, то, что действительно влияет:

• Способ коммуникации с клиентом.

Как вы общаетесь с вашим клиентом и целевой аудиторией, используете ли вы сайт, карточки на картографических сервисах, есть ли у вас магазины и прочее.

• Рекламные инструменты.

Инструменты влияют на то, какие системы используют в аналитике. Если вы используете рекламу в социальных сетях, например в Facebook, тогда скорее всего, будете использовать аналитику в Facebook (поскольку она помогает оптимизировать рекламные кампании в соц. сетях). При этом, если ваша реклама настроена только в Google Ads, то заводить аналитику в Facebook нет смысла.

• Жизненный цикл клиента.

Также аналитика зависит от жизненного цикла клиента и есть ли повторные продажи, либо же разовая продажа и т.д.

Может показаться, что информация слишком обобщенная и непонятная?

Давайте разберем на примере.

Бизнес: ритейл бытовой техники

Давайте считать, что у нашего бизнеса есть такие способы связи с клиентом:

• Интернет-магазин.
• Колл-центр (куда может обратиться пользователь).
• Приложение для смартфонов (пользователь получает бонусы и использует вместо сайта).
• Офлайн магазин.

Используются следующие маркетинговые коммуникации:

• Поисковая, контекстная, медийная реклама (вся реклама в интернете).
• Агрегаторы.
• Реклама у блогеров.
• Наружная или внешняя реклама.
• Листовки.
• Размещение в картографических сервисах.

Аналитика

Тут мы должны понять, что аналитика может разделиться на два таких больших кусочка.

1. Настройка внутренняя.

Мы настраиваем отслеживание в тех местах, где коммуницируем с клиентом. Собираем информацию на сайте о пользователях, о том, что делает наша аудитория при взаимодействии с бизнесом.

• Отслеживание действий пользователя.
• Отслеживание истории покупок.
• Процесс определения источников трафика.

2. Настройка внешняя.

Мы размещаем маркетинговые коммуникации, чтобы понять откуда пришел наш пользователь, который совершает на сайте те или иные действия.

Для разметки источников трафика используются:

• UTM-метки (параметры в Google, которые показывают разным аналитическим системам откуда пользователь пришел).
• Floodlight (инструмент позволяет связывать показы с действиями на сайте, это часть Google Campaign Manager).
• Промокоды (более старый способ отслеживания, часто используют у блогеров, чтобы понять откуда пользователь пришел, получил небольшую скидку, узнал о нас).

Наша система взаимодействия пользователя будет выглядеть примерно следующим образом:

Google Ads, Blogger, Наружная реклама, Листовки – Фактические продажи

Человек может как зайти на сайт, так и с сайта позвонить в колл-центр. Затем перейти в магазин, посмотреть что-то в офлайне. Узнать о приложении и скачать его. Находясь где-то на работе, когда станет скучно, то опять зайти с компьютера на сайт. В конце концов, он может оставить заявку любым способом.

Чтобы попасть в каждую из этих точек, пользователь может прийти по любой рекламе. Например, увидеть наружную рекламу в виде баннера магазина. В результате загуглить и через органический поиск попасть к нам на сайт (привлек покупателя баннер).

Шаг 1.1. У нас есть сайт

Что хотим? Что делаем?

1. Если мы хотим видеть трафик на сайте, тогда устанавливаем код Google Analytics, узнаем сколько времени пользователь проводит на страницах, откуда пришел.
2. Далее, скорее всего, мы хотим видеть, что делает пользователь на нашем сайте: покупает, отправляет формы, взаимодействует ли как-то.
3. Для этого настраиваются события. Настраивает события либо разработчик в коде сайта, либо же через Google Tag Manager (инструмент позволяет вставить на сайт код отслеживания для аналитики без помощи разработчиков). То есть разработчик один раз ставит код аналитики на сайт, а далее аналитик уже может настраивать поток данных через этот инструмент.
4. Если мы используем Google Analytics и хотим видеть взаимодействия с товаром и покупки (что покупают люди, как внутри баннера на самом сайте влияют на покупателя, какой товар чаще просматривают, добавляют в корзину или удаляют, на каком этапе пользователи отпадают), тогда для этого настраивают расширенную электронную торговлю. На первом этапе настраивается отслеживание транзакции (для просмотра суммы и оплаты).
5. Когда у нас на сайте есть возможность логиниться в кабинете (человек может залогиниться, добавить сайт в закладки и далее отслеживать свои заказы), то нужно настраивать User ID (инструмент Google, который позволяет объединить сеансы одного пользователя на разных устройствах, то есть по умолчанию аналитика считает один браузер на конкретном устройстве одним пользователем).

Шаг 1.2. У нас есть приложение

Что хотим? Что делаем?

1. Если у нас есть приложение, то нам нужно отслеживать действия в приложении. Для этого устанавливается Firebase (аналог Google Analytics для сайта, но только для приложений). Для приложения необходимо использовать Firebase, а уже оттуда информация будет отображаться в Google Analytics. Здесь та же логика. Когда мы устанавливаем Firebase, то будем видеть сколько пользователей открыли приложение, просматривали экраны, удалили приложение и т.д. То есть будут собираться события одинаковые для всех приложений.

2. Затем мы хотим видеть, что делают люди в приложении: логины, регистрации. Для этого настраиваем события.

3. Для того чтобы видеть взаимодействие с товаром и покупки настраиваем отслеживание транзакции. Также настраиваем расширенную электронную торговлю. Все делается аналогично, но для Firebase.

4. Если мы хотим видеть, как 1 пользователь взаимодействует с нами на разных устройствах (как на приложении так и на сайте, либо же в приложении на разных устройствах), тогда мы устанавливаем и настраиваем User ID, мотивируем логиниться. То есть выполняется полная аналогия с сайтом, только используется другой инструмент – Firebase вместо Google Analytics.

Шаг 1.3. Связываем информацию о пользователе из приложения и сайта

Что хотим? Что делаем?

1. Если мы хотим видеть данные о приложении и сайте в одном месте, тогда создаем и настраиваем события для Google Analytics App +web (создаем в Google Analytics новый тип представления, настроив User ID). Это позволит видеть как пользователь совершает действия на сайте и в приложении, а также оценивать рекламный трафик между собой (1 пользователь может установить приложение через 1 рекламу и купить потом в приложении).
2. Если хотим видеть как 1 пользователь взаимодействует с нами, тогда проверяем идентичность User ID для приложения и сайта.

Шаг 2.1. Запустили рекламу в интернете

Что хотим? Что делаем?

После того как мы настроили аналитику, то можем использовать какие-то маркетинговые коммуникации.

1. Чтобы однозначно понимать откуда трафик, мы создаем дерево из UTM-меток. Необходимо в самом начале условиться какие UTM-метки используем, то есть как мы метим трафик, которым управляем. Например, трафик с Facebook всегда одноименный, поэтому не пишем что это Фейсбук или FB, а всегда используем один способ. Далее реклама метиться как CPC, а ссылки отмечены как канал_пост. Это все делается для того, чтобы каждый ваш подрядчик или сотрудник мог понять какой канал где используется и какая его суть.
2. Чтобы увидеть откуда пришли пользователи нам необходимо разместить ссылки на сайт UTM-метками/авто-пометкой.
3. Затем если мы хотим видеть трафик с различных РК Google Ads (используется идентификатор клика GCLID, который позволяет рекламным кампаниям лучше оптимизироваться и передавать в аналитику более детальную информацию о затратах, кликах и показах), тогда для этого нам необходимо связать Google Analytics и Google Ads. Если же у нас есть приложение, то связываем Firebase и Google Ads (для приложений).
4. Если мы хотим анализировать по каким органическим поисковым запросам к нам приходят пользователи (то есть по каким запросам нас ищут, на какие странички заходят), тогда мы создаем Google Search Console (инструмент Google, чтобы видеть эту информацию) и связываем с Google Analytics (чтобы лишний раз не посещать другие системы, а видеть все в одном месте).

Шаг 2.2. Хотим оптимизировать РК

Что хотим оптимизировать? Что делаем?

Для того чтобы оптимизировать рекламные кампании мы должны говорить о конверсиях. Благодаря РК не только знать какой трафик и сколько пользователей привели на сайт, а еще понимать какие действия для нас важны и как пользователи выполняют их. Тогда рекламная кампания будет работать таким образом, чтобы привлекать больше тех пользователей, которые совершают для нас важные действия.

1. Чтобы оптимизировать Google Ads необходимо создавать конверсии и аудитории на основании данных из Google Analytics для сайта (цели, которые передаются в Google Ads), а для приложения – на основании данных из Firebase (создаем цели, аудитории и импортируем их в Firebase).

2. Для того чтобы оптимизировать Facebook Ads Manager (когда есть реклама в Instagram, Facebook) необходимо установить пиксель Facebook и настроить события для Facebook Analytics на сайте (ставятся дополнительные кусочки кода для передачи информации), а для приложения – установить Facebook SDK (специальная библиотека, которая используется для отслеживания данных в приложениях) и настроить события для Facebook Analytics.

Шаг 2.3. Хотим знать об офлайн рекламе и рекламе у блогеров

Что хотим? Что делаем?

Для того чтобы знать откуда пришел пользователь с рекламы и оценивать эффективность РК у блогеров нам необходимо использовать промокоды и отслеживать их в Google Analytics (в расширенной электронной торговли настроить Купон заказа/товара). То есть на сайте при оформлении заказа у пользователя должно быть окошко Промокод, эта информация попадет в аналитику и покажет откуда пользователь узнал о вас.

Также отслеживание офлайн рекламы возможно за счет QR кодов/коротких ссылок, которые скрывают ссылки с UTM-метками, также используют номера телефонов под офлайн каналы, промокоды.

Шаг 3. Как часто звонят в колл-центр?

Что хотим? Что делаем?

1. Если бизнесы с дорогостоящими товарами либо товарами, которые требуют индивидуального подбора (строительные материалы, материалы для внутренней отделки и т.д.), то пользователи редко покупают на сайте. Они будут чаще звонить для уточнения информации и чувства безопасности.

В таких случаях используется Call-tracking (система, которая подменяет номера). Например, если на сайте мало трафика одномоментно, то для каждого пользователя показывается свой номер телефона и когда человек звонит, то система понимает с какого конкретного сеанса произошел звонок. Когда трафика очень много (сотни пользователей используют сайт одновременно), тогда номера подбирают под каналы. Например, под рекламу один номер телефона, под органику – другой, для социальных сетей – третий.

2. После того как увидели эту информацию, скорее всего, мы захотим оптимизировать рекламные кампании по статусу обращения в колл-центр. Для этого необходима информация о результате звонков (целевой звонок либо же нецелевой, например ошиблись и хотели узнать как добраться).

Все эти статусы можно передавать в Google Analytics. Многие Call-tracking делают это автоматически, если же тот что вы выбрали не имеет такого функционала, можно использовать Measurement Protocol (передача информации в аналитику при помощи запроса от программиста) либо же загрузить данные через импорт.

Шаг 4. Как часто покупают через колл-центр?

Что хотим? Что делаем?

1. Бывают ситуации, что часто покупают через колл-центр. Например, человек позвонил в колл-центр и сделал заказ, который попал во внутреннюю CRM (где хранятся все заказы бизнеса) и клиенту отправляется заказ. Для того чтобы видеть эту информацию (знать покупки со звонков) необходимо звонок с продажей связывать с CRM либо же передавать какой-то идентификатор (по номеру телефона и т.д.). Так как мы на прошлом шаге связали статус звонка с аналитикой, то через звонок можем передать информацию о фактической продаже.

2. Для оптимизации РК по продаже через звонок необходимо отправить данные о продаже из CRM в Google Analytics (автоматически, measurement protocol, data Import).

Шаг 5. Много отказов или фактическая продажа сильно отличается от заказа?

Например, человек заказывает только обои, а потом во время звонка он добавляет клей, шпателя, плинтуса и т.д., то есть ценник может значительно меняться. В такой ситуации мы должны передать информацию в Google Analytics не только о продаже со звонка, но и о любой заявке (с приложения, с колл-центр, сайта). Здесь используется та же логика, то есть мы передаем эти данные автоматически, если это подразумевает система, либо при помощи Measurement Protocol, data Import. Чтобы связать данные, часто используют User ID, так как это анонимизированный параметр с помощью которого можно передавать данные в Google Analytics.

Что хотим? Что делаем?

1. Знать реальные покупки – Связываем пользователя на сайте/приложении с реальными продажами.

2. Хотим оптимизировать РК по продаже через звонок – Отправляем данные о продаже из CRM в Google Analytics (автоматически, measurement protocol, data Import).

Шаг 6. Возвращаемся к офлайн магазинам

Что хотим? Что делаем?

1. Не забываем что у нашего бизнеса есть еще точки. Чтобы знать откуда приходят покупатели, приблизительно измерять ROPO эффект, самое малое, что можно сделать, – внедрить процесс ненавязчивого опроса клиента откуда они пришли. Например, когда консультант в процессе разговора с клиентом может невзначай спросить: откуда узнали, а видели ли нас на сайте, были ли у нас на сайте и т.д.

2. Чтобы видеть историю покупок, нужно внедрять программу лояльности (бонусную систему). Почему всегда когда мы хотим видеть информацию о пользователях заходит разговор о каких-то бонусах? Сейчас персональная информация от человека – это маленький клад. Пользователь должен понимать зачем ему делиться этой информацией с нами. Минимальная скидка является мотиватором пользователя оставить данные (в каких-то ситуациях можно мотивировать интересной рассылкой, подборкой товара и так далее).

Шаг 7. Много источников данных

Что хотим? Что делаем?

1. Когда у нас много источников и мы хотим точно понимать ROPO-эффект, использовать для анализа и маркетинга как анонимизированные, так и личные данные? То есть, мы хотим знать какие конкретно 20% пользователей приносят нам 80% продаж. Действительно часто бывает в бизнесе, когда маленькая когорта покупателей приносит основной доход. В такой ситуации Google Analytics использовать мы не можем, потому что там хранятся только анонимные данные.

2. Соответственно для использования анонимизированных и личных данных храним их во внешней базе данных, рассчитанной для анализа (обычно называют Data Warehouse). Это может быть BigQuery, база данных от Amazon, в общем вариантов очень много. Я бы рекомендовала использовать BigQuery. Почему? Относительно других систем недорогой, достаточно сертификатов по безопасности даже, для того чтобы хранить данные за рубежом, всем правилам соответствует, очень много дополнительных инструментов, например для очистки данных. Вся платформа Google Cloud Platform (куда входит BigQuery) помогает анализировать данные, собирать их, хранить и использовать. То есть оттуда можно забирать информацию через запросы и передавать в Google Analytics. Интегрируется BigQuery с другими продуктами Google: Google Ads, YouTube, Firebase и т.д.

Поговорили об отслеживании и оптимизации РК, а как же другие задачи?

Топ задач аналитиков и инструменты

Аналитика – это не только отслеживание и оптимизация рекламных кампаний, а также Визуализация данных, A/B-тестирование, Анализ при помощи вебвизора, Глубокая работа с данными (когда мы пытаемся извлечь дополнительную информацию, которую не можем получить в визуальном интерфейсе). Потому что визуальный интерфейс, в той или иной мере, нас ограничивает. Иногда очень сложно получить какую-то информацию в Google Analytics или Firebase, но очень легко это сделать в выгрузке.

1. Для визуализации данных всегда используются инструменты.

Самый простой из них и бесплатный – это Google Data Studio, отлично коннектится со всеми инструментами Google, интуитивно понятно и легко создавать отчеты, один раз настроили – смотрите информацию, бесплатный и молодой, бывают баги, но они компенсируются функционалом, который предоставляет инструмент.

Power BI – серьёзный инструмент, где можно построить отчеты на основании данных с различных систем, то есть очистить данные и т.д. Минусы: платная система и более сложная, понадобится специалист, который в ней разбирается.

Tableau – более современная система, чем-то похожа на Power BI, но дороже и под нее необходим специалист, который в ней разбирается.

2. A/B-тестирование – что это такое? Когда у нас есть исходный вариант и гипотеза, например, если мы что-то поменяем на сайте в призыве к действию или в РК и получим лучший результат, тогда проводиться A/B-тест (важно понимать: когда проводиться A/B-тест всегда должна быть гипотеза). Параллельно половине аудитории показывается старый сайт, старое объявление, призыв к действию, а половине – новый сайт, баннер и т.д. После этого оценивается с какого образца, варианта больше пользователей совершили целевое действие: регистрации, продажи и т.д. Эти системы позволяют выводить A/B-тесты просто, они разделяют аудиторию пополам, подсчитывают каждое действие для варианта, насколько является правдоподобным результат и к нему можно прислушиваться. Из инструментов:

Optimise – инструмент Google для сайтов, VWO – еще один полезный инструмент, Firebase A/B Testing beta – A/B-тесты появились относительно недавно для того, чтобы тестировать какие-то изменения в приложениях.

3. Вебвизоры – это инструменты, которые позволяют оценить как люди массово взаимодействуют с сайтом. То есть они рисуют тепловую карту – в каких местах больше пользователей взаимодействует и с какими элементами (понять, что на вашем сайте используется, а что нет). Показывается что видят пользователи, чем взаимодействуют, например, люди часто нажимают путь в один клик и эта кнопка будет светиться красным и т.д. Анализ при помощи вебвизора:

Crazyegg – самый известный и очень технологичный инструмент, имеет много полезных функций, как и Hotjar.

4. Иногда нам хочется получить какие-то разрезы и по-другому посмотреть на данные. Здесь обычно удобно использовать какие-то языки для работы с данными:

SOL – если ваша база данных поддерживает этот язык, например BigQuery. R – язык программирования специально созданный для статистов и аналитиков, много библиотек, большое комьюнити, как и в Python, обоими этими языками вы можете простыми способами получать данные, преобразовывать, делать те разрезы, которые вас интересуют и создавать визуальные отчеты.

Немного кейсов

Когда не знаете с чего начать – начните с малого! У нас был клиент, Агентство юридических консалтинговых услуг, которые хотели увеличить число продаж через интернет. Была проблема в том, что они не могли по внутренним причинам установить колл трекер, а с сайта через форму оставляли заявки единицы, основная масса людей звонили.

Соответственно, стали настраивать микроконверсии (время проведенное на странице Контактов, просмотр отдельных информационных блоков, клики по номерам телефонов). Использование вот таких маленьких маячков, как человек двигается к совершению важного для нас действия, привело к тому, что число реальных продаж увеличилось на 18%.

Так же об объединении данных и использовании Google BigQuery. Есть приложение, которое предоставляет просмотр контента. Регистрация происходит на сайте, но при этом реклама ведет на установку приложения.

Есть проблема с тем, чтобы идентифицировать пользователей (потому что пользователь еще не логинился, у него нет идентификатора, когда он переходит на сайт и мы не можем автоматически связать сайт и приложение). Для этого мы провели дополнительно выгрузку из CRM, куда передавалась информация, связывая по ключам все эти три системы (все это совершалось в BigQuery) и автоматически данные выгружались в отчет Google Таблицы, которые потом использовались маркетологами.

И о маячках, которые всегда должны быть, чтобы мы понимали насколько правильно используются данные. Например, есть клиент в Телекоммуникациях, который поменял форму для заказа услуги. После этого резко увеличилось расхождение целей в Google Analytics, конверсий и фактических лидов в CRM системе. Клиент пытался понять почему. Мы выдвинули ряд гипотез и стали их проверять. В итоге увидели: расхождение связано с тем, что есть валидация в форме и операторы на 067 не пропускались и не попадали в CRM.

Помимо передачи данных в Google Analytics и CRM мы в отдельной безопасной базе данных передавали информацию о клиенте по той же логике, как в Google Analytics (для того чтобы понимать почему в GA у нас сильно больше заявок, чем их фактически и как раз увидели почему определенные номера телефонов не попадали).

Соответственно, эта проблема была ликвидирована и увеличилось на 20% заявок и довольных клиентов (ранее у части клиентов пошел негатив, который отслеживался в чатах в плане того, что они оставили заявку, а с ними не связались).

Если у вас есть какие-то вопросы, я с радостью на них отвечу. Вы всегда можете написать в Facebook либо же у нас на сайте – и мы вам ответим.

Бонус. Вопросы-ответы

Какие мотиваторы логиниться кроме скидок и дополнительного времени пользования можно предложить клиенту?

Например, клиенту можно предложить то, что вы можете Добавить в Избранное и посмотреть на другом устройстве, отслеживать статус вашего заказа, специальные каталоги, которые будут доступны только залогиненным пользователям либо какие-то инструкции и т.д. Все зависит от типа бизнеса и фантазии специалистов, которые занимаются привлечением пользователей.

Какую систему сквозной аналитики вы посоветуете?

Все зависит от того, что вы вкладываете в понятие сквозная аналитика. То есть сквозная аналитика – это может быть как отслеживание звонка, так и как вот этот Шаг 7, когда мы отслеживаем все данные бизнеса.

В первом случае, вам может быть достаточно хорошей системы call-tracking, как Ringostat, у которого есть функционал объединения с Google Analytics, передачей туда данных, видеть информацию в самой системе использования ее менеджерами при продажах. Так и если у вас серьезный бизнес, много клиентов, большие объемы данных, то здесь вам может быть полезен BigQuery, где вы будете находить всю информацию и запросами создавать информационные панели либо же отчеты для использования.

Какой процент трафика должен быть с User ID для значимой аналитики? Что делать, если процент с User ID меньше?

Здесь нужно подходить индивидуально к каждой ситуации.

Например, у вас очень большой трафик и нужно смотреть какая это выборка пользователей. Условно: если пользователи логинятся только в момент создания/оформления заказа (то есть вы видите только тех, кто покупает, тогда вам нужно это понимать и делать выводы) Вывод: я вижу только пользователей, которые уже покупают и минимально тех, которые залогинились, но еще не купили. Какой процент – здесь ответить довольно сложно.

Какие инструменты up аналитики используете кроме Firebase?

На данный момент так как продукт относительно молодой мы используем Firebase. Также мы работаем с проектами, которые используют Floodlight (инструмент помогает делать глубокие ссылки, чтобы пользователь с рекламы переходил сразу на определенный экран приложения). На самом деле на начальном этапе Firebase – будет более чем достаточно. Этот инструмент имеет глубокий функционал, помимо аналитики и тому, что вы можете интегрироваться с Google Ads, он еще дает возможность делать push-уведомления (это позволяет простым способом делать бесплатные коммуникации). Также у него есть инструмент «Уведомление по намерениям». Например есть цель Продажи и вы говорите системе, что если у пользователя есть вероятность 70%, что он совершит покупку в приложении, то мы ему отправляем определенное сообщение (push, идентификацию), которое подтолкнет его это сделать быстрее.

Сколько времени занимает построение такой системы?

По-разному. Все зависит от факторов как построено приложение (какие технологии использует приложение и сайт), как настроена коммуникация с командами клиента, скорость реализации ТЗ разработчика.