Аналітика для онлайн-бізнесу

Сьогодні ми поговоримо про те, як налаштовувати аналітику для бізнесу, розглянемо максимально повний приклад, основні інструменти та необхідні параметри, які ми збираємо. Також буде кілька кейсів і підказок щодо того, як визначити що потрібно налаштовувати конкретно у вашому випадку.

Давайте спочатку визначимо, що ж таке аналітика і навіщо вона нам потрібна.

Якою є основна мета аналітики?

Збільшення прибутку

Основна мета – збільшення прибутку. Не брати до уваги скільки заявок, не зрозуміти скільки у нас трафіку, адже це все допоміжні цілі, які допомагають нам зрозуміти найголовніше: збільшити прибуток компанії. Збільшується за рахунок того, що аналітика надає дані на підставі яких різні підрозділи можуть оптимізувати свої рекламні кампанії й не тільки.

Аналітика також допомагає бізнесу збільшувати свої бізнес-процеси, тому що показує слабкі місця.

Умовно: якщо маркетинг приносить багато лідів, але при цьому вони погано конвертують з якоїсь причини у продажу, тоді, ймовірно, є проблема після того, як людина залишила заявку. Також аналітика допомагає оцінити цільову аудиторію (ЦА), дізнатися краще за своїх покупців. Збільшення прибутку виходить не тільки за рахунок того, що ми збільшуємо продажі (середній чек), а ще користуючись тим, що ми оптимізуємо витрати й тим самим знижуємо витрати на залучення.

За рахунок чого ми це робимо?

Це все відбувається шляхом отримання корисної інформації їх даних, яка може бути використана для прийняття рішень та оптимізації. Наприклад, дані можуть відправлятися до систем оптимізації рекламних кампаній, або ж використовуватися для прийняття рішень маркетологами, фахівцями з напрямків, керівниками бізнесу.

Все просто. Але що нам для цього потрібно?

Для цього нам потрібні Дані. Їх збирають сайти, це можуть бути дані офлайн і т.д. Наприклад:

1. Дані може бути лише на рівні реклами: інформація у тому, що людина дивиться, який коефіцієнт клікабельности (CTR) тощо.
2. Після того, як людина взаємодіяла з рекламою, то потрапляє на сайт.
3. Після чого людина робить якісь дії на сайті, ми їх також відстежуємо і потім використовуємо в оптимізації.
4. Потім людина робить найголовнішу для нас дію – покупка (якщо це інтернет-магазин).
5. Якщо у нас омніканальний бізнес (тобто представлений як онлайн, так і офлайн), то в результаті людина ще може прийти до магазину.
6. Якщо у нас є можливість повторного продажу, то ми повинні розуміти як часто людина повторно купує, який її середній чек.
7. На рівні реклами ми використовуємо інструменти, як Google Ads, Facebook Ads Manager і т.д. Тут ми аналізуємо покази, кліки, коефіцієнт клікабельності, ціну клік.
8. Далі, коли користувач потрапив на сайт, ми можемо аналізувати: сеанси, який час користувач знаходиться на тій чи іншій сторінці, і звичайно ж розуміти, як людина взаємодіє з нашим контентом.
9. Коли людина взаємодіє, ми можемо відстежувати як мікроконверсії, і макроконверсії. Мікроконверсії - це маленькі дії, які свідчать про намір людини далі з нами співпрацювати (Клік по товару, Відправка форми, Дзвінок, Перегляд відео).
10. Коли ми аналізуємо продажі, то ми дивимося на замовлення, фактичні продажі, до того ж інколи це зовсім різні речі. Наприклад, є стратегія коли людині передзвонюють після того, як вона залишає заявку на сайті, і фактичною продажею продають у процесі розмови людині ще щось. Також необхідно враховувати повернення товару, тому що буває, що не відстежуючи повернення ми отримуємо багато продажів, але не розуміємо, що товар або неякісний, або у споживача збудовані неправильні очікування. Відповідно, у нас дохід нижчий, ніж ми припускали.
11. Якщо у нас є офлайн магазин і людина може дивитися онлайн, а купувати офлайн (це називається ROPO ефект), то ми можемо вважати, що реклама онлайн не конвертує, тому що з сайту немає продажів. Однак, коли ми впроваджуємо омніканальність, наскрізну аналітику (об'єднуємо онлайн та офлайн дані), то бачимо, що користувачі дізнаються про нас через медійну рекламу, по контекстній рекламі заходять до нас на сайт та інше. В результаті внаслідок того, що товар має якісь особливості, то люди приходять до магазину для того, щоб краще його вивчити та купують у магазині.
12. Найостанніше, що аналізується: Утримання клієнтів та Повторні продажі. CCR, LTV, CRR, CAC – показники, що використовують на тому чи іншому рівні. Звідси ми можемо зробити висновок, що різні рівні аналітики відрізняються насамперед кількістю даних, складністю їх взаємозв'язків та культурою використання. Те, як необхідно налаштувати аналітику, залежить від багатьох факторів. Про них ми поговоримо далі.

Яким чином можна відстежити покупців, що бачили рекламу онлайн і конвертованих офлайн? Наприклад, у Google Ads є інструмент Google Ad Manager, за допомогою якого можна налаштувати відстеження конверсійності показів реклами. Відстеження за показом реклами – одне з найскладніших, тому що людина не потрапляє на ваш сайт, відповідно вам складно зрозуміти чи дізнатися про цю інформацію.

Які проблеми вирішує хороша аналітика?

Проблема 1: Розбіжність основних KPI

Розглянемо на прикладах.

1. Трапляються ситуації, коли різні підрозділи відображають дані по-різному.

Наприклад, PPC-фахівець може вважати лише цільові звернення (те, що конвертувалося у продаж) за конверсію, а інший підрозділ, наприклад SMM-фахівець може вважати, що всі звернення (всі надіслані форми, дзвінки) є конверсією. У результаті одні в такій ситуації показуватимуть менше (PPC), а інші більше (SMM). Все тому, що в один термін можуть бути вкладені різні поняття. Тому важливо однозначно визначати KPI, які ви використовуєте.

2. Бувають ситуації, коли одні й самі ключові метрики відрізняються.

Наприклад, маркетолог вважає, що трафік збільшився на 9%, а аналітик, що зменшився на 3%. У результаті, коли вони зустрічаються, то знаходять причину цього. Наприклад, аналітик спільно з маркетологом дивилися у різних напрямках та оцінювали трохи різну аудиторію.

3. Зазвичай є складності зіставлення з реальними продажами.

Наприклад, маркетологи зазвичай бачать заявки (людина звернулася, щоб здійснити покупку), відділ продажів знає безпосередньо про домовленості з покупцем на надання товару, але фактичні продажі найкраще бачить бухгалтер. І всі ці три цифри можуть відрізнятись. Тому бувають ситуації, коли маркетолог вважатиме план з продажу виконаним (зафіксував скільки привів заявок і дізнався у відділах продаж скільки їх обробили). Однак, за звітом бухгалтера може виявитися, що план не виконано (не викуплено товар, повернуто назад тощо).

Вирішення таких проблем:

• Єдина система або список систем для аналізу та моніторингу.
• Однозначно визначено KPI для всіх.

Тобто всі відразу домовляються, які KPI будуть використовувати і для яких потреб. Наприклад, в яких поданнях Google Analytics дивляться, особливо коли їх кілька.

• Проста та зрозуміла логіка збору даних.

Усім має бути зрозумілою логіка збору даних. Наприклад, на сайті є Покупка через кошик і Покупка в один клік, проте не завжди обговорюється чи є заявка через форму в один клік також транзакцією, як і те, що було куплено через Карусель.

• Є умови, за допомогою яких можна контролювати коректність збору даних.

Обов'язково потрібно встановити маячки, які допоможуть визначити, наскільки коректно збираються дані. Наприклад, ми знаємо що заявок із сайту – N, а продажів – зазвичай 80% від заявок. У принципі, на цю цифру можна орієнтуватись. Якщо їх різко стає більш-менш, тоді необхідно шукати причину. Причина може бути в якомусь бізнес-процесі, а можливо, аналітика збилася.

Проблема 2: Аналітика не окупається

Грошей на створення та підтримку всієї системи збору даних йде більше, ніж використання системи приносить користь. Аналітику дуже складно монетизувати, бо важко помацати результат. Якщо результати рекламних кампаній – це продажі (основна мета бізнесу, яка проєктується на всі ланцюжки нижче), то результат аналітики – те, що вона впливає на прийняття рішень, а це оцінити трохи складніше.

Зараз все більше є функціонала, коли можна оптимізуватися не лише по онлайн (залишити заявку), але й по офлайн-продажам (продалося в результаті)

Чому не завжди потрібно дивитися на конверсії? Можуть бути дві рекламні кампанії або два лендинги, один приноситиме значно більше конверсій, а другий – дуже багато продажів. Чому це може бути? Наприклад, один лендинг малює більш красиву картинку очікувань у споживача (приємніша пропозиція), а коли людина доходить до відділу продажів – це не відповідають реальності або очікування користувача завищені. Інший лендинг може не будувати таких очікувань у користувача, і коли він дійде до відділу продажів, то очікування будуть відповідати запропонованій послузі або товару.

У першому випадку конверсій буде більше (заявок буде більше) внаслідок більшого бажання користувача залишити заявку, але за фактом продажу буде менше. У другому випадку – продажів буде більше, але заявок менше. Тому НЕ МОЖНА дивитися тільки на показники, які прив'язані безпосередньо до якогось кроку. Завжди потрібно його корелювати з основним результатом, спрямованим на бізнес.

Далі ми поговоримо, що для того, щоб аналітика окупалася, її потрібно впроваджувати за певним алгоритмом.

Рішення. Робота тільки з даними, які використовуються.

• Будь-яка аналітика має приносити користь.

Якщо ви не розумієте, навіщо вам потрібно збирати якусь інформацію, то, можливо, на даному етапі впровадження аналітики у вашу кампанію, ця інформація вам не потрібна. Тому не потрібно витрачати ресурси для того, щоб її збирати, зберігати, якось перетворювати.

• При обмеженому бюджеті збирайте та зберігайте лише ті дані, які ви використовуєте для досягнення цілей.

Якщо у вас обмежений бюджет, зберігайте тільки ту інформацію, яку ви використовуєте. Однак, обов'язково дотримуйтесь архітектури системи, яка передбачає, що з часом вам може знадобитися інша інформація, дані, розрізи й таке інше.

• АЛЕ при цьому аналітика має бути гнучкою – щоб у будь-який момент можна було масштабуватися.

Зараз дані дуже швидко старіють. Відразу зберігати великі обсяги детальної інформації про користувачів можливо немає сенсу, якщо ви не збираєтеся використовувати її протягом найближчих пів року. Поведінка користувачів дуже швидко змінюється, але це впливає технологічний процес, зовнішні чинники, соціальні, економічні та зберігати на перспективу – швидше за все, спочатку немає сенсу.

Проблема 3: Дані є – використання немає

Ще є така проблема, коли усе налаштували, крута система, але дані не використовуються. Наприклад, побудована дорога аналітика, але її використовують тільки для 3 звітів керівництву (коли був пропущений етап впровадження, співробітників не навчили поводитися з системою, не всі знають про корисний існуючий функціонал; система здається складною, незрозумілою, неточною; співробітники вважають за краще аналізувати дані по-старому і використовують звички, що відбулися, система здається незрозумілою).

Логіка збору даних має бути прозорою. На верхньому рівні всі повинні розуміти, звідки беруться дані та чому (довіра до системи). Наприклад, дані збираються з сайту в Google Analytics, їхнє вивантаження відбувається раз на добу і т.д.

Рішення. Пам'ятайте про етап впровадження.

• Впроваджуйте поступово.

Щоби цих проблем не було, впроваджувати аналітику потрібно поступово. Наприклад, поетапно використовуючи складнішу систему.

• Навчайте співробітників та удосконалюйте процеси на стороні бізнесу.
• На перших етапах пам'ятайте про контроль.

З усіх перелічених вище проблем випливає головне правило аналітики, яке ми використовуємо в кампаніях і рекомендуємо всім: Правило Адекватності.

Для цього ми створили ось таку блок-схему, за якою ви можете впроваджувати аналітику поступово.

На першому етапі вам важливо відповісти на запитання:

• Навіщо я збираю інформацію?
• Яку інформацію я збиратиму?
• Як я її використовуватиму?

Як ви бачите, навіщо і як я використовуватиму – це найголовніші питання.

• І, відповідно, скільки я зароблю на використанні цієї інформації? (дохід від використання – витрати на збирання та зберігання).

Чому це важливо? Тому що аналітика – це проєкт, а проєкт має окупатись. Ви можете знати як використовуватимете машинне навчання, штучний інтелект, але якщо у вас мало даних, то вам це результатів не принесе, саме відповідних витрат на таку систему.

• Наступний крок: впроваджуємо поступово.

Після того як ми визначилися, що ми хочемо і навіщо хочемо збирати і бачити, то це впроваджуємо поступово.

• Після впровадження, ми вчимося це використати.
• Після того, як ми навчилися використовувати, переходимо знову до питань і рухаємося далі.

Таким чином, крок за кроком ви зможете правильно впровадити аналітику у свій бізнес та не втратити свої гроші.

Як підібрати та налаштувати аналітику для вашого бізнесу?

Міф: Аналітика налаштовується лише залежно від типу бізнесу

Наприклад, бувають статистики про те, як налаштувати аналітику для сайту салону краси або для якоїсь онлайн школи тощо. Тобто прив'язуються до того, що продає бізнес і якого напряму (типу).

• Інтернет-магазин.
• Послуги.
• Сервіси.
• Ігри.

Реальність: Налаштування аналітики здебільшого залежить не від типу бізнесу, а від великої кількості факторів.

Якщо виділити основні, те, що справді впливає:

• Спосіб спілкування з клієнтом.

Як ви спілкуєтеся з вашим клієнтом та цільовою аудиторією, чи використовуєте ви сайт, картки на картографічних сервісах, чи є у вас магазини та інше.

• Рекламні інструменти

Інструменти впливають те що, які системи використовують у аналітиці. Якщо ви використовуєте рекламу в соціальних мережах, наприклад у Facebook, тоді, швидше за все, використовуватимете аналітику в Facebook (оскільки вона допомагає оптимізувати рекламні кампанії в соц. мережах). При цьому якщо ваша реклама налаштована тільки в Google Ads, то заводити аналітику в Facebook немає сенсу.

• Життєвий цикл клієнта.

Також аналітика залежить від життєвого циклу клієнта і чи є повторні продажі, або разовий продаж і т.д.

Може здатися, що інформація надто узагальнена та незрозуміла?

Давайте розберемо з прикладу.

Бізнес: ритейл побутової техніки

Давайте вважати, що наш бізнес має такі способи зв'язку з клієнтом:

• Інтернет-магазин.
• Кол-центр (куди може звернутися користувач).
• Додаток для смартфонів (користувач отримує бонуси та використовує замість сайту).
• Офлайн магазин.

Використовуються такі маркетингові комунікації:

• Пошукова, контекстна, медійна реклама (вся реклама в Інтернеті).
• Агрегатори.
• Реклама у блогерів.
• Зовнішня чи зовнішня реклама.
• Листівки.
• Розміщення у картографічних сервісах.

Аналітика

Тут ми повинні зрозуміти, що аналітика може розділитися на два такі великі шматочки.

1. Налаштування внутрішнє.

Ми налаштовуємо відстеження у тих місцях, де спілкуємося з клієнтом. Збираємо інформацію на сайті про користувачів, що робить наша аудиторія при взаємодії з бізнесом.

• Відстеження дій користувача.
• Відстеження історії покупок.
• Процес визначення джерел трафіку.

2. Налаштування зовнішнє.

Ми розміщуємо маркетингові комунікації, щоб зрозуміти, звідки прийшов наш користувач, який здійснює на сайті ті чи інші дії.

Для розмітки джерел трафіку використовуються:

• UTM-мітки (параметри в Google, які показують різним аналітичним системам, звідки користувач прийшов).
• Floodlight (інструмент дозволяє пов'язувати покази з діями на сайті, це частина Google Campaign Manager).
• Промокоди (старіший спосіб відстеження, часто використовують у блогерів, щоб зрозуміти звідки користувач прийшов, отримав невелику знижку, дізнався про нас).

Наша система взаємодії користувача буде виглядати приблизно так:

Google Ads, Blogger, Зовнішня реклама, Листівки – Фактичний продаж

Людина може зайти на сайт, так і з сайту зателефонувати в кол-центр. Потім перейти до магазину, подивитись щось в офлайні. Дізнатися про програму та завантажити її. Перебуваючи десь на роботі, коли стане нудно, знову зайти з комп'ютера на сайт. Зрештою, він може залишити заявку у будь-який спосіб.

Щоб потрапити до кожної з цих точок, користувач може прийти за будь-якою рекламою. Наприклад, побачити зовнішню рекламу у вигляді банера магазину. В результаті загуглити і через органічний пошук потрапити до нас на сайт (залучив покупця банер).

Крок 1.1. У нас є сайт

Що хочемо? Що робимо?

1. Якщо ми хочемо бачити трафік на сайті, тоді встановлюємо код Google Analytics, дізнаємось скільки часу користувач проводить на сторінках, звідки прийшов.
2. Далі, швидше за все, ми хочемо бачити, що робить користувач на нашому сайті: купує, відправляє форми, чи якось взаємодіє.
3. Для цього налаштовуються події. Налаштовує події або розробник у коді сайту або через Google Tag Manager (інструмент дозволяє вставити на сайт код відстеження для аналітики без допомоги розробників). Тобто, розробник один раз ставить код аналітики на сайт, а далі аналітик вже може налаштовувати потік даних через цей інструмент.
4. Якщо ми використовуємо Google Analytics і хочемо бачити взаємодії з товаром та покупки (що купують люди, як усередині банера на самому сайті впливають на покупця, який товар частіше переглядають, додають у кошик чи видаляють, на якому етапі користувачі відпадають), тоді для цього налаштовують розширену електронну торгівлю. На першому етапі налаштовується відстеження транзакції (для перегляду суми та оплати).
5. Коли у нас на сайті є можливість логінуватися в кабінеті (людина може залогінитись, додати сайт в закладки і далі відстежувати свої замовлення), то потрібно налаштовувати User ID (інструмент Google, який дозволяє об'єднати сеанси одного користувача на різних пристроях, тобто за замовчуванням аналітика вважає один браузер на конкретному пристрої одним користувачем).

Крок 1.2. У нас є програма

Що хочемо? Що робимо?

1. Якщо у нас є програма, то нам потрібно відстежувати дії в програмі. Для цього встановлюється Firebase (аналог Google Analytics для веб-сайту, але тільки для програм). Для програми необхідно використовувати Firebase, а вже звідти інформація відображатиметься в Google Analytics. Тут та сама логіка. Коли ми встановлюємо Firebase, то бачитимемо скільки користувачів відкрили програму, переглядали екрани, видалили програму і т.д. Тобто збиратимуться події однакові для всіх програм.
2. Потім ми хочемо бачити, що роблять люди у додатку: логіни, реєстрації. Для цього налаштовуємо події.
3. Для того, щоб бачити взаємодію з товаром та покупки налаштовуємо відстеження транзакції. Також налаштовуємо розширену електронну торгівлю. Все робиться аналогічно, але Firebase.
4. Якщо ми хочемо бачити, як один користувач взаємодіє з нами на різних пристроях (як на додатку, так і на сайті, або в додатку на різних пристроях), тоді ми встановлюємо та налаштовуємо User ID, мотивуємо логінуватися. Тобто виконується повна аналогія із сайтом, тільки використовується інший інструмент – Firebase замість Google Analytics.

Крок 1.3. Зв'язуємо інформацію про користувача з програми та сайту

Що хочемо? Що робимо?

1. Якщо ми хочемо бачити дані про програму та сайт в одному місці, тоді створюємо та налаштовуємо події для Google Analytics App +web (створюємо в Google Analytics новий тип подання, налаштувавши User ID). Це дозволить бачити як користувач робить дії на сайті та в додатку, а також оцінювати рекламний трафік між собою (1 користувач може встановити програму через 1 рекламу та купити потім у додатку).
2. Якщо хочемо бачити як один користувач взаємодіє з нами, тоді перевіряємо ідентичність User ID для програми та сайту.

Крок 2.1. Запустили рекламу в інтернеті

Що хочемо? Що робимо?

Після того як ми налаштували аналітику, можемо використовувати якісь маркетингові комунікації.

1. Щоб однозначно розуміти, звідки трафік, ми створюємо дерево з UTM-міток. Необхідно на самому початку домовитись які UTM-мітки використовуємо, тобто як ми мітимо трафік, яким керуємо. Наприклад, трафік з Facebook завжди однойменний, тому не пишемо, що це Фейсбук або FB, а завжди використовуємо один спосіб. Далі реклама мітиться як CPC, а посилання позначені як канал посту. Це все робиться для того, щоб кожен ваш підрядник чи співробітник міг зрозуміти, який канал де використовується і яка його суть.
2. Щоб побачити звідки прийшли користувачі, нам необхідно розмістити посилання на сайт UTM-мітками/авто-поміткою.
3. Потім якщо ми хочемо бачити трафік з різних РК Google Ads (використовується ідентифікатор кліка GCLID, який дозволяє рекламним кампаніям краще оптимізуватися і передавати в аналітику детальнішу інформацію про витрати, кліки та покази), тоді для цього нам необхідно зв'язати Google Analytics і Google Ads. Якщо ж у нас є програма, то пов'язуємо Firebase та Google Ads (для програм).
4. Якщо ми хочемо аналізувати за якими органічними пошуковими запитами до нас приходять користувачі (тобто за якими нас шукають, на які сторінки заходять), тоді ми створюємо Google Search Console (інструмент Google, щоб бачити цю інформацію) і пов'язуємо з Google Analytics (щоб ще раз не відвідувати інші системи, а бачити все в одному місці).

Крок 2.2. Бажаємо оптимізувати РК

Що ми хочемо оптимізувати? Що робимо?

Для того, щоб оптимізувати рекламні кампанії, ми повинні говорити про конверсії. Завдяки РК не тільки знати який трафік і скільки користувачів привели на сайт, а ще розуміти, які дії для нас важливі і як користувачі виконують їх. Тоді рекламна кампанія працюватиме таким чином, щоб залучати більше користувачів, які роблять для нас важливі дії.

1. Щоб оптимізувати Google Ads, необхідно створювати конверсії та аудиторії на основі даних з Google Analytics для сайту (мети, які передаються в Google Ads), а для програми – на основі даних з Firebase (створюємо цілі, аудиторії та імпортуємо їх у Firebase).
2. Для того, щоб оптимізувати Facebook Ads Manager (коли є реклама в Instagram, Facebook) необхідно встановити піксель Facebook і налаштувати події для Facebook Analytics на сайті (ставляться додаткові шматочки коду для передачі інформації), а для програми – встановити Facebook SDK (спеціальна бібліотека, яка використовується для відстеження даних у програмах) та налаштувати події для Facebook Analytics.

Крок 2.3. Хочемо знати про офлайн рекламу та рекламу у блогерів

Що хочемо? Що робимо?

Для того, щоб знати, звідки прийшов користувач з реклами та оцінювати ефективність РК у блогерів, нам необхідно використовувати промокоди та відстежувати їх у Google Analytics (у розширеній електронній торгівлі налаштувати Купон замовлення/товару). Тобто на сайті при оформленні замовлення у користувача має бути віконце Промокод, ця інформація потрапить в аналітику та покаже, звідки користувач дізнався про вас.

Також відстеження офлайн реклами можливе шляхом використання QR кодів/коротких посилань, які приховують посилання з UTM-мітками, також використовують номери телефонів під канали офлайн, промокоди.

Крок 3. Як часто дзвонять до кол-центру?

Що хочемо? Що робимо?

1. Якщо бізнеси з дорогими товарами або товарами, які вимагають індивідуального підбору (будівельні матеріали, матеріали для внутрішнього оздоблення тощо), то користувачі рідко купують на сайті. Вони частіше дзвонитимуть для уточнення інформації та почуття безпеки.

У разі використовується Call-tracking (система, яка підміняє номера). Наприклад, якщо на сайті мало трафіку миттєво, то для кожного користувача показується свій номер телефону і коли людина дзвонить, то система розуміє, з якого конкретного сеансу стався дзвінок. Коли трафіку багато (сотні користувачів використовують сайт одночасно), тоді номери підбирають під канали. Наприклад, під рекламу один номер телефону, органіку – інший, для соціальних мереж – третій.

2. Після того, як побачили цю інформацію, швидше за все, ми захочемо оптимізувати рекламні кампанії щодо статусу звернення до кол-центру. Для цього необхідна інформація про результат дзвінків (цільовий дзвінок або нецільовий, наприклад помилилися і хотіли дізнатися як дістатися).

Всі ці статуси можна надсилати до Google Analytics. Багато Call-tracking роблять це автоматично, якщо той, що ви вибрали не має такого функціоналу, можна використовувати Measurement Protocol (передача інформації в аналітику за допомогою запиту від програміста) або ж завантажити дані через імпорт.

Крок 4. Як часто купують через кол-центр?

Що хочемо? Що робимо?

1. Бувають ситуації, які часто купують через кол-центр. Наприклад, людина зателефонувала в кол-центр і зробила замовлення, яке потрапило у внутрішню CRM (де зберігаються всі замовлення бізнесу) і клієнту надсилається замовлення. Для того, щоб бачити цю інформацію (знати покупки зі дзвінків) необхідно дзвінок з продажем пов'язувати з CRM або передавати якийсь ідентифікатор (за номером телефону тощо). Оскільки ми на минулому кроці пов'язали статус дзвінка з аналітикою, через дзвінок можемо передати інформацію про фактичний продаж.
2. Для оптимізації РК з продажу через дзвінок необхідно надіслати дані про продаж із CRM до Google Analytics (автоматично, measurement protocol, data Import).

Крок 5. Чи багато відмов або фактичний продаж сильно відрізняється від замовлення?

Наприклад, людина замовляє лише шпалери, а потім під час дзвінка вона додає клей, шпателя, плінтуса тощо, тобто цінник може значно змінюватись. У такій ситуації ми повинні передати інформацію в Google Analytics не тільки про продаж зі дзвінка, але й про будь-яку заявку (з додатку, колл-центр, сайту). Тут використовується та ж логіка, тобто ми передаємо ці дані автоматично, якщо це має на увазі система, або за допомогою Measurement Protocol, data Import. Щоб зв'язати дані, часто використовують User ID, оскільки це анонімізований параметр, за допомогою якого можна передавати дані до Google Analytics.

Що хочемо? Що робимо?

1. Знати реальні покупки – Зв'язуємо користувача на сайті/додатку з реальним продажем.
2. Хочемо оптимізувати РК з продажу через дзвінок – Надсилаємо дані про продаж із CRM у Google Analytics (автоматично, measurement protocol, data Import).

Крок 6. Повертаємось до офлайн магазинів

Що хочемо? Що робимо?

1. Не забуваймо, що у нашого бізнесу є ще точки. Щоб знати звідки приходять покупці, приблизно вимірювати ROPO ефект, щонайменше, що можна зробити, – впровадити процес ненав'язливого опитування клієнта, звідки вони прийшли. Наприклад, коли консультант у процесі розмови з клієнтом може ненароком запитати: звідки дізналися, а чи бачили нас на сайті, чи були у нас на сайті і т.д.
2. Щоб бачити історію покупок, потрібно впроваджувати програму лояльності (бонусну систему). Чому завжди коли ми хочемо бачити інформацію про користувачів заходить розмова про якісь бонуси? Нині персональна інформація від людини – це маленький скарб. Користувач повинен розуміти, навіщо йому ділитися цією інформацією з нами. Мінімальна знижка є мотиватором користувача залишити дані (у якихось ситуаціях можна мотивувати цікавою розсилкою, добіркою товару тощо).

Крок 7. Багато джерел даних

Що хочемо? Що робимо?

1. Коли ми маємо багато джерел і ми хочемо точно розуміти ROPO-ефект, використовувати для аналізу та маркетингу як анонімізовані, так і особисті дані? Тобто, ми хочемо знати, які конкретно 20% користувачів приносять нам 80% продажів. Справді, часто буває в бізнесі, коли маленька когорта покупців приносить основний дохід. У такій ситуації Google Analytics ми не можемо використовувати, тому що там зберігаються тільки анонімні дані.
2. Відповідно для використання анонімізованих та особистих даних зберігаємо їх у зовнішній базі даних, розрахованій для аналізу (зазвичай називають Data Warehouse). Це може бути BigQuery, база даних від Amazon, загалом варіантів дуже багато. Я б рекомендувала використати BigQuery. Чому? Щодо інших систем недорогий, достатньо сертифікатів з безпеки навіть для того, щоб зберігати дані за кордоном, всім правилам відповідає дуже багато додаткових інструментів, наприклад для очищення даних. Вся платформа Google Cloud Platform (до якої входить BigQuery) допомагає аналізувати дані, збирати їх, зберігати та використовувати. Тобто звідти можна забирати інформацію через запити та передавати до Google Analytics. Інтегрується BigQuery з іншими продуктами Google: Google Ads, YouTube, Firebase і т.д.

Поговорили про відстеження та оптимізацію РК, а як же інші завдання?

Топ завдань аналітиків та інструменти

Аналітика – це не лише відстеження та оптимізація рекламних кампаній, а також Візуалізація даних, A/B-тестування, Аналіз за допомогою вебвізора, Глибока робота з даними (коли ми намагаємось отримати додаткову інформацію, яку не можемо отримати у візуальному інтерфейсі). Тому що візуальний інтерфейс тією чи іншою мірою нас обмежує. Іноді дуже складно отримати якусь інформацію в Google Analytics або Firebase, але це дуже легко зробити у вивантаженні.

1. Для візуалізації даних завжди використовуються інструменти.

Найпростіший з них і безкоштовний – це Google Data Studio, відмінно коннектиться з усіма інструментами Google, інтуїтивно зрозуміло та легко створювати звіти, один раз налаштували – дивіться інформацію, безкоштовний та молодий, бувають баги, але вони компенсуються функціоналом, який надає інструмент.

Power BI – серйозний інструмент, де можна побудувати звіти на підставі даних різних систем, тобто очистити дані і т.д. Мінуси: платна система і складніша, знадобиться фахівець, який у ній розбирається.

Tableau – більш сучасна система, чимось схожа на Power BI, але дорожче і під неї необхідний фахівець, який у ній розуміється.

2. A/B тестування – що це таке? Коли у нас є вихідний варіант і гіпотеза, наприклад, якщо ми щось поміняємо на сайті у заклику до дії або в РК і отримаємо кращий результат, тоді проводитися A/B-тест (важливо розуміти: коли проводитися A/B-тест завжди має бути гіпотеза). Паралельно половині аудиторії показується старий сайт, старе оголошення, заклик до дії, половині – новий сайт, банер тощо. Після цього оцінюється з якого зразка, варіант більше користувачів здійснили цільову дію: реєстрації, продажу і т.д. Ці системи дозволяють виводити A/B-тести просто, вони поділяють аудиторію навпіл, підраховують кожну дію варіанта, наскільки є правдоподібним результат і до нього можна прислухатися. З інструментів:

Optimise – інструмент Google для сайтів, VWO – ще один корисний інструмент, Firebase A/B Testing beta – A/B-тести з'явилися відносно недавно для того, щоб тестувати якісь зміни у додатках.

3. Вебвізори – це інструменти, які дозволяють оцінити, як люди масово взаємодіють із сайтом. Тобто, вони малюють теплову карту – в яких місцях більше користувачів взаємодіє і з якими елементами (зрозуміти, що на вашому сайті використовується, а що ні). Показується що бачать користувачі, чим взаємодіють, наприклад люди часто натискають шлях в один клік і ця кнопка буде світитися червоним і т.д. Аналіз за допомогою вебвізора:

Crazyegg – найвідоміший та дуже технологічний інструмент, має багато корисних функцій, як і Hotjar.

4. Іноді нам хочеться отримати якісь розрізи та по-іншому подивитися на дані. Тут зазвичай зручно використовувати якісь мови для роботи з даними:

SOL – якщо база даних підтримує цю мову, наприклад BigQuery. R – мова програмування спеціально створена для статистів та аналітиків, багато бібліотек, велике ком'юніті, як і в Python, обома цими мовами ви можете простими способами отримувати дані, перетворювати, робити ті розрізи, які вас цікавлять та створювати візуальні звіти.

Трохи кейсів

Коли не знаєте з чого почати – почніть із малого! Ми мали клієнта, Агентство юридичних консалтингових послуг, які хотіли збільшити кількість продажів через інтернет. Була проблема в тому, що вони не могли з внутрішніх причин встановити колтрекер, а з сайту через форму залишали заявки одиниці, основна маса людей дзвонили.

Відповідно, почали налаштовувати мікроконверсії (час, проведений на сторінці Контактів, перегляд окремих інформаційних блоків, кліки за номерами телефонів). Використання таких маленьких маячків, як людина рухається до здійснення важливого для нас дії, призвело до того, що кількість реальних продажів збільшилася на 18%.

Так само про об'єднання даних та використання Google BigQuery. Є програма, яка надає перегляд контенту. Реєстрація відбувається на сайті, але при цьому реклама веде на встановлення програми.

Є проблема з тим, щоб ідентифікувати користувачів (бо користувач ще не логінився, у нього немає ідентифікатора, коли він переходить на сайт і ми не можемо автоматично зв'язати сайт та додаток). Для цього ми провели додатково вивантаження з CRM, куди передавалася інформація, пов'язуючи по ключах всі ці три системи (все це відбувалося в BigQuery) і автоматично вивантажувалися дані до звіту Google Таблиці, які потім використовувалися маркетологами.

І про маячки, які завжди повинні бути, щоб ми розуміли, наскільки правильно використовуються дані. Наприклад, є клієнт у Телекомунікаціях, який змінив форму замовлення послуги. Після цього різко збільшилася розбіжність цілей у Google Analytics, конверсій та фактичних лідів у CRM системі. Клієнт намагався зрозуміти чому. Ми висунули низку гіпотез і почали їх перевіряти. У результаті побачили: розбіжність пов'язана з тим, що є валідація у формі та оператори на 067 не пропускалися та не потрапляли до CRM.

Крім передачі даних у Google Analytics і CRM ми в окремій безпечній базі даних передавали інформацію про клієнта за тією ж логікою, як у Google Analytics (для того, щоб розуміти, чому у GA у нас значно більше заявок, ніж їх фактично і якраз побачили чому певні номери телефонів не попадали).

Відповідно, цю проблему було ліквідовано і збільшилося на 20% заявок і задоволених клієнтів (раніше у частини клієнтів пішов негатив, який відстежувався в чатах у плані того, що вони залишили заявку, а з ними не зв'язалися).

Якщо ви маєте якісь питання, я з радістю на них відповім. Ви завжди можете написати у Facebook або ж у нас на сайті – і ми вам відповімо.

Бонус. Запитання-відповіді

Які мотиватори логінуватися окрім знижок та додаткового часу користування можна запропонувати клієнту?

Наприклад, клієнту можна запропонувати те, що ви можете Додати до Обраного та подивитися на іншому пристрої, відстежувати статус вашого замовлення, спеціальні каталоги, які будуть доступні лише зареєстрованим користувачам або якісь інструкції тощо. Все залежить від типу бізнесу та фантазії фахівців, які займаються залученням користувачів.

Яку систему наскрізної аналітики ви порадите?

Все залежить від того, що ви вкладаєте в поняття наскрізна аналітика. Тобто наскрізна аналітика – це може бути як відстеження дзвінка, так і як цей Крок 7, коли ми відстежуємо всі дані бізнесу.

У першому випадку, вам може бути досить хорошої системи call-tracking, як Ringostat, у якого є функціонал об'єднання з Google Analytics, передачею туди даних, бачити інформацію в системі використання її менеджерами при продажах. Так і якщо у вас серйозний бізнес, багато клієнтів, великі обсяги даних, то тут вам може бути корисний BigQuery, де ви знаходитимете всю інформацію та запитами створювати інформаційні панелі або звіти для використання.

Який відсоток трафіку має бути з User ID для значної аналітики? Що робити, якщо відсоток з User ID меншим?

Тут слід підходити індивідуально до кожної ситуації.

Наприклад, у вас дуже великий трафік і потрібно дивитися, яка це вибірка користувачів. Умовно: якщо користувачі логіняться тільки в момент створення/оформлення замовлення (тобто ви бачите тільки тих, хто купує, тоді вам потрібно це розуміти і робити висновки) ще не купили. Який відсоток тут відповісти досить складно.

Які інструменти up аналітики використовуєте крім Firebase?

На даний момент, оскільки продукт відносно молодий, ми використовуємо Firebase. Також ми працюємо з проєктами, які використовують Floodlight (інструмент допомагає робити глибокі посилання, щоб користувач із реклами переходив одразу на певний екран програми). Насправді на початковому етапі Firebase – буде більш ніж достатньо. Цей інструмент має глибокий функціонал, окрім аналітики й тому, що ви можете інтегруватися з Google Ads, він ще дає можливість робити push-сповіщення (це дозволяє простим способом робити безоплатні комунікації). Також він має інструмент «Повідомлення про наміри». Наприклад є мета Продажу і ви кажете системі, що якщо користувач має ймовірність 70%, що він здійснить покупку в додатку, то ми йому відправляємо певне повідомлення (push, ідентифікацію), яке підштовхне його це зробити швидше.

Скільки часу займає побудова такої системи?

По різному. Все залежить від факторів, як побудовано додаток (які технології використовує додаток і сайт), як настроєна комунікація з командами клієнта, швидкість реалізації ТЗ розробника.