Сквозная аналитика помогает оптимизировать бизнес-процесс и значительно увеличивает доходы. И это не просто слова. Группа аналитиков из OWOX BI, на примере пяти кейсов, доказывает этот факт.
Оценка онлайн-вложений
Решение задачи. Специалисты компании Darjeeling проанализировали, так называемое, ROPO-явление. Они выяснили, что 40% клиентов перед посещением физической точки продаж и, собственно, совершением покупок, заходили на официальный сайт магазина. Из этого следует, что если бы у компании не было бы онлайн-магазина, львиной части покупок могло бы и не быть.
Для получения информации о продажах аналитики Darjeeling использовали несколько инструментов:
- Сервис «Google Analytics» – с его помощью получали информацию о том, что делали посетители на сайтах, какие страницы посещали, как долго, с каких регионов заходили на сайт.
- CRM-система – с ее помощью изучали данные об обработанных заказах (расходы, количество выполненных заказов).
Сведения из различных систем систематизировали и связали в одно целое. Для этого были использованы BI-системы сквозной аналитики.
Увеличение показателя «return on investment»
Решение задачи. Для примера, рассмотрим сеть частных клиник «Доктор рядом». Эта организация, для взаимодействия посетителей с врачами, использовала такие каналы: формы на сайте, телефонные звонки, общение со специалистами непосредственно в клиниках, в регистратуре. Специалисты по маркетингу проанализировали путь каждого клиента.
При этом, ввиду того, что данные были собраны в различных системах (сведения о пользовательских действиях были взяты из Google Analytics, данные о поступивших звонках – из колл-трекинга, о расходах, прибыли и приемах – из локальной базы клиники), стандартных инструментов интернет-аналитики для решения этого вопроса было недостаточно. Было принято решение систематизировать все данные и объединить их в единую систему.
Собранные в отчеты данный показали, какие именно рекламные каналы не окупается. К примеру, в контекстной рекламе специалисты оставили только те кампании, у которых семантика лучше, увеличили расходы на гео-сервисы. В итоге клиника приумножила коэффициент окупаемости некоторых каналов в два с половиной раза, в целом вдвое сократила затраты на рекламу.
Поиск точек роста
Решение задачи. Известный многим, гипермаркет мебели Hoff для автоматизации рекламных кампаний связал все сессии посетителя. Это позволило полностью отслеживать действия пользователей на их сайте: взаимодействие с сайтом на любых устройствах, будь то смартфон, компьютер или планшет, его звонки в контакт-центр, и даже процесс посещения магазинов.
После того, как все данные были объединены, и была произведена настройка сквозной аналитики, сотрудники Hoff приступили к расстановке приоритетов/ценностей. По умолчанию Google Analytics распределяет ценности по последнему непрямому клику. Но подобная стратегия имеет недостаток: полностью игнорируются непрямые посещения, конверсия рассчитывается по последнему каналу. Это не отражает реальной ситуации. Но клиент, прежде чем совершить покупку или отказаться от нее, мог до этого заходить на сайт, изучать товар, сравнивать цены и выполнять прочие действия. В стандартной схеме все это не учитывается.
Специалисты настроили распределение ценностей на базе воронки продаж, чтобы увидеть реальную ситуацию. При анализе данных сотрудники оценили доходность каждой ключевой фразы поиска, нашли неэффективные, а также те, которые обладают максимальной конверсией.
Так же, специалисты по аналитике настроили, чтобы обновление и передача информации в систему авто управления ставками происходила каждый день, размер ставок делали прямо пропорциональным показателю ROI ключевой фразы.
По итогам Hoff на 17% повысили коэффициент окупаемости контекстной рекламы, вдвое умножили численность эффективных ключевых фраз поиска, которые ранее не были учтены.
Персонализация коммуникации
Решение задачи.
На примере универмага Butik, который расположен в Москве, рассмотрим как можно улучшить работу с клиентами. С целью повышения лояльности посетителей и увеличения продолжительности цикла взаимосотрудничества с посетителями, специалисты по рекламе и маркетингу ввели персонализацию каналов коммуникации по средствам call-центра, рассылки по email и SMS.
Всех посетителей распределили по группам, в соответствии с частотой совершения покупок. В результате были получены абсолютно не связные данные, ведь клиенты могут совершать покупку разными способами: в интернете, просто физическом магазине, заказать на сайте и забрать в шоуруме. По этой причине, пришлось часть данных брать с Google Analytics, а часть в CRM-системе.
![0_3XwDISpPPrTcG4ue 0_3XwDISpPPrTcG4ue](https://prime-ltd.su/wp-content/uploads/2019/01/0_3XwDISpPPrTcG4ue.gif)
На базе полученных данных маркетологи распределили покупателей по разным группам: «новый клиент», «делает покупки раз в 3 месяца», «совершает покупки 1 раз в год», «совершает покупки постоянно». Также были сформированы правила перехода из одной группы в другую. В результате различным группам покупателей показывались различные объявления, типы скидок и прочее.
Как обнаружить Cost-Per-Action мошенничество
Решение задачи. Со случаями мошенничества столкнулся «Райффайзенбанк»: расходы на партнерскую рекламу увеличились (affiliate-трафик), при этом доход остался на прежнем уровне. Чтобы изучить работу партнеров, сотрудники собрали «сырые» данные о том, как именно ведут себя посетители на сайте, т.е. совершенно полную, никак не обработанную еще информацию. Из всех пользователей посещавших сайт, выделили тех, у кого наблюдался странный кратковременный обрыв сессии. Как оказалось во время такого обрыва шла замена источника.
Аналитики нашли партнеров, присваивающих чужой трафик и перепродающих его банку. В дальнейшем сотрудничество с ними было прекращено и бессмысленные траты бюджета прекратились.
Подведение итогов
В данной статье рассмотрены только наиболее распространенные примеры использования систем сквозной аналитики. Используя объединенные данные о действиях клиентов в интернете и оффлайне, данные call-трекинга и рекламных каналов, можно найти ответы и решения множества задач по улучшению бизнеса.