Оптимизация контекста на примере сервиса бронирования
Вводные
Сервис занимается бронированием столиков в ресторанах и зарабатывает комиссию 10% от суммы чека гостя. Важно понимать, что чек может отличаться в десятки раз и еще, что человек может не дойти до ресторана. Также чек варьируется от кол-ва человек.
Важно еще отметить, что средний чек в разных ресторанах может отличаться в десятки раз. Есть люди, которые оставляют на компанию из 10 человек 3000 рублей, а есть рестораны, в которые люди часто ходят вдвоем на 30-50 тысяч рублей.
Контекстная реклама
Всю контекстную рекламу мы разделили на несколько основных групп:
- по названиям ресторанов
- по районам
- по метро
- по улицам
- по типам заведений (бар, мясной ресторан…)
- типы мероприятий (девишник, свадьба, банкет…)
- комбинации (пивной ресторан + метро, пивной ресторан + улица, пивной ресторан + район)
По названиям ресторанов сделали прежде всего большую кампанию со всеми ресторанами. Объявления выглядели так:
Бронирование столиков в «..»Онлайн бронирование столиков в ресторане ***. Бесплатно.
Эти объявления дали неплохой результат (CPA в среднем 300 рублей) но мы конечно же продолжили экспериментировать. На след этапе мы вручную составили объявления по каждому отдельному ресторану. Объявления второго этапа выглядели так:
Ресторан ****Неповторимый интерьер и прекрасная кухня в ресторане на Ордынке.
Причем каждому ресторану писали адекватное объявление, вообще ничего не писали про сервис бронирования, как будто это реклама самого ресторана. CTR увеличился примерно в 3 раза и соответственно стоимость клика снизилась примерно в 4 раза. CPA опустилось в среднем до 130 рублей. (количество отказов увеличилось, так как люди надеялись, что они переходят на сайт ресторана).
По районам, по метро, по улицам, по типам заведений, по типам мероприятий и комбинированные компании мы составили автоматом без труда. Учитывая, что стоимость перехода по ним низкая - особо с ними не возились, так как и так всё устраивало. Оставили все на управление Buber.Context, чтобы регулярно обновлялись ставки и объявления всегда были в спецразмещение без переплат.
Телефонные звонки
Мы начали строить прозрачную аналитику по онлайн и телефонным заказам.
Прежде всего столкнулись с тем, что при таком объеме трафика динамический call-Tracking (когда каждой сессии присваивается отдельный номер) нам не подходит, а при статическом call-Tracking - мы видим только каналы, но не понимаем с какого именно объявления пришел звонок. Также мы столкнулись с тем, что мы считаем кол-во входящих звонков но не понимаем, сколько этот звонок принес нам непосредственно денег (случилась ли бронь и сколько мы на ней заработали).
Мы сделали свою собственную систему, основанную на нескольких вводных:
- сравнение номера абонента и номера в заказе (это закрыло 40% вопросов)
- если в момент телефонного заказа столика в ресторане Х на странице этого ресторана находился только один человек - мы делаем вывод, что позвонил именно он.
- на всех внешних каналах (например в объявление Яндекс-Директ) мы указываем отдельный номер и там крайне легко понять, какое именно объявление привело к бронированию без перехода
В итоге мы закрыли 85-95% телефонных бронирований и знаем про них все.
Повторные заказы
Мы начали вести когорты анализ не только по транзакциям, но и с учетом того, что человек с этого номера уже звонил.
То есть:
- мы потратили на человека Х рублей
- он совершил бронь и принес нам У рублей
- человек записал себе номер телефона (или же запомнил сайт)
- все его повторные бронирования на самом деле относятся к первой трате на него.
Посчитать повторные заказы по онлайн бронированиям - не проблема, а вот комплексно считать повторные заказы с учетом, что он мог заказать первый раз онлайн, второй раз с телефона, а третий - из мобильного приложения - не самая простая задача, но когда мы всё это построили - получилась красивая картина и мы поняли, где у нас повторения.
Дни недели и часы
Мы начали анализировать конверсию и средний чек по дням недели и часам. Оказалось, что например в пятницу конверсия выше, но вероятность прихода и средний чек ниже, но не по всем ресторанам.
Оказалось, что в разных ресторанах конверсия в разные дни недели и вероятность прихода в разные дни недели разная и мы разработали систему гибкого управления контекстной рекламой, которая учитывала бы эту вероятность и в зависимости с ними корректировала ставки.
После внедрения этой системы мы повысили эффективность рекламы еще на 30%.
Учет повторных заказов
Дальше мы поставили перед собой задачу максимально увеличить количество клиентов, совершающих повторные заказы. Обнаружилось, что вероятность повторного заказа сильно зависит как от дня недели, так и от ресторана, в который осуществляется бронирование.
Мы проанализировали весь этот массив данных и добавили новые корректировки в механизмы управления контекстом. В результате мы стали уходить «в минус» по некоторым группам и в некоторые дни недели и часы, но у нас стала сильно увеличиваться база постоянной аудитории, которые совершают повторные заказы и не стоят повторно дополнительных денег.
Результаты
Бизнес очень сильно связан с сезонной активностью и у каждого сезона есть своя специфика и свои нюансы. Очевидно, что есть новый год, в который идет большое кол-во банкетов, но процент подтверждения броней минимальный, а есть лето, когда люди ходят на террасы и пьют исключительно чай с минимальным чеком.
Мы довели систему, чтобы она принимала решения на основании как общей статистики, так и статистики за последнее время по данному ресторану и на основании этой статистики управляла рекламой.
Получили контролируемую рекламу. Возможность получать как быстрое оборачивание денег, так и накапливание постоянных пользователей, в зависимости от того, что необходимо в данный момент бизнесу.