Как ошибка ценой в 3 000 000 рублей заставила настроить сквозную аналитику: эволюция от Excel к BI отчетам
Максим Манжай, руководитель проектов в Finepromo, выступил на конференции ppc-conf, где рассказал, как устроена сквозная аналитика в сервисе онлайн доставки цветов Русский Букет. По мотивам выступления сделали эту статью.
О клиенте
Русский Букет 13 лет занимается онлайн доставкой цветов по России и миру. Это более 100 стран через сеть собственных салонов и партнерские магазины.
Оборот более 25 миллионов в месяц и более 30 тысяч заказов.
Последние 6 лет мы, агентство Finepromo, отвечаем за performance-маркетинг: контекстную рекламу и веб-аналитику. Все это время нам удавалось расти:
Аналитика — один из факторов такой эффективности. На проекте мы внедрили систему дашбордов, которые позволяют оптимизировать рекламу по реальным продажам. Рассказываем, как перешли к BI отчетам от ручной обработки в Google Sheets. Раньше, чтобы отследить эффективность рекламной кампании, мы выгружали Excel, где формировали количество заказов по каналам. Это долго: нужно настроить фильтры, просмотреть период, свести данные из Директа и данные из админки в Google Sheets. А выгружали данные каждый день. Рассказываем, как потеряли их в статистике. При оптимизации ориентировались на ласт клик, видели сверхприбыль в 3 млн и радовались, сколько мы зарабатываем. Потом решили сверить данные с бухгалтерией клиента. Стали разбираться в цифрах, и увидели что этих денег по сути нет (хорошо что это была сверхприбыль). Исправили ошибку и затем приняли решение переходить все-таки к нормальной аналитике. Теперь мы сводим данные из CRM и рекламных кампаний вплоть до ключей и визуализируем в Power BI. Данные в отчетах обновляются каждые 2 часа. Это удобно, а во время праздников 14 февраля и 8 марта, когда рекламный аукцион сходит с ума — просто бесценно. Вручную мы бы никогда не смогли реагировать на изменения ставок так быстро, как получается с Pbi. Дашборды помогли кратно повысить эффективность оптимизации и освободить время специалистов на развитие проекта. Перечислим несколько полезных функций. Рассчитываем целевой CPO на основании средней прибыли по кампании по городу Средний чек по городам разный и соответственно, разные значения CPO. Мы устанавливаем целевую стоимость и обучаем автостратегии по каждому городу. Если РК разбиты по товарам, также будет работать обучение для каждого товара. Такая аналитика полезна тем, что показывает изменение CPO в динамике, вплоть до ключевых слов, и специалисту не приходится вручную высчитывать нужную стоимость заказа для каждой кампании. А у нас их более 500 штук. Также в отчете мы используем CR — коэффициент конверсии для работы в плюс. Например, если стоимость заказа 1000 рублей, клик 100 рублей по конкретному городу, значит конверсия должна быть 10%. Тогда мы управляем стоимостью клика, сужаем аудиторию, смотрим, как можно сократить затраты, либо подключаем другой канал. Или ищем варианты, как увеличить конверсию. Можем сверять CR для работы в плюс с реальным и искать пути оптимизации по фразам — выводить на первые позиции ключи с более высоким CR. Этот показатель в отчете экономит специалисту много часов, которые раньше тратились на таблички в Excel. На основании когортного анализа мы сравниваем между собой 2 периода по кампаниям и можем смотреть, как изменения повлияли на эффективность. Также сравниваем сезонные периоды, и смотрим, по каким каналам есть прирост, по каким нет. Это позволяет контролировать результат по срезам: товарным группам или городам. Вместе с клиентом можем выстраивать ценообразование от CPO. Например, мы видим что в каком-то городе он мало зарабатывает с букета. Поэтому с установленной аукционом ценой CPO не получается работать в плюс. Договариваемся с клиентом повысить цены, и таким образом увеличиваем ROI. В итоге мы выполняем план, а клиент больше зарабатывает. Рассказываем, что под капотом и на что обратить внимание, если хотите внедрить подобные отчеты у себя. Используем динамическую метку ID кампаний и клеим на основании этого параметра. Этот же ID передаем в CRM вплоть до ключа, а потом визуализируем в BI. Также внутри отчета у нас сформирован коннектор по городам. В Директе кампании выгружаются по городам с одним наименованием, а в админке сайта выглядят по другому. Чтобы свести данные между собой, надо внутри хранилища собрать коннекторы. Все чистые данные хранятся в CRM, оттуда грузим в BigQuery. Потому что проект международный, работает он там без сбоев. Удобнее хранить данные в облачном хранилище: Yandex Cloud, Google BigQuery. Но иногда это может быть и офлайн сервер. Например, если у вас медицинская тематика, то Роспотребнадзор требует, чтобы данные были максимально защищены. Мы используем облако. С учетом последних событий рекомендуем использовать Yandex Cloud, особенно на отечественных проектах. Сервисы Google сейчас в РФ работают плохо, и неизвестно, сколько продержатся в принципе. Данные обрабатываем кодом, BI лишь визуал. Основная часть обработки должна быть на стороне хранилища. Не стоит грузить визуал BI обработкой, расчетами, склейкой. При большом количестве данных отчет будет тормозить. Визуализация в BI разнообразна, можно экспериментировать — делать воронки, статистику, графики. На больших проектах необходимо автоматизировать отчетность, чтобы экономить время маркетолога и более оперативно управлять рекламой. В статье мы перечислили не все фишки и полезные возможности дашбордов. Есть интерактивная демо версия отчетов, которые мы внедряем на проектах — посмотрите по ссылке. На вопросы по настройке аналитики в Power BI, или как переехать на российские аналоги сервисов по аналитике, готовы ответить в комментариях.
Как было: таблички и ручная работа
Ошибка ценой в 3 миллиона рублей
Стало: дашборды с автообновлением
Что умеют дашборды Русского Букета
Выстраиваем целевую конверсию по CPC
Сравниваем показатели
Повышаем ROI с динамическим ценообразованием
Важные моменты в реализации дашбордов
Хранение данных
Обработка
Выводы