Сквозная аналитика — это не просто красивые отчеты и графики. Возможность отслеживать путь каждого клиента, от первого контакта до регулярных покупок, может помочь компаниям снизить стоимость неэффективных и переоцененных рекламных каналов, повысить рентабельность инвестиций и оценить, как их присутствие в Интернете влияет на офлайн-продажи
Использование сквозной аналитики для оценки онлайн торговли
Ситуация. Компания открыла интернет-магазин и несколько розничных магазинов. Клиенты могут покупать товары прямо на веб-сайте компании или проверять их в Интернете и приходить в обычный магазин за покупками. Владелец сравнил доход от онлайн-продаж и офлайн-продаж и пришел к выводу, что физический магазин приносит гораздо больше прибыли.
Цель. Решить, стоит ли отказаться от онлайн-продаж и сосредоточиться на обычных магазинах. Практическое решение. Компания по производству нижнего белья изучила эффект ROPO — влияние своего присутствия в сети на офлайн-продажи.
Эксперты пришли к выводу, что 40% клиентов посетили сайт перед покупкой в магазине. Следовательно, без интернет-магазина почти половина их покупок не совершалась бы. Чтобы получить эту информацию, компания использовала две системы сбора, хранения и обработки данных:
-Google Analitics для информации о действиях пользователей на сайте.
-CRM компании для данных о стоимости и выполнении заказов.
-Сквозная аналитика-это система объеденения данных о бизнесе компании
Маркетологи объединили данные из этих систем, которые имели разную структуру и логику. Для создания единого отчета помогла настройка сквозной аналитики
Использование сквозной аналитики для увеличения рентабельности инвестиций
Для привлечения клиентов бизнес использует несколько рекламных каналов, включая seo, контекстную рекламу, социальные сети и телевидение. Все они различаются по стоимости и эффективности.
Цель, избежать неэффективной и дорогой рекламы, а использовать только эффективную и дешевую рекламу. Это можно сделать с помощью сквозной аналитики, чтобы сравнить стоимость каждого канала с ценностью, которую он приносит.
Практическое решение. В сети медицинских клиник пациенты могут общаться с врачами по разным каналам: на сайте, по телефону или на рецепции. Однако обычных инструментов веб-аналитики было недостаточно, чтобы определить, откуда пришел каждый посетитель, поскольку данные собирались в разных системах и не были связаны между собой. Аналитикам сети пришлось объединить следующие данные в одну систему:
-Данные о поведении пользователей из Google Analytics
-Данные о звонках из систем коллтрекинга
-Данные о расходах из всех рекламных источников
-Данные о пациентах, госпитализации и доходах из внутренней системы клиники.
Отчеты, основанные на этих совокупных данных, показали, какие каналы не окупаются. Это помогло сети клиник оптимизировать расходы на рекламу.
Например, в контекстной рекламе маркетологи оставили только кампании с лучшей семантикой и увеличили бюджет на геосервисы.
В результате сеть медицинских клиник увеличила ROI отдельных каналов в 2,5 раза и вдвое сократила расходы на рекламу. Сквозная аналитика это, очень серьезный инструмент в умелых руках.
Использование сквозной аналитики для поиска областей роста в контекстной рекламе
Ситуация. Прежде чем что-то улучшать, нужно выяснить, что именно работает некорректно. Например, возможно, количество кампаний и поисковых фраз в контекстной рекламе увеличилось настолько быстро, что управлять ими вручную стало невозможно. Итак, вы решили автоматизировать управление ставками. Для этого нужно понимать эффективность каждой из нескольких тысяч поисковых фраз. Ведь при неверной оценке можно либо слить свой бюджет даром, либо привлечь меньше потенциальных клиентов.
Цель. Оценить эффективность каждого ключевого слова для тысяч поисковых запросов. Устранение ненужных расходов и низкого уровня продаж из-за неправильной оценки. Практическое решение. Чтобы автоматизировать управление ставками, Компания розничный продавец мебели и предметов домашнего обихода в гипермаркете, подключил все каналы привлечения клиентов. Это помогло им отслеживать телефонные звонки, посещения магазинов и каждый контакт с сайтом с любого устройства.
После объединения всех этих данных и настройки сквозной аналитики сотрудники компании начали внедрять атрибуцию — распределение ценности. По умолчанию Google Analytics использует модель атрибуции по последнему косвенному клику. Но при этом игнорируются прямые посещения, и последний канал и касание в цепочке взаимодействия получают полную ценность конверсии. Чтобы получить точные данные, специалисты Компании, настроили атрибуцию на основе воронки.
Ценность конверсии в нем распределяется между всеми каналами, участвующими в каждом шаге воронки. Изучая объединенные данные, они оценивали прибыль по каждому ключевому слову и видели, какие из них были неэффективными, а какие принесли больше заказов. Аналитики Компании установили, что эта информация будет обновляться ежедневно и передаваться в автоматизированную систему управления ставками. Затем ставки корректируются так, чтобы их размер был прямо пропорционален рентабельности инвестиций ключевого слова. В результате Компания увеличила рентабельность инвестиций в контекстную рекламу на 17% и удвоила количество эффективных ключевых слов. Сквозная аналитика это, система помагающея бизнесу решать самые разнообразные задачи.
Использование сквозной аналитики для персонализации общения
Ситуация. В любом бизнесе важно наладить отношения с клиентами, чтобы делать соответствующие предложения и отслеживать изменения в лояльности к бренду. Конечно, когда клиентов тысячи, невозможно сделать индивидуальные предложения каждому из них. Но вы можете разделить их на несколько сегментов и выстроить коммуникацию с каждым из этих сегментов.
Цель. Разделить всех клиентов на несколько сегментов и наладить коммуникацию с каждым из этих сегментов.
Практическое решение. Бренд с интернет-магазином одежды, обуви и аксессуаров улучшил работу с покупателями. Чтобы повысить лояльность клиентов и пожизненную ценность, маркетологи Компании индивидуализировали общение через колл-центр, электронную почту и SMS-сообщения.
Покупатели были разделены на сегменты в зависимости от их покупательской активности. Результатом этого стали разрозненные данные, потому что клиенты могут покупать в Интернете, заказывать в Интернете и забирать продукты в обычном магазине или вообще не использовать сайт. Благодаря этому часть данных была собрана и сохранена в Google Analytics, а другая часть — в системе CRM.
Затем маркетологи Компании идентифицировали каждого покупателя и все его покупки. На основе этой информации они определили подходящие сегменты:
-Новые покупатели,
-Клиенты, совершающие покупки раз в квартал или раз в год,
-Клиенты и т. Д.
Всего они выделили шесть сегментов и сформировали правила автоматического перехода из одного сегмента в другой. Это позволило маркетологам Компании наладить персонализированное общение с каждым клиентским сегментом и показать им разные рекламные сообщения.
Использование сквозной аналитики для выявления случаев мошенничества при рекламе с оплатой за действие (CPA)
Ситуация. Компания использует модель цены за действие для интернет-рекламы. Она размещает рекламу и платит платформам только в том случае, если посетители выполняют целевое действие, например посещают свой веб-сайт, регистрируются или покупают продукт. Но партнеры, размещающие рекламу, не всегда работают честно, среди них есть мошенники. Чаще всего эти мошенники подменяют источник трафика таким образом, что создается впечатление, будто их сеть привела к конверсии. Без специальной аналитики, позволяющей отслеживать каждый шаг в цепочке продаж и видеть, какие источники влияют на результат, выявить такое мошенничество практически невозможно.
У Банка были проблемы с маркетинговым мошенничеством. Их маркетологи заметили, что затраты на партнерский трафик выросли, а выручка осталась прежней, поэтому они решили внимательно проверить работу партнеров.
Цель. Выявить мошенничество с помощью сквозной аналитики. Отслеживайте каждый шаг в цепочке продаж и понимайте, какие источники влияют на целевые действия клиентов.
Практическое решение. Чтобы проверить работу своих партнеров, маркетологи Банка собирали необработанные данные о действиях пользователей на сайте: полную, необработанную и не анализированную информацию. Среди всех клиентов с последним партнерским каналом они выбрали тех, у кого были необычно короткие перерывы между сессиями. Они обнаружили, что вовремя этих перерывов источник трафика был переключен.
В результате аналитики Банка обнаружили несколько партнеров, которые присваивали зарубежный трафик и перепродавали его банку. Поэтому они перестали сотрудничать с этими партнерами и перестали тратить зря свой бюджет.
Сквозная аналитика-это
Решение самых распространенных маркетинговых задач. На практике с помощью интегрированных данных о действиях пользователей как на веб-сайте, так и в автономном режиме, информации из рекламных систем и данных коллтрекинга можно найти ответы на многие вопросы, касающиеся того, как улучшить свой бизнес.
