Кейс Фабрики Окон и Adventum: как адаптировали сквозную аналитику и достигли 99,9% точности данных

Adventum
Блог компании на Cossa.ru
Adventum
Блог компании на Cossa.ru
8 декабря 2022, 17:17
0

Кейс Фабрики Окон и Adventum: как адаптировали сквозную аналитику и достигли 99,9% точности данных

Почему компаниям с длинным циклом сделки важно использовать сквозную аналитику и какие сервисы визуализации выбрали на замену ушедшим Tableau и Power BI.
Кейс Фабрики Окон и Adventum: как адаптировали сквозную аналитику и достигли 99,9% точности данных

Многие отрасли зависят от политических и экономических событий. Так, после февраля 2022 года спрос на установку окон заметно снизился, рынок оконных конструкций просел на 20%, по данным портала ОКНА МЕДИА.

Также в марте 2022 г. Google Ads приостановил работу в России. Многие компании стали переводить рекламные бюджеты на оставшиеся каналы продвижения, из-за чего на них увеличилась конкуренция и вырос аукцион.

В такие периоды компаниям требуется максимальная точность данных, чтобы отслеживать эффективность рекламных каналов и оптимизировать воронку продаж.

В этом кейсе расскажем:

  1. Почему компаниям с длинным циклом сделки важно использовать сквозную аналитику, как она помогает в принятии управленческих решений, прогнозировании и координации маркетинга.

  2. Как адаптировали сквозную аналитику под меняющиеся запросы компании и достигли 99.9% точности данных.

  3. Какие сервисы визуализации выбрали на замену ушедшим Tableau и Power BI.

О компании

Фабрика Окон изготавливает и продает пластиковые, деревянные окна, алюминиевые конструкции. Кроме изготовления, компания занимается установкой, ремонтом, отделкой балконов и лоджий, выполняет сложные проекты по остеклению.

Фабрика Окон работает с 2004 года в Москве и Московской области.

Для чего Фабрике Окон сквозная аналитика

С Adventum Фабрика Окон работает с 2019 года. Основной запрос — отслеживать всю воронку пути пользователей: какие лиды привели к контактам, по которым состоялся выезд, замер и в итоге сделка.


Данные сквозной аналитики Фабрики Окон используют:

  • управленческий состав и маркетологи компании;

  • отдел развития партнерских программ;

  • партнеры Фабрики Окон, чтобы фиксировать лиды со своих сайтов и оценивать конверсию этих лидов в заключение договора;

  • внешние специалисты по SEO-продвижению, чтобы фиксировать данные по органике и получать оплату за каждый лид;

  • специалисты Adventum, которые настраивают контекстную рекламу Фабрике Окон, чтобы оценивать эффективность кампаний по лидам и использования конкретных ключевых слов для поисковика.


Особенности компаний с длинным циклом продаж

Представим идеальную схему покупки товара: пользователь увидел рекламу, зашёл на сайт, заинтересовался предложением и купил товар. На деле так бывает далеко не всегда. Пользователь может перейти на ваш сайт по рекламе, затем уйти на сайт конкурента, после чего — вернуться к вам с другого источника.

Проанализировать такое поведение намного сложнее. Здесь и помогает сквозная аналитика. Рассмотрим распространённые проблемы анализа и варианты их решения.

Проблема учета нескольких обращений

Например, в январе пользователь зашёл на сайт, пообщался с менеджером по телефону, но отложил покупку. В феврале он ещё раз зашёл на сайт, позвонил в компанию, встретился с менеджером и заказал окна. 

Какие звонки учитывать — оба или только один? В Фабрике Окон решили учитывать только одно целевое действие — первый звонок, так как на него напрямую влияет реклама.

Рассмотрим ситуацию посложнее: в первый раз клиент посетил сайт в январе 2021 года, второй — в феврале 2022-го. В этой ситуации нельзя учитывать первый источник, поскольку рекламная кампания давно закончилась.

Что делать? Разбить всю активность пользователя на периоды выраженного интереса к продукту или компании. Для Фабрики Окон «период интереса» заканчивается, когда:

  • прошло 90 дней с последнего звонка или посещения сайта пользователем;
  • прошло 30 дней с последнего посещения сайта (при этом, кроме захода на сайт, никаких других коммуникаций не было).

В каждом периоде можно посмотреть, из каких источников пришёл клиент, и оптимизировать маркетинг. Для этого необходимо собирать и объединять в пользовательскую историю данные о поведении в офлайне и онлайне: 

  • составлять карточку пользователя, 

  • тегировать целевые обращения в CRM и колл-трекинге, прослушивая звонки.

Проблемы разных источников

Клиенты Фабрики Окон обращались в компанию с разных источников. В цепочке мог участвовать органический поиск или контекстная реклама, после которых человек впервые делает звонок в компанию. После этого его может «догнать» ремаркетинг, клиент снова звонит и делает заказ. 

Какому источнику в этом случае отдать ценность покупки — одному или распределить между несколькими? Зависит от особенностей бизнеса.

Для Фабрики Окон наиболее значимыми являются:

  • последний платный источник, который привел к продаже,

  • самый первый источник, с которого началось знакомство будущего покупателя с сайтом. 

Чтобы компания могла проводить такой анализ в любое время, Adventum добавили в дашборд две модели атрибуции: Last non-direct click и First click. Они помогают понять, насколько каждый источник трафика решает основные задачи бизнеса: 


  • First click — привлечение новых пользователей на сайт, которые затем совершат целевое действие. Отключение конверсионных по First click источников может привести к падению продаж, даже если прямых конверсий с этих источников нет.  

  • Last non-direct click отвечает за ближайший к продаже источник, но учитывает только платные, так как ими проще управлять. Если источник не работает — отключаем его, работает — увеличиваем бюджет.

Пример: 

Пользователь перешел на сайт с каталога строительных материалов и не оставил заявку. Два дня спустя этот же пользователь кликнул по контекстной рекламе и снова не совершил никаких действий на сайте. Еще через день он перешёл по прямой ссылке, которую сохранил в закладках, и записался на замер.

По First click конверсия будет относиться к реферальному трафику — переходу со стороннего сайта. 

По Last non-direct click — к контекстной рекламе.

Реализация этих моделей в дашборде помогает Adventum и Фабрике Окон делать правильные выводы о результатах кампаний и не отключать эффективные.

Задача — адаптировать сквозную аналитику под измененные бизнес-процессы

На момент первичной настройки сквозной аналитики в Фабрике Окон была настроена сегментация звонков, поступающих в колл-центр. Их делили на 2 категории:

  • «грязные» контакты — все звонки, поступающие в колл-центр;

  • «чистые» контакты — контакты, готовые к продаже.

К категории «грязный» контакт относились также звонки от клиентов, которые уже заключили договор и хотели задать вопросы, например, по срокам изготовления, дате монтажа, постгарантийному обслуживанию и т.д.

Анализ показывал, что до 40% всех звонков приходилось на «грязный» контакт.

Проблема

Когда клиенту нужно что-то уточнить по договору, и он ищет номер телефона менеджера или службы доставки, то идет по легкому для себя пути: открывает поисковик и вбивает, например, «Фабрика Окон». Так скликивается рекламное объявление.

Из этой проблемы вытекает 2 задачи:

  1. Определить, в какие подразделения компании часто поступают повторные звонки для уточнения информации.

  2. Проанализировать, какие ключевые запросы в поисковике вбивают такие клиенты, чтобы оптимизировать эти запросы и не тратить рекламный бюджет.

Решение

Для решения этих задач в 2021 году Фабрика Окон изменила правила внесения данных в 1С: добавились новые поля и разбивки в зависимости от вопроса пользователей.

«Мы расширили типологию входящего трафика, увеличили типологию грязных контактов. За счет этого мы смогли более детально наладить бизнес-процессы внутри компании. А это в результате привело к снижению доли рекламных расходов. Чем качественнее мы обрабатываем входящий трафик, тем выше клиентский сервис и меньше доля маркетинговых затрат»‎.

Вероника Катаева, директор по маркетингу Фабрики Окон

Дополнительно они внедрили разбивку входящего трафика по подразделениям внутри компании. Теперь можно видеть, какой показатель ДРР (доля рекламных расходов) у каждого подразделения и рассчитывать эффективность рекламных кампаний по каждому из них.


Это реализуется на этапе поступления звонка в колл-центр. В каждом направлении тоже появилась рубрикация по типам контактов, благодаря чему все звонки можно фильтровать отдельно по подразделениям и видеть только «чистые» контакты к продаже внутри конкретного отдела.


«Компания не только производит окна, она их ремонтирует, обслуживает, делает специальные сложные проекты, она работает с дилерами. Все это разные подразделения. По каждому проекту мы теперь можем проследить, как входящий трафик конвертируется в лиды и затем в договоры».

Вероника Катаева, директор по маркетингу Фабрики Окон

Все эти изменения нужно было внести в систему сквозной аналитики.

Реализация

Изначально система сквозной аналитики в Фабрике Окон строилась на облачной инфраструктуре Google с использованием Google BigQuery и последующей 

визуализацией в системе Tableau. Подробнее об этом мы рассказали в кейсе «Построение сквозной аналитики на примере компании Фабрика Окон».


Введение дополнительной рубрикации в 1С повлекло за собой внесение правок в систему сквозной аналитики. Для этого Adventum детально прописали расчет каждого поля, чтобы не было расхождения в правилах внесения данных. Также определили правила, по которым команда Фабрики Окон будет сообщать об изменениях.


«Бизнес не стоит на месте. В логике расчета показателей тут и там появлялись “заплатки”, которые отражали изменения в 1С и других системах. Когда накопилась критическая масса этих изменений, мы провели рефакторинг, переписав с нуля все правила расчета показателей. В результате данные в сквозной аналитике стали полностью совпадать с 1С. Такое периодическое обновление необходимо для любой системы, работающей в меняющемся бизнесе».

Николай Сущенко, технический директор Adventum

Работу разбили на несколько этапов. 

Этап 1. Сбор требований

  • Проработка процесса информирования об изменениях в 1С;

  • составление справочника по правилам расчета показателей и разбивок (16 разбивок, 25 показателей);

  • проведение сверки по реперным показателям по направлениям.

Этап 2. Связь данных в 1С и донастройка аналитики

  • Внесение изменений в сквозную аналитику для соответствия правилам;

  • тестирование ошибок и работоспособности системы;

  • согласование данных, сверка 1С по дням и за месяц.


«Для меня важно 100% совпадение данных. Я смотрю 1С, Google Analytics и дашборд сквозной аналитики, и если данные совпадают, можно не тратить время на сверку и сразу заняться анализом»‎.

Вероника Катаева, директор по маркетингу Фабрики Окон

Благодаря проведенным работам повысилось совпадение данных и процент договоров, по которым определен рекламный источник, с 50 до 80%

До 100% этот показатель довести на практике невозможно: всегда есть люди, откуда-то узнавшие прямой номер компании или пользующиеся функциями анонимности в браузерах. Но даже 80% дает возможность принимать решения, основанные на данных.

Уход Tableau из России и поиск нового сервиса визуализации данных сквозной аналитики

В марте 2022 сервис Tableau, который был задействован в сквозной аналитике Фабрики Окон, приостановил работу в России. Нужно было найти новое решение, максимально соответствующее запросу компании.

«Для нас важно удобство использования сквозной аналитики. Визуализация и функциональность — 2 основных фактора при выборе нового сервиса. Есть стандартные отчеты, которые мы используем ежедневно. Но часто бывают ситуации, когда нужно посмотреть срез данных, которые не входят в стандартные отчеты. Мне важно, чтобы такая возможность была реализована через конструктор отчетов».

Вероника Катаева, директор по маркетингу Фабрики Окон

Выбирали между сервисами Redash и Superset. Остановились на Superset, потому что в нем есть:

  • конструктор отчетов (таблицы с вложенностью). В Redash есть возможность выбирать разные уровни, но без вложенности.

  • быстрое построение отчетов. В Redash делать дашборды чуть легче, но весь дашборд строится на SQL-запросах, и из-за этого он работает намного дольше. Приходится долго ждать, чтобы прогрузить большой объем данных.


Также в Superset при смене уровня не сбрасываются русские названия, как это происходит в Redash.

В Superset можно выбирать, что будет отображено на каждом уровне вложенности, через выбор параметров «Когорты» и «Атрибуция». К тому же, он практически не отличается от того, что было в Tableau.


«Tableau, конечно, превосходит Superset с точки зрения аналитики, когда нужно “на лету” просчитать какие-то новые показатели. Но в ежедневной работе, когда количество срезов не очень велико, и нужно смотреть примерно одни и те же данные, Superset хорошо справляется. Можно один раз потратить время и настроить отчеты, которые будут такие же функциональные, как в Tableau. Из преимуществ — у Superset открытый код, и его может поставить себе любая компания».

Николай Сущенко, технический директор Adventum



Ответить?
Введите капчу

✉️✨
Письма Коссы — лаконичная рассылка для тех, кто ценит своё время: cossa.pulse.is