Кейс Askona. Влияние таргетированной рекламы на офлайн-конверсии. Читайте на Cossa.ru

13 мая 2019, 14:50
9

Кейс Askona. Влияние таргетированной рекламы на офлайн-конверсии

Как сопоставить данные из CRM про ваших покупателей и клики из рекламных систем Facebook и myTarget.

Кейс Askona. Влияние таргетированной рекламы на офлайн-конверсии

При планировании и ведении performance-кампаний мы регулярно сталкиваемся с довольно жёсткими KPI, такими как ROI, ROMI, ДРР и другими. Когда перед агентством ставятся такие показатели эффективности, это значит одно — заказчик ориентируется на доход «здесь и сейчас», то есть на покупателей, готовых купить в интернет-магазине.

К сожалению, в таком случае в воронке очень сложно учесть пользователей, которые увидели рекламу в интернете и решили сходить в офлайн-магазин, где и совершили покупку. Но даже в этом случае мы поняли, что реклама сработала. И ниже мы расскажем, как мы пришли к данному выводу.

Компания Askona — производитель качественных товаров для сна (матрасы, диваны, кровати, подушки и подобные товары) и клиент агентства iConText. Ниже мы расскажем об одном интересном кейсе, реализованном совместно с рекламодателем, и о том, как именно таргетированная реклама помогла конвертировать просмотры в продажи на сайте, а также способствовала продажам в офлайн-магазинах.

Специфика бизнеса

Товары для сна, как и некоторые другие категории продукции для долгосрочного использования, чаще приобретаются в офлайн-магазинах. Возможность потрогать, прилечь, сравнить ощущения и даже в полной мере визуально оценить товар пока что недоступна в сфере digital, каким бы хорошим с точки зрения юзабилити не был бы сайт. VR-технологии только набирают обороты и ещё не скоро доберутся до мира рекламы.

Есть лишь часть пользователей, которые готовы осуществить покупку через сайт, остальных же мы можем только подтолкнуть к посещению офлайн-магазина.

Цели и задачи клиента

Основная цель компании Askona — поиск новых каналов продаж и увеличение дохода, но при этом, как говорит руководитель отдела конверсионного маркетинга Адам Машитлов, у компании есть чёткие ограничения по ДРР, за рамки которых они не могут выходить. ДРР — доля рекламных расходов. ДРР рассчитывается как: расходы на рекламу / доходы с рекламы * 100 %.


       

Адам Машитлов

Руководитель отдела конверсионного маркетинга Аskona


«В условиях постоянно растущей конкуренции на рынке (особенно в онлайне), Аskona всегда находится в поисках новых каналов продаж. При этом у нас есть чёткие ограничения по ДРР, за рамки которых мы не можем выходить. Была гипотеза, что реклама в онлайне влияет на продажи в офлайне, но оценить этот эффект и атрибутировать его к интернет-рекламе мы не могли. Благодаря данному исследованию мы получили ценные инсайты, которые позволили нам пересмотреть наши инвестиции в рекламу в социальных сетях и тем самым увеличить доход в рамках приемлемых показателей ДРР».

Для решения этой задачи мы, помимо оценки прямых транзакций, решили изучить, как реклама в социальных сетях влияет на продажи в магазинах.

Для этого был использован инструментарий офлайн-конверсий, доступный на площадках myTarget и Facebook. В рекламных системах социальных сетей хранится информация о пользователях, контактировавших с рекламой, и данные об этом взаимодействии. Так, обе площадки позволяют смэтчить (сопоставить) данные о пользователях.

Если загрузить CRM-базу в рекламные кабинеты, то произойдёт сопоставление данных рекламных кампаний с этими базами. На пересечении окажутся пользователи, которые совершили покупку в офлайн-магазине в том числе после перехода на сайт по рекламе в социальных сетях. То есть, пользователь, который видел или кликал на нашу рекламу, а затем купил что-то в офлайн-магазине Askona, засчитывается как офлайн-конверсия.

Примечание: если нет CRM системы, это работать не будет, так как не будет выгрузок. Если не выставили настройку учета офлайн-конверсий — тоже работать не будет.

Сопоставление происходит, в первую очередь, за счёт телефонных номеров и email-адресов. Для Facebook доступен повышенный функционал для загрузки данных о пользователях, например:

  • имя, фамилия;
  • страна, город;
  • возраст, год рождения, дата рождения;
  • пол;
  • события, в том числе интересующее нас «Purchase» (вид события);
  • ценность события.

Выбор решения, описание, причины

При первой загрузке информации о пользователях из CRM в рекламные кабинеты мы получили первые результаты. Они были довольно противоречивы.

При загрузке одной и той же базы в рекламные кабинеты результаты и эффективность размещений в Facebook и myTarget получилась кардинально разная. Так, мы увидели, что эффективность myTarget по CRM-базе офлайн-покупок в пять раз выше, чем Facebook.

Возник вопрос: насколько эти данные корректны и каким образом происходит подсчёт? Исходя из детального анализа полученных данных, мы, обсудив с рекламодателем, смогли понять, в чём заключается разница подсчёта.

Результаты и эффективность рекламы в myTarget

В myTarget один хеш учитывается несколько раз за счёт показа рекламы одному пользователю из разных рекламных кампаний. Проблема заключается в том, что некоторые транзакции дублируются, и площадка считает участие в конверсии, а не уникальную транзакцию. Ниже мы покажем, как можно решить этот момент.

По умолчанию в myTaget выставлено окно атрибуции — 30 дней после показа. Это значение можно изменить, но мы решили на нём остановиться и в дальнейшем пришли к выводу, что оно является оптимальным. Окно атрибуции — это временной промежуток, который измеряется от первого контакта пользователя с рекламным сообщением и до целевого действия.

В myTarget один хэш учитывается несколько раз за счёт показа рекламы одному пользователю из разных рекламных кампаний - решение

За счёт того, что в myTarget подсчёт конверсий по умолчанию происходит по показам, один пользователь может засчитываться несколько раз как офлайн-конверсия — в случае, если пользователь видел объявления из разных рекламных кампаний. Выше мы это упоминали. Соответственно, каждая кампания припишет эту конверсию себе.

При этом учитываются именно показы, а не клики, и пользователь мог даже не переходить на сайт по нашему рекламному объявлению. В том числе из-за этого количество офлайн-конверсий на выходе может оказаться значительно больше, чем есть на самом деле (как у нас в примере выше с показатели myTarget по сравнению с Facebook). Если не принимать во внимание эти факторы мэтчинга, это может ввести в заблуждение и не дать корректной информации по результатам обеих площадок.

Результаты и эффективность рекламы в Facebook

Теперь про Facebook. По умолчанию в Facebook было выставлено окно атрибуции 7 дней после клика. В целом же, можно использовать следующие окна: 1, 7, 28 дней.

По умолчанию в Facebook было выставлено окно атрибуции 7 дней после клика

В отличие от myTarget в Facebook используется совершенно другая система отображения точно тех же данных, которые загружались в рекламные кабинеты. Главное отличие — в Facebook по умолчанию пользователь обязательно должен кликнуть на рекламное сообщение.

Решение. Корректность расчётов и реализация

После того, как мы определили различия между площадками, удалось внести корректировки, позволяющие получить результаты, приведенные к единому знаменателю. myTarget — исключение дубликатов хешей, за счёт чего количество офлайн-конверсий значительно увеличивалось.

Так же мы решили исключить те покупки, в которых пользователь только видел нашу рекламу, но не кликал по ней. В итоге получены уникальные данные: 1 пользователь — 1 транзакция, где обязательным условием для засчитывания офлайн-конверсии является переход на сайт. Это соответствует системе подсчёта Facebook. Facebook — увеличение окна атрибуции до 28 дней после клика. Тем самым мы уравняли его с периодом в myTarget.

Благодаря этим корректировкам мы смогли сравнить данные площадок. Новый подход подтверждал участие канала социальных сетей в цепочке до совершения покупки в офлайн. Оставалось только оценить вклад таргетированной рекламы с точки зрения бизнес-показателей.

Для этого в Facebook был использован параметр Value (ценность события), равный чеку офлайн-покупки. Информацию по value предоставил нам рекламодатель. И именно благодаря этому мы смогли получить не только общее количество конверсий и CPO, но и суммарный доход.

Дальше мы столкнулись с ещё одной проблемой: в myTarget отсутствует возможность внешней загрузки данных по доходу. Но решение нашлось довольно быстро. Благодаря полученным общим данным по доходу мы смогли посчитать средний чек по базам офлайн и онлайн. Так как изначально загружаемые базы Facebook и myTarget идентичны с точки зрения содержания, мы решили использовать этот средний чек для myTarget.

Расчёт офлайн-дохода в myTarget мы сделали с помощью среднего чека в Facebook в разрезе по году, месяцу и типу кампании после процесса мэтчинга с данными CRM. В отличие от Facebook данные по myTarget получились приблизительными, но эти цифры позволили оценить вклад myTarget в общую доходность от социальных сетей.

Совместно с рекламодателем решили использовать инструментарий офлайн-конверсий обеих площадок ещё одним способом. Для корректности расчётов рекламодатель разделил данные из CRM на онлайн- и офлайн-покупателей (онлайн — продажи с сайта, офлайн — в офлайн-магазинах), а мы подгрузили эти две базы в рекламные кабинеты по-отдельности для возможности сравнения работы онлайн- и офлайн-каналов.

Идея заключалась в том, чтобы отследить общее количество транзакций, на которые повлияла реклама в социальных сетях, а также сравнить между собой офлайн и онлайн. Для этого пришлось совершить сложную систему вычитаний, чтобы разграничить результаты по двум загружаемым базам.

Изначально в рекламные кабинеты была загружена база из CRM офлайн-магазина. По этой базе мы получили логи myTarget и взяли данные из Facebook. Затем была загружена онлайн-база, но получить по ней результаты сразу не получалось, так как данные сливались воедино с офлайн-базой. Поэтому из общих данных мы убрали статистику по офлайн, в результате чего были получены данные по онлайн-базе.

Как это выглядело, если показать совсем просто:

  • X — статистика офлайн-базы,
  • Y — статистика онлайн-базы,
  • Z — общая статистика,
  • Z — X = Y.

Результат

Доход в офлайне, на который повлияли рекламные кампании в социальных сетях, получился в 2,2 раза выше, чем от онлайн-продаж.

Используя доступную надстройку в Facebook, отображающую различные окна атрибуции (1, 7 и 28 дней после клика), мы смогли отследить динамику принятия решения о покупке: одна неделя составляет средняя длительность процесса принятия решения о покупке.

Как отследить динамику принятия решения о покупке в Фейсбуке

Визуал отрисованного слайда по кейсу Askona. Предоставлено iConText

Заключение

Изначально в Askona оценка эффективности канала социальных сетей измерялась по прямому доходу, без учёта участия этого рекламного канала на офлайн-продажи.

Эффективность таргетированной рекламы оценивалась метрикой онлайн-дохода, влияние данного рекламного канала на офлайн-продажи не учитывалось. Новый подход к оценке данных позволил выявить участие социальных сетей в процессе принятия решения о покупке и их влияние на итоговую конвертацию пользователя в офлайн-продажу.

Для бренда это возможность оптимизировать бюджеты и увеличить инвестиции в эффективные размещения, которые впоследствии будут корректно оценены как в онлайн, так и в офлайн.

В связи с нашим исследованием, которое мы описали выше, нам удалось увеличить верхнюю планку показателя эффективности ДРР в 2 раза.

В результате данного кейса получилось, что у Askona 70% дохода формировалось офлайн-конверсиями, совершёнными после перехода на сайт по рекламному креативу в социальных сетях.

Как посчитать доход от офлайн-конверсий

Визуал из слайда по кейсу Askona. Предоставлено iConText


       

Адам Машитлов

Руководитель отдела конверсионного маркетинга Аskona


«Надеюсь, что данный кейс будет полезен для всего рынка, и коллеги из других ecommerce-компаний смогут использовать его для решения своих задач. Также хочется поблагодарить команду iConText за проделанную работу в рамках кейса, а также, в целом, за эффективное продвижение бренда Askona в digital. Совместными усилиями с iConText нам удалось сделать этот кейс и удостовериться, что в нашем случае таргетированная реклама лучшим образом влияет на офлайн-конверсии».

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.



Комментарии:

Может я чего-то не понимаю, но почему бы не использовать систему сквозной аналитики (Roistat к примеру) вместе с генерацией уникального купона или простым опросом на кассе "Откуда о нас узнали?"??
Подобную задачу наша команда решала для мебельного салона.
Варианты:
1) На сайте размещается код купона, который уникальный для каждого посетителя (стоит его назвать и сразу оцифровывается весь путь клиента).
2) В CRM создаётся поле со списком рекламных каналов, которое заполняется кассиром при покупке (можно довести до автомата).
3) Звонки регистрируются с помощью технологии Call-трэкинга: на каждый рекламный канал свой номер.

По итогу мы получаем почти полную аналитику по offline продажам с учётом привлечённых из интернета.

Или я чего-то недопонял из рассказа?
так у их клиента Роистат стоял одно время, но что-то пошло не так Smile
соглашусь, что без сквозной аналитики оценить влияние таргетированной рекламы на офлайн будет достаточно сложно.

вдобавок к уникальным промокодам (купонам), которые бы раздавались в офлайн точках продаж, Аскона вполне может использовать регистрации в программе лояльности, вернее, привязку номера карты с конкретной транзакцией и кукой на сайте (при вводе номера карты при регистрации в клубе онлайн).

вообще оценку эффективности канала (как и атрибуцию) может сделать только сам клиент, так как на его стороне собирается (должна собираться) вся аналитика как по онлайн, так и по офлайн продажам.
Добрый день! Данный кейс - пример использования внутренних инструментов социальных сетей без дополнительных усилий со стороны клиента.
Askona - федеральная компания с огромной сетью магазинов и салонов: более 1000 точек в России и за рубежом. Сквозная аналитика у клиента настроена.
Вопросы для Адама.

1. Вопрос на понимание. Цитирую "Сопоставление происходит, в первую очередь". Во вторую очередь вы использовали возможность трекинга myTarget MAC-адресов девайсов возле кассы? Или нет, вы просто загружали персональные данные в пост-аналитику?

2. Почему вы не использовали (не описали в статье) атрибуцию постВЬЮ Facebook? Вдруг у вас значительную долю онлайн-конверсий myTarget сделал Facebook?
- 0 +
Adam Mashitlov #
17.05.2019 15:49
1. Мас-адресов у нас не было.
2. Мы решили использовать атрибуцию только по кликам на обеих площадках, т.к. при атрибуции по показам все значения увеличиваются в несколько раз.

Клик на наш взгляд является более понятной и верной иллюстрацией пользовательского интереса. На 1 клик пользователя может приходиться несколько показов.
3. Какой процент удачного метчинга был для Facebook, и для myTarget?
- 0 +
Adam Mashitlov #
17.05.2019 15:51
3. Общая процентная доля принятых событий, которые удалось сопоставить с пользователями в среднем по двум площадкам в районе 70%
- 1 +
Umarovalm #
18.05.2019 12:11
1. Как вы поняли направление связи?
Может быть человек сначала купил, а потом ему показалась реклама?
2. Как поняли место канала в пути пользователя? Может быть соцсети вообще не были определяющим каналом, и пользователь до этого уже несколько раз взаимодействовал с брендом? В таком случае ценность конверсии сильно ниже.
3. Какие таргетинги для размещения рекламы в соцсетях вы использовали? Уточню: если это был ремаркетинг, например, или таргетинг по базе - см.пункт выше.
4. Минусовали ли вы базу лояльных и посетителей сайта при таргетинге?

Пока что этот кейс исключительно даёт гипотезу "возможно как-то влияет". Результаты не доказывают влияния в целом, и тем более нельзя сделать вывод на каких-то цифрах. Только выстроить гипотезу.
Если этим методом измерять эффективность любого Канала, то каждый покажет аналогичный результат. Большинство пользователей перед совершением покупки взаимодействуют с брендом несколько раз и через разные каналы.
- 0 +
Adam Mashitlov #
18.05.2019 14:18
Добрый день!

Данный кейс был опубликован для описания методологии оценки влияния таргетированной рекламы на офлайн, а не для демонстрации конкретного исследования. Некоторые детали кейса я не могу раскрыть.

Ниже ответы на ваши вопросы:
1. По времени. Здесь выполняется обязательное условие: сначала взаимодействие с рекламой, затем покупка.

2. Перед нами не было задачи определения места канала в цепочке. Для этого мы используем другие инструменты.
Задача была: оценить влияние на офлайн продажи.
Мы сопоставили результаты матчинга онлайн-базы с офлайн-базой за один период, по одним и тем же компаниям. В результате мы получили, что анализируемые кампании участвовали в цепочках покупки в офлайне в 2,2 раза чаще чем в цепочках покупки в онлайне. То есть, если в онлайне РК участвовала в 100 транзакциях, то в офлайне - в 220 тразакциях. И так как мы знаем эффективность данных кампаний в онлайне, то мы просто перемножили ее на 2,2 и получили примерную оценку влияния на офлайн. Это позволило нам пересмотреть ROI данного канала.

3. Были разные типы РК. Эффективность каждой по отдельности раскрывать не буду. Соотношение офлайн/онлайн везде примерно одинаково.

4. Этот момент учтён. Данные раскрывать не буду. Это не влияет на результаты исследования.
Введите капчу



✉️

Чем живёт диджитал?
Главное — в рассылке:





Вход на cossa.ru

Уже есть аккаунт?
Выбирай любой вариант входа:
Facebook Vkontakte

Используйте свой аккаунт в социальной сети Facebook или Вконтакте, чтобы пользоваться сайтом

Не забудьте написать email на странице своего профиля для управления рассылкой