Кейс: нужна ли сквозная аналитика небольшому региональному бизнесу. Читайте на Cossa.ru

13 июля 2020, 11:30
1

Кейс: нужна ли сквозная аналитика небольшому региональному бизнесу

Как малому бизнесу отследить слабые и лишние звенья в цепочке взаимодействия с покупателями и оптимизировать траты? Технический директор digital-агентства Original Works Денис Липка рассказал, как в агентстве спроектировали и настроили для клиента автоматическую систему сквозной аналитики, ядро которой собрано из бесплатных компонентов.

Кейс: нужна ли сквозная аналитика небольшому региональному бизнесу

Привет, меня зовут Денис Липка, я сооснователь и технический директор digital-агентства ORWO. Мы помогаем клиентам увеличивать продажи с помощью инструментов performance-маркетинга и сквозной аналитики.

В этой статье я расскажу о том, как мы разбирались с каналами продаж и настраивали аналитику для регионального производства строительных блоков. Это первая часть истории — вторая будет через три-четыре месяца, когда можно будет оценить эффект от внедрения.

Содержание

1. Задачи, с которыми к нам пришел клиент, и исходные данные

Итак, к нам обратился руководитель бизнеса по производству строительных блоков. Первичная задача была сформулирована так: реклама работает, клиенты идут, но есть свободные производственные мощности, и хорошо было бы начать их использовать. Кроме того, клиент хотел понять, какие из каналов продаж приносят клиентов, а какие можно смело удалять.

Производство стройматериалов — относительно консервативная отрасль в плане использования digital-инструментов: чаще всего продажи там прямые. Однако интернет-продвижение проникает и туда: основатели и директора компаний «молодеют» и уже имеют базовые знания и понимание того, как этот тип рекламы работает. И это существенно облегчает нашу работу, потому что мы можем говорить с клиентами на одном языке воронок, конверсий и интеграций.

Исходные данные

К началу нашей работы для организации и учёта продаж в компании использовались следующие инструменты и каналы продаж:

  • основной одностраничный сайт на Тильде;
  • два лендинга на Платформе LP: были сделаны давно и использовались по принципу «есть — и ладно»;
  • два бизнес-аккаунта на Авито;
  • онлайн-чат JivoSite на основном сайте;
  • офлайн-реклама: брендированный транспорт и реклама на строящихся домах;
  • контекстная реклама: Яндекс, Google;
  • отдел холодных продаж — два менеджера;
  • amoCRM;
  • виртуальная АТС Манго.

АТС Манго выполняет несколько функций: распределение звонков между менеджерами для наименьшего времени ожидания на линии, ведение статистики звонков и передачу записи звонков в AmoCRM.

Коллтрекинг Манго необходим для учёта звонков, приходящих с контекстной рекламы (используется динамический коллтрекинг) и учёта звонков по «прямому» номеру, размещенному на офлайн-носителях (используется статический коллтрекинг).

Задачи

После общения с руководителем компании и его командой и первичного анализа всех активностей мы сформулировали задачи, которые нужно решить с помощью настройки сквозной аналитики. Общей вводной для этих задач была экономия: так как бизнес молодой и маленький, бюджет на настройку и поддержание системы должен был быть небольшим.

1) Определить, какие из используемых каналов приносят покупателей.

Эффективность рекламных каналов критически важна для небольшого бизнеса, потому что денег на бездумное тестирование всех каналов просто нет. Настройка сквозной аналитики помогает, во-первых, оценить отдачу от каждого канала, и, во-вторых, понять, какие каналы не нужны из-за их убыточности.

2) Построить максимально подробные конверсионные воронки по каждому каналу от первого контакта до продажи.

Каждый посетитель сайта или звонок — это потенциальная продажа. Поэтому, определив все этапы взаимодействия с клиентами, можно выявить узкие места и оптимизировать процесс так, чтобы он приносил больше денег.

2. Анализ текущей ситуации и выявленные проблемы

После выяснения глобальных задач мы проанализировали существующую систему получения и обработки клиентов и выявили проблемы и нестыковки. Ниже подробное описание каждого блока.

1) Множество точек лидогенерации и отсутствие идентификации каждого лида.

Проблема с точками контакта в том, что чем их больше, тем выше вероятность потерять данные об источнике пользователя и не учесть его в общей картине.

К началу работ у клиента были такие точки контакта:

  • формы на сайтах;
  • чат JivoSite на основном сайте;
  • прямые звонки в компанию, в том числе с Авито;
  • коллтрекинг;
  • холодные звонки.

Из всех этих источников данные о лидах передавались в CRM либо не полностью (например, из чата лиды заводились в CRM без ClientID и Utm-меток), либо дублировали записи, созданные в CRM менеджером вручную. Из-за этого некоторые сделки оставались на этапе «новый лид», хотя работа по ним уже велась в других записях.

2) Проблемы во взаимодействии используемых сервисов и инструментов.

Из-за того, что каждое используемое решение передаёт данные в CRM в своей форме, отдельные поля по каждому лиду дублируются, а некоторые не попадают в CRM вовсе. Ниже перечислили проблемы, обнаруженные нами во взаимодействии всех используемых клиентом инструментов и сервисов.

Платформа LP:

  • при интеграции с amoCRM нет поля Google ClientID;
  • при интеграции с Google Analytics при установки кода Google Analytics через Google Tag Manager не работает передача событий с форм.

amoCRM:

  • при интеграции с Tilda нет поля Google ClientID;
  • при интеграции с Манго данные записываются только в стандартные для Mango поля сделки, без возможности редактирования, а также не передается источник обращения со статического коллтрекинга;
  • при интеграции с Google Analytics отправка событий возможна только по amo-формам;
  • отсутствует возможность выгрузки сделок в файл с «техническими» полями: id сделки, id контакта и тому подобное.

Авито:

  • в объявлениях можно указывать только мобильные номера, которые нельзя купить для коллтрекинга в Mango;
  • используемые номера Билайн не отслеживаются в коллтрекинге, так как нет интеграции с рабочим кабинетом Mango АТС.

3) Проблемы в учёте статистики по сайтам.

Так как все действующие сайты размещены на разные доменах, для адекватной общей картины статистика по ним должна быть объединена. У клиента сбор статистики происходил только с основного сайта на Tilda.

Кроме того, в Google Analytics:

  • не было настроено междоменное отслеживание;
  • не было кодов счетчика на вспомогательных лендингах;
  • не были настроены передачи событий-конверсий с сайтов и систем коллтрекинга;
  • не были настроены цели;
  • не было интеграции web-аналитики и рекламных кабинетов;
  • информация о расходах на рекламные кампании не импортировалась;
  • не были настроены фильтры;
  • в аккаунте было создано только одно общее представление.

3. Процесс настройки сквозной аналитики и примеры отчётов

Для того, чтобы получить полную картину по всем каналам, нам нужно было, во-первых, привести к одному виду всю получаемую о клиенте или лиде информацию, и, во-вторых, собственно получить эту полную картину в виде сводных таблиц, графиков и диаграмм.

Общая схема решения выглядит так:

Инструменты и сервисы, которые мы использовали

1. Сервис Albato. Он был нужен для интеграции:

a. amoCrm и Google Analytics — создание событий;
b. Яндекс.Директ и Google Analytics — общие затраты на рекламные кампании;
c. история сделок  их статусов и Google Data Sheets.
2. Google Analytics: для сбора и хранения данных о посетителях и лидах.

3. Google Data Sheets: для хранения логов сделок, звонков АТС и колл-трекинга, и сводных отчётов.

4. Google Apps Script. В нем делали скрипты, которые:

a. сводят разрозненные UTM и CID параметры к унифицированному виду;
b. чистят дубликаты лидов/сделок;
c. объединяют лиды по телефонным номерам и CID;
d. импортируют статистику звонков из Mango;
e. формируют сводную таблицу сделок.

5. Google Data Studio: для создания и визуализации отчётности:

a. На первом уровне воронки считали конверсию в лид только по данным Google Analytics;
b. На втором уровне считали ROI уже с учетом всех данных из сводной таблицы.

Ежемесячные затраты на работу системы

Сервис или инструмент Стоимость, рублей/месяц
Mango: 5385
коллтрекинг 3300
виртуальная АТС 685
подключение двух дополнительных номеров 300
подключение двух номеров стороннего оператора 500
пакет минут 600
Сервис Albato 990
Билайн АТС с номерами 2200
Интеграция Mango и amoCRM 600
Интеграция через API-конструктор 600

ИТОГО

9775

Примеры отчётов, построенных на основе данных только из Google Analytics, и выводы на их основе

1) Соотношение между заявками с сайта и остальными обращениями.

На основании сравнения количества обращений по разным каналам можно будет перераспределить бюджеты на офлайн и онлайн-рекламу.

2) Предпочтения пользователей по каналам коммуникации.

Увидели, что один из наиболее популярных каналов общения — чат JivoSite на сайте. Стало понятно, что нужно обратить внимание на этот канал и развивать его: оценить время ответа и качество общения менеджеров в чате, написать скрипты для стандартных ситуаций.

3) Конверсия разных источников трафика.

Оценили динамику входящего трафика и сопоставили конверсию для разных его типов, чтобы понять, в каком направлении двигаться и как её увеличивать.

Примеры отчётов, построенных на основе сводных данных из Google Spreadsheets

1) Воронка обращений по Авито.

Получили полную информацию по каналу: от показов объявлений до конечных оплат. С помощью этих данных можно будет определить наиболее эффективные объявления, а зная ROI — учесть эти данные при разработке медиаплана.

2) Полные воронки c ROI по Яндекс.Директу и Google Ads.

По этим данным можно будет сравнить между собой рекламные источники на каждом уровне воронки и принять решения по их оптимизации.

3) Сводка продаж по каналам и источникам.

Сформировали полную картину, чтобы сравнить каналы между собой и оценить, какие эффективны, а какие — нет. На основе этих данных можно будет скорректировать медиаплан и поставить чёткие KPI по рекламе.

4. Результаты и выводы

После проектирования и настройки мы получили полностью автоматическую систему аналитики, ядро которой собрано из бесплатных компонентов, а платные сервисы и инструменты использованы по минимуму. Весь процесс занял два месяца.

Отдельно хочу описать одну задачу, которую мы решили: интеграцию Mango со сторонними номерами для учета звонков в компанию с Авито. Это будет интересно тем компаниям, которые активно пользуются Авито как каналом продаж, но не знают, как их учитывать в аналитике. Мы, конечно, искали в Гугле, но готовых решений или схем для такой интеграции так и не нашли:)

В случае с Авито мы решали две задачи.

1) Нужно было учесть звонки с Авито в статистике. Проблема была в том, что в аккаунтах клиента на Авито использовались мобильные номера Билайн, а коллтрекинге Манго по умолчанию отслеживаются только городские или федеральные (8 800) номера.

Что сделали: подключили для использующихся на Авито номеров функцию SIP-телефонии, настроили в личном кабинете Билайн SIP-аккаунты для каждого номера и уже их прикрутили к коллтрекингу Mango. А для того, чтобы статистика передавалась в Google Spreadsheets автоматически, без копирования информации вручную из личного кабинета Mango, написали отдельный скрипт.

2) Подрядчик, который ведет аккаунты на Авито, предоставляет только понедельную статистику по просмотрам и сообщениям, без разбивки по дням.

Что сделали: так как каналы продаж разные и данные из них приходят в разном формате, единственный параметр, по которому их можно увязать между собой — дата. Поэтому мы написали скрипт, который усредненно распределял данные за неделю по дням. То есть общая статистика и динамика оставались верными, но за счет появления конкретной даты мы смогли объединить данные по Авито с остальными каналами.

В результате всей работы по созданию и настройке системы сквозной аналитики мы (и наш клиент) увидели все слабые или ненужные звенья в цепочках взаимодействия с потенциальными покупателями. Теперь руководитель компании получает автоматизированные отчеты на основе данных из CRM, веб-аналитики и гугл-таблиц, с помощью которых можно принимать бизнес-решения.

Выводы по кейсу, которые можно сделать уже сейчас, короткой строкой (обратите внимание — эти выводы сделаны для конкретного бизнеса по конкретным исходным данным, они не универсальны):

  • обращений с сайта в два раза больше, чем из офлайн-рекламы;
  • больше всего потенциальные клиенты любят общаться в чате на сайте, а звонки и обращения через онлайн-формы не любят;
  • при текущих настройках реклама в Яндексе работает в разы эффективнее, чем в Google;
  • вложения в бизнес-аккаунты Авито окупаются;
  • рентабельность SEO сопоставима с контекстной рекламой, несмотря на то, что работы начались два с небольшим месяца назад.

Кому интересно, в Приложении ниже можно ознакомиться с самим процессом настройки сквозной аналитики.

На следующем шаге мы планируем сформулировать и проверить ряд гипотез, чтобы помочь клиенту увеличить продажи в два раза. Об этом напишем во второй части кейса.

Если будут вопросы, пишите на dl@orwo.ru — с удовольствием отвечу. И до встречи в следующей статье: уже о результатах внедрения системы сквозной аналитики в небольшой региональной производственной компании.

Настройка интеграции Tilda и AmoCRM

1. Создание невидимых полей в формах

Создаются специальные поля в формах, невидимые пользователям сайта, в которые будет записываться Google Client ID пользователя и передаваться вместе с заявкой в AmoCRM.

Поля создаются в формах с типом „hidden“ через редактор форм Tilda.

2. Настройка записи Google Client ID в поле формы

Через Google Tag Manager внедряется скрипт, который подставляет значение Google Client ID из cookie-файла пользователя в поле с типом „hidden“. Триггер запуска скрипта — загрузка страницы. При просмотре страницы, сразу во все скрытые поля с именем „cid“ добавляется Google Client ID.

Скриншот тега, заполняющего поле „cid“ значением Google Client Id.

Результат действий:

3. Настройка передачи Google Client ID, UTM-меток вместе с заявкой в AmoCRM

Настраиваются поля для импорта в AmoCRM через интерфейс Tilda.

Результат передачи данных:

Настройка интеграции Платформы LP и AmoCRM

1. Создание невидимых полей в формах

Поля создаются в формах с типом „hidden“ через редактор форм Платформа LP.

2. Настройка записи Google Client ID в поле формы

Через Google Tag Manager внедряется скрипт, который подставляет значение Google Client ID из cookie-файла пользователя в поле с типом „hidden“.

3. Настройка передачи Google Client ID, UTM-меток вместе с заявкой в AmoCRM

Настраиваются поля для импорта в AmoCRM через интерфейс Платформа LP.

Настройка Google Analytics

1. Установка кода на все сайты (Google Tag Manager)

Стандартное внедрение кода Google Analytics через Google Tag Manager на все сайты клиента.

2. Настройка междоменного отслеживания

Стандартная настройка междоменного отслеживания через переменную настроек Google Analytics. Так как код Google Analytics был внедрен через Google Tag Manager, то и настройки междоменного отслеживания производятся через GTM. Необходимо создать переменную с типом «Настройки Google Analytics». В ней необходимо прописать домены, которые также должны отслеживаться, для автоматического связывания в соответствующем поле.

4. Настройка фильтров в представлении

Настройка отображения полного url страницы в статистике (вместе с доменом). Это необходимо для того, чтобы в общей статистике иметь возможность просматривать данные в разрезе не только страниц, но и отслеживаемых сайтов. По умолчанию в статистике отображаются не полные адреса страниц, без домена.

Пример отображения страниц:

4. Импорт расходов по рекламе.

Расходы по рекламе Google Ads импортируются через связывание аккаунтов.

Расходы по Яндекс.Директ импортируются через OWOX.

Настройка коллтрекинга Mango

1. Статический коллтрекинг для каналов Авито и прямых обращений клиентов

Подключение к статическому коллтрекингу мобильных номеров стороннего оператора. Настройка каналов коллтрекинга на каждый номер.

Статистика по звонкам:

Получаем данные из Mango по API в. таблицу:

Настройка переадресации по правилам распределения звонков на менеджеров.

2. Динамический коллтрекинг для платных каналов.

Стандартная настройка динамического коллтрекинга Mango. Без выделения отдельного пула номеров на каналы.

Настройка интеграции Mango Office и Google Analytics

Необходимо, чтобы в Google Analytics отправлялись события при звонках с коллтрекинга для учета действий пользователей. Стандартная интеграция Mango Office и Google Analytics.

Источник фото на тизере: Greg Rosenke on Unsplash

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

Телеграм Коссы — здесь самый быстрый диджитал и самые честные обсуждения: @cossaru

📬 Письма Коссы — рассылка о маркетинге и бизнесе в интернете. Раз в неделю, без инфошума: cossa.pulse.is

- 0 +
К сожалению, не указан рекламный бюджет. Поэтому неясно, реально нужна была в данном кейсе "сквозная аналитика" или есть всего лишь её видимость, когда, если посчитать диапазон конверсий и прочего, окажется, что все выводы в рамках погрешности.

Также не совсем ясно, усилия по настройке всего этого из бесплатных компонентов не оказались ли по итогу дороже, чем просто подключить решение из коробки?

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


Вход на cossa.ru

Уже есть аккаунт?
Авторизуйся через VK:
Vkontakte
Не забудьте написать email на странице своего профиля для управления рассылкой