Сквозная аналитика для бизнеса: от аудита к широкому использованию
Сквозная аналитика для бизнеса: от аудита к широкому использованию

Подробный кейс от агентства Adventum и застройщика «Самолёт».

Adventum Digital
Adventum
2986

Как сделать свою жизнь лучше, а бизнес — эффективнее, если у вас более 10 проектов, тысячи посетителей на сайтах и сотни обращений от потенциальных клиентов? Обрабатывать все данные вручную слишком затратно. Решение: настроить сквозную аналитику. Как и зачем — расскажем в этой статье.

Отправная точка

«Самолёт»

Мы являемся одним из крупнейших застройщиков Московского региона: в нашем портфеле 13 жилых комплексов на разных стадиях строительства.

Ежедневно более 14 тысяч пользователей посещают сайты компании, операторы колл-центра обрабатывают около полутора тысяч звонков, а менеджеры офисов продаж принимают около 250 потенциальных клиентов.

Раньше все данные хранились в разрозненных системах, обрабатывались разными специалистами и объединялись только в отчётах для руководителей.

Для создания отчёта было необходимо:

  • посмотреть информацию по сеансам в Яндекс.Метрике;
  • проверить отчёт в CoMagic;
  • запросить данные по сделкам из CRM.

Примерно полгода назад мы начали внедрять систему сквозной аналитики. Подрядчиком по проекту выступило агентство Adventum. Изначально выбирали между коробочными решениями и услугами сторонних разработчиков.

В пользу готовых решений говорила низкая стоимость внедрения и простота использования отчётов. Но для нас было важно, чтобы система была гибкой и адаптировалась под нюансы нашего бизнеса. Также необходимо было соблюсти требования безопасности и конфиденциальности данных — мы не были готовы передавать номера телефонов и детали сделок в облачное хранилище.

Кроме того, оставался неясным момент с переносом данных во внешнюю платформу в случае, если бы мы решили перейти на конкурирующую платформу.

Подготовительный этап: аудит

Adventum

До «Самолёта» мы уже работали с крупными застройщиками. Наш опыт показывает, что наибольший спрос на сквозную аналитику предъявляют именно бизнесы с долгим циклом продаж. Работу с «Самолётом» мы начали с аудита текущей системы аналитики.

Аудит не стоит недооценивать — на этом этапе можно устранить целый ряд проблем, влияющих на качество данных, и тем самым сэкономить время на этапе внедрения.

Так мы выяснили, что не на всех страницах на сайтах ЖК стоит подменный номер коллтрекинга: по звонкам с этих страниц в системе сквозной аналитики было бы невозможно определить источник.

Чаще всего обнаруженные недостатки устраняются на ходу. Но это не значит, что проблема не возникнет в будущем — при заведении новой рекламной кампании менеджер может просто забыть кликнуть в нужный пункт меню.

Поэтому основной результат аудита — это набор документации по стандартной настройке аналитики и онлайн- генератор меток. Его наличие позволяет существенно сократить время при подключении новых источников данных. Например, при запуске сайта нового жилого комплекса базовую настройку теперь может выполнить любой специалист отдела маркетинга без привлечения аналитиков.

Иногда после завершения аудита команда понимает, что с текущим набором источников или качеством данных внедрять сквозную аналитику невозможно. Но даже в этом случае аудит идет на пользу компании, поскольку обеспечивает качественный сбор данных и создаёт базу для внедрения сквозной аналитики в будущем.

Сбор данных

Adventum

По результатам аудита «Самолёта» мы определили список источников и набор полей в этих источниках. Для получения данных о сеансах мы выбрали Яндекс.Метрику — в ней отсутствуют ограничения по количеству полей в запросе к API, что оказалось идеальной схемой для проекта с несколькими отдельными счётчиками.

Для получения данных из веб-аналитических систем, рекламных кабинетов и системы коллтрекинга мы используем собственные коннекторы, а не готовые решения типа Zapier. API сторонних вендоров периодически устаревают и обновляются, поэтому коннекторы к API тоже нуждаются в обновлении.

Однако собственные разработки позволяют более гибко работать с данными и обрабатывать их еще до попадания в базу данных. Например, объявления в ВК часто содержат укороченные ссылки на лендинговые страницы — их мы разворачиваем в полные ещё на этапе сбора коннекторами.

Самой большой проблемой на этапе сбора данных обычно является подключение CRM. Подрядчики могут месяцами биться со службой безопасности, пытаясь обосновать получение данных о клиентах или сделках.

Но даже когда все требования по конфиденциальности данных соблюдены, отдельный сервер подключён, а NDA подписан, разработчики могут столкнуться с новым витком проблем: неожиданным изменением формата полей, переименованием сущностей или сложной логикой учёта заявок.

Сырые данные поступают в базу под управлением PostgreSQL. Базу данных мы развернули на собственных серверах «Самолёта». Хранилище данных построено по принципу DataVault — простыми словами это означает, что все бизнес-сущности хранятся в отдельных таблицах и соединяются по уникальным ключам.

Таблица «Хаб» содержит в себе бизнес-ключи, по которым мы можем однозначно отличить элементы внутри одной сущности — например, для интернет-пользователей таким уникальным ключом будет client id в счётчике Метрики. Таблица «Сателлит» содержит в себе описательные характеристики сущности — например, тип устройства или город, из которого пользователь посетил сайт ЖК.

Такая структура позволяет очень гибко управлять хранилищем данных, добавляя или удаляя лишние поля, — структура таблицы «Хаб» при этом не меняется и данные не теряются.

Система сквозной аналитики объединяет в себе хранилище данных Data Vault и отчёты в BI-системе

Пользовательские истории

Adventum

Конечным результатом работ по настройке источников данных и хранилища является таблица с пользовательскими историями. Каждая такая история представляет собой множество строк с данными, описывающими все взаимодействия клиента с компанией — от захода на сайт до покупки. Для того чтобы эта история собралась, источники данных должны содержать ключи (не путать с бизнес-ключами в хранилище данных).

Это поля, по которым можно идентифицировать клиента/пользователя — его id в системе аналитики, номер телефона в коллтрекинге, номер заявки или договора. Желательно позаботиться о наличии ключей для пользовательских историй ещё на этапе аудита.

Таблица с пользовательскими историями «Самолёта» содержит несколько миллионов строк: порядка миллиона пользователей на разных этапах воронки. Это необязательно миллион уникальных пользователей — по многим из них мы просто не нашли достаточное количество ключей, чтобы объединить в одну историю. Это может быть связано как с человеческим фактором — например, операторы неверно записали номер телефона, так и с техническими проблемами — как вариант, не сработал подменный номер на какой-то из страниц.

Подобные ошибки приводят к погрешностям в данных системы. Их нельзя устранить полностью, но мы постоянно отслеживаем и боремся с ними. В этом нам помогает дэшборд мониторинга ошибок — он показывает количество записей в БД, которые соответствуют одному из видов погрешностей, и даже присылает уведомления, когда их доля превышает допустимый уровень.

Дэшборд мониторинга ошибок необходим для оперативного реагирования на ошибки в работе системы (например, отсутствие идентификаторов для связывания). Система постоянно дорабатывается, чтобы снижать долю несклеенных клиентов

Лайфхаки по повышению связки пользователей

Ошибки системы напрямую влияют на долю связанных пользователей, поэтому мы составили планы действий для каждого их типа.

Для устранения ошибок CRM достаточно периодически проводить сверку данных с департаментом ИТ и вместе расследовать причины ошибок.

А для уменьшения доли звонков по прямым номерам мы сосредоточились на устранении рекламных материалов с неподменёнными номерами.

Иногда очевидных методов недостаточно, и тогда мы находим нестандартные методы и механики. Например, в рамках задачи по уменьшению доли прямых звонков мы исследовали строительные площадки в режиме панорамы в Яндекс.Картах и обнаружили множество баннеров, где был указан прямой номер офиса продаж.

Есть ещё третий вид погрешностей — это «самоходы», или клиенты, которые пришли в офис самостоятельно и чьих данных мы не обнаружили в системе.

Чтобы определять источник у «самоходов», мы предложили рассылать клиентам ссылки на полезные материалы — образцы договоров или планировки квартир, а в ссылки включать идентификатор клиента.

Для этого корпоративная CRM дополнилась функционалом по автоматической SMS- и email-рассылки.

Мы также настроили междоменное отслеживание на всех сайтах ЖК с помощью единого счётчика, который через iframe подгружается на каждой странице сайта.

Так мы можем идентифицировать пользователя, который заходили на разные сайты ЖК, как одного уникального. Такая схема хорошо работает для новых пользователей, посещающих сайты «Самолёта» с момента настройки сквозной аналитики.

После покупки квартиры клиенты, как правило, продолжают пользоваться личным кабинетом на сайте застройщика, чтобы отслеживать график платежей или ход строительства.

С помощью GTM мы настроили получение номера договора клиента в его личном кабинете — таким образом, имея историю всех сеансов на сайтах за последние три года, мы можем определить, какой из прошлых сеансов привёл к сделке.

С помощью таких механик нам удалось значительно повысить долю клиентов, для которых мы смогли определить источник перехода. Если в начале проекта мы могли верно определить источники примерно по 60% сделок с одного из ЖК, то спустя три месяца мы увеличили долю таких сделок до 80%.

Как выстроить эффективный рабочий процесс

«Самолёт»

Все наши отчёты построены в системе Tableau. Она интуитивно понятна и хорошо работает с большим объемом данных — например, с пользовательскими историями.

Adventum настроил для нас основные отчёты, однако любой сотрудник может использовать конструктор и построить собственную уникальную визуализацию.

Конструктор отчётов позволяет вывести в единую таблицу показатели из разных онлайн- и офлайн-систем. Например, в одном отчёте можно сравнить рекламные расходы и эффективность продаж по наружной рекламе


Когортный отчёт позволяет проанализировать показатели бизнеса для разных когорт клиентов и выявить зависимости, которые сложно увидеть в стандартных отчётах. Благодаря пользовательским историям можно, например, сравнить, как быстро конвертируются в договоры клиенты, которые зашли на сайт в разные дни или недели

Изначально предполагалось, что после обучения работе с отчётами подрядчик передаст нам всё и мы успешно закроем проект по внедрению сквозной аналитики.

Действительно, целью проекта было улучшить атрибуцию сделок по источникам, и цель была выполнена. Но какой смысл собирать столько данных о пользователях и клиентах и не анализировать их?

Мы предложили Adventum продолжить сотрудничество, выполнять задачи по анализу данных и параллельно совершенствовать систему сквозной аналитики. Фактически передали на аутсорс часть функций по аналитике.

Внутри компании мы давно начали применять принцип agile, поэтому предложили Adventum работать на основе двухнедельных спринтов. Список задач утверждается в начале каждого спринта, и все незавершённые задачи перетекают в следующий спринт.

Преимущество такой работы для нас — то же, что и при отказе от собственных разработчиков для внедрения сквозной аналитики. Мы снижаем расходы на оплату труда, экономим время на набор новой команды, при этом можем очень гибко варьировать состав задач, не опасаясь, что сотрудники будут простаивать без работы.

Единственный недостаток такой схемы — это возможные проблемы с коммуникацией, но мы её решили регулярными встречами для обсуждения работы и отслеживанием всех задач в Asana.

Adventum

Метод спринтов позволяет нам заранее определять загруженность на ближайшие периоды и планировать работу отдела с учётом задач других клиентов. Сейчас в нашей команде работают 4 аналитика и менеджер проекта — он общается с клиентом, координирует работу команды и выполняет собственные задачи. Иногда к проекту мы привлекаем специалистов других профилей — например, менеджеров по таргетированной рекламе. Профиль агентства позволяет получить доступ к экспертизе в широком списке областей.

Сотрудничество в таком режиме продолжается около трёх месяцев. За это время мы улучшили качество данных в системе, в основном за счёт работы с ИТ-отделом над стандартизацией данных CRM, внедрили несколько новых механик по определению источников для офлайн-клиентов и провели первое исследование по времени принятия решений.

Результаты работы

«Самолёт»

Проект сквозной аналитики создал внутри компании новую «аналитическую» культуру. Уже сейчас систему активно используют отдел маркетинга, агентства, аналитики внутри компании, топ-менеджмент. Мы стимулируем сотрудников разных подразделений использовать системы в ежедневной работе.



Одни и те же данные можно представить в разном виде в зависимости от целевой группы пользователей. Например, план-факт анализ для маркетологов предполагает применение к данным фильтров по источникам. А для тот же отчёт для руководителей применим больше для верхнеуровневого анализа

Основные результаты

  • Благодаря внедрению сквозной аналитики в компании используются сопоставимые данные и устраняются промежуточные работы по их подготовке и обработке.
  • Экономим на составлении отчётов 50 рабочих часов в месяц.
  • Более прагматично тратим бюджет, например, за счёт отключения неэффективных рекламных размещений. Высвобожденные средства распределяем на рекламу бренда и охватные истории.
  • Стало меньше нецелевых звонков и фрода, в связи с чем нагрузка на колл-центр снизилась на 20% без потери количества качественных звонков.

Планы на будущее

Сейчас в списке задач для будущих спринтов — проверка гипотез по улучшению конверсии на разных этапах воронки, новые механики по связыванию клиентов в пользовательскую историю и инструмент для автоматизации медиапланирования. В традиционной системе аналитики для их решения потребовались бы масштабные подготовительные работы, тогда как в сквозной аналитике данные уже собраны.

Сотрудники «Самолёта» при желании могут самостоятельно проводить интересующие их исследования — база открыта для всех сотрудников соответствующих отделов.

В современных компаниях не должен ставиться вопрос «а нужна ли нам сквозная аналитика?». Вопрос только один — «когда?». Сейчас, когда инструменты обработки и анализа данных доступны практически любому (при условии минимальных технических навыков), момент самый подходящий.