Оглавление
Об авторе

Внедрение и выводы

Будущее аналитики и выводы автора

Сергей Муштук · 4 мин ·

Любая метрика интернет-маркетинга — это проекция реального бизнеса на цифры. Вспомните нашу региональную кампанию. Представьте, что ставки вместо нас выставляла программа, которой мы сообщили только цену клика. Как бы она узнала, что покупатель не готов ждать доставку?

Когда-то мы считали показы и клики, потом научились считать, во сколько обходятся заявка, заказ и привлечение покупателя. Дальше захотелось узнать, окупилась ли реклама, сколько денег принёс клиент за всё время и каким каналам мы этим обязаны. Вот как я представлял себе этот путь в первом издании.

Пять этапов на авторской схеме: показы и клики, цена заявки и заказа, стоимость привлечения и возврат вложений, прибыль с учётом повторных продаж, прогноз прибыли с учётом рекомендаций и стоимости денег.
Какие вопросы бизнес задаёт рекламе. В последней строке схемы учитываются ещё и срок окупаемости, амортизация и стоимость привлечения денег.

Бизнесу нужна прибыль. Допустим, мы знаем конверсию сайта и маржу с заказа. Уже можно поручить системе выставлять ставки? А если за рекламу надо заплатить сегодня, товар купить в кредит, а деньги от покупателя придут через два месяца? При тех же кликах и заказах результат в рублях изменится. В первом издании я приводил К50 и робота Roistat как примеры движения в эту сторону. Самый интересный вопрос для меня по-прежнему в том, какие сведения о бизнесе мы сумели передать в расчёт. Калькулятор семи бюджетов из главы 3.

Чего я жду от сквозной аналитики

Во-первых, хотелось бы проще соединять системы. Выбрали CRM, указали, где в вашей сделке записаны источник и оплата, проверили один заказ. Если менеджер завтра исправит сумму, маркетолог должен увидеть это в отчёте. Вот такую интеграцию и хочется настраивать в интерфейсе, без отдельной доработки на каждое поле.

Во-вторых, одни и те же данные должны помогать людям с разными задачами. Маркетологу интересно, сколько стоила заявка. Руководителю продаж — почему из десяти заявок только одна дошла до оплаты. А собственнику — хватит ли денег на следующую партию товара. Для этого не обязательно делать три базы, а вот вопросы к одной базе придётся задать разные.

Можно ли будет задавать их обычными словами? Эта часть прогноза уже знакома пользователям Yandex DataLens. На дашборде с Нейроаналитиком можно задать свой вопрос и посмотреть, какие графики он использовал для ответа. Попробуйте спросить, какой канал принёс больше прибыли. Если в исходном отчёте есть только выручка, для проверки ответа всё равно придётся узнать себестоимость. Как работает Нейроаналитик на дашборде.

Ещё мне интересна атрибуция, которая учитывает, как покупают именно в вашем бизнесе. Представьте два звонка по объявлению. Одному покупателю менеджер пообещал уточнить срок и забыл перезвонить. Другому сразу сказал, что обещанной в рекламе модели нет в наличии. В отчёте оба раза получится «звонок без продажи». Если система поможет найти и послушать эти разговоры, у руководителя появятся две разные задачи. В одном случае надо вернуться к покупателю, в другом — проверить объявление и наличие товара.

Кто привёл следующего покупателя?

В расчёте LTV за 90 дней мы уже посчитали маржу от фильтров, за которыми вернулся покупатель кофемашины. Теперь предположим, что накануне он видел нашу рекламу. Купил бы он фильтры и без неё? В первом издании я предложил условный коэффициент лояльности. На одном конце шкалы, при 0%, повторную продажу целиком приписываем рекламе. На другом, при 100%, считаем, что покупатель вернулся бы и сам. Положение между этими точками зависит в том числе от товара, известности магазина и программы лояльности. По одной записи о покупке его не определить.

Есть ещё старый добрый «сарафан». Если каждый второй клиент приводит одного нового покупателя, это тоже стоит учитывать, когда решаете, сколько можете потратить на привлечение. Давайте проверим, как отличить рекомендацию от повторной покупки.

Небольшая задача. Десять человек впервые купили у нас по рекламе. За следующие три месяца четверо из них сделали ещё по одному заказу. Пятеро из первоначальных десяти привели по одному новому покупателю, и каждый из приглашённых сделал один заказ. Других заказов не было. Сколько у нас покупателей и заказов? Что из этого говорит о лояльности?

Сверить подсчёт и ответ про лояльность

Покупателей 15. К первоначальным десяти прибавились пять приглашённых. Заказов 19: десять первых, четыре повторных и пять первых у приглашённых. На одного покупателя исходной группы пришлось 5 / 10 = 0,5 нового покупателя по рекомендации. Это k-фактор для одного круга приглашений в нашем примере.

За три месяца вернулись 4 из 10, или 40% первоначальных покупателей. Чтобы узнать, сколько вернулось бы без напоминания, можно при следующем запуске случайно выделить контрольную группу, исключить её из этой кампании и сравнить долю вернувшихся за тот же срок. А если захотите прибавить к результату кампании маржу от рекомендаций, проверьте, что те же пять заказов уже не посчитаны в другом канале.

Что в итоге?

Как понять, что пришло время внедрять сквозную аналитику? Спросите себя, что вы сделаете, когда увидите цифры. Если задача уже понятна, выбирайте инструмент по своим силам. Лучше начать с простого отчёта, который поможет исправить одну кампанию, чем полгода строить идеальную систему, которой некому пользоваться.

И помните про сам маркетинг. Те самые 4P — товар, цена, место продажи и продвижение — никуда не делись. Пройдите связку «запрос — объявление — страница» глазами покупателя. Нашёл он то, что искал? Цена та же, что в объявлении? А если он решит позвонить?

Сначала нужно добиться, чтобы менеджеры брали трубку. Потом — чтобы они не отправляли клиентов… к конкурентам. И только после этого выстраивать аналитику. Желаю всем поскорее пройти этот нелёгкий путь!

Консультация по аналитике