Поженили офлайн-продажи с интернет-рекламой и снизили стоимость лида на 30%: кейс Profitator

Сквозная аналитика в российском ритейле уже не роскошь, а бизнес-необходимость. Однако внутри нее еще остаются малоизученные области. Например, мало кто может похвастаться, что умеет измерять влияние онлайн-рекламы на офлайн-покупки. Один из тех, кто умеет, – digital-агентство Profitator, партнер Calltouch и соорганизатор недавней конференции «Callday. Cквозная аналитика».

О том, как посчитать количество online-to-offline-покупателей, увеличить число лидов на треть и снизить их стоимость, рассказал в своем выступлении Влад Лукашенко, руководитель группы веб-аналитики Profitator. Передаем слово ему. 

Клиент и две его проблемы

К нам в Profitator обратилась одна из крупнейших сетей товаров и аксессуаров для сна. Мы провели анализ и выяснили, что на сайте нет личных кабинетов и, соответственно, нет возможности зафиксировать пользователя. Это обусловлено особенностями сферы бизнеса: очень многие делают заказы в офлайн-салонах, желая перед покупкой потрогать и протестировать товар. 

Это создает явное противоречие между онлайном и офлайном:

• вся витрина товаров находится исключительно в интернете;
• основной способ продвижения продуктов – это digital-реклама;
• однако понять, как отработали те или иные рекламные кампании в сети, крайне сложно, ведь путь конкретного покупателя отслеживается только частично. 

Это противоречие мешает точно замерять эффективность рекламы и бюджеты на продвижение. Мы поняли это следующим образом. Клиент пришел к нам с запросом «подтянуть показатели digital-рекламы», это была его основная цель. Когда в первый месяц работы наши специалисты по рекламе выполнили медиаплан, салоны стали сообщать об увеличении клиентского потока. Мы поняли, что это эффект от нашей работы, однако если он не подкреплен цифрами и исследованиями, то это было просто наше предположение. В итоге Profitator пришел к ключевому вопросу: как посчитать в офлайне тех, кто пришел из онлайна? И теперь у нашего digital-агентства есть решение этой второй проблемы проекта, которая тесно связана с первой.

Решение: выстраивание ROPO-аналитики

Сегодня на российском рынке мало кто занимается практической ROPO-аналитикой, поэтому воспользоваться чужими готовыми решениями было нельзя и нам пришлось создавать собственную систему. 

ROPO (от англ. research online, purchase offline – «поиск онлайн, покупка офлайн») – это такое поведение покупателей, когда они ищут и выбирают товар в интернете, однако за покупками идут в офлайн-магазины или салоны, так как онлайн-пространство не предоставляет полных возможностей для принятия решения о покупке из-за особенностей самого товара. 

Цель ROPO-анализа – показать в оцифрованном виде, как онлайн-реклама влияет на офлайн-покупки и, как следствие, обосновать необходимость сохранять и масштабировать рекламные активности в интернете. По-другому этот тип аналитики еще называют O2O (Online to offline) и пешеходный трафик. 

Как мы работали

В общем виде алгоритм настройки ROPO-аналитики и дальнейшей работы с ее результатами у нас выглядел так:

1. Данные о сессиях и посетителях сайта передаются в CRM-клиента, то есть настраивается сквозная аналитика. 
2. Мы выполняем сбор сырой статистики из баз данных компании и аналитических сервисов в единое хранилище. 
3. Договариваемся об алгоритмах определения клиентов и лидов и визуализируем данные для упрощения анализа.
4. Внедряем возвратные механики и пополняем данные для отчета.

Возможно, пока эти пункты не совсем понятны, но сейчас мы рассмотрим их подробнее. 

Этап 1. Настройка сквозной аналитики

Наша система сквозной аналитики для магазинов товаров для сна включала в себя следующие элементы.

• Статистика по рекламе из Яндекс Директа, VK, MyTarget и email-рассылок.
• Данные о посещении и поведении пользователей на сайте и в мобильном приложении, собранные в Google Analytics, Яндекс Метрике, системе статистики приложения. 
• CRM с данными о клиентах и их заказах.
• Данные коллтрекинга в Calltouch.

Схема получения данных

Вся эта информация собиралась в общую базу, которую мы визуализировали и анализировали с использованием отчетов в Power BI. 

В результате настройки сквозной аналитики мы увеличили общий доход, получили больше целевой аудитории и лидов, увеличили число вторичных продаж и в целом увидели всю картину интернет-продаж, как на ладони: узнали, кто и откуда пришел в онлайне. Но от ответа на вопрос про офлайн мы были еще далеко. 

Этап 2. ROPO-аналитика

Основой ROPO-анализа являются возвратные механики – разнообразные способы возврата покупателей на сайт, чтобы связать их онлайн-след и данные, полученные менеджером при офлайн-продаже. 

Вот несколько инструментов для такого возврата:

• QR-коды на кассе;
• ссылки на сайт от менеджера для авторизации покупки, по которым покупатель переходит сразу же при оформлении сделки;
• электронные чеки со ссылками и др.

Казалось бы, это довольно просто: связываешь покупателей с пользовательскими онлайн-сеансами и понимаешь, кто откуда пришел. Однако у ROPO-анализа много проблем, которые мы в Profitator прочувствовали на себе. Первые две – это типичная головная боль сквозной аналитики, а третья характерна уже для самого ROPO.

1. Сложность отслеживания пользователя. К примеру, если юзер заходит на сайт с разных устройств, в счетчиках Яндекс Метрика и Google Analytics его визиты считаются визитами разных пользователей. 
2. Ограничение идентификации на основе cookies. Из-за того, что cookies у некоторых юзеров не определяются совсем, мы стабильно теряем порядка 10-15% данных. 
3. Отложенный результат. Даже после того, как система настроена и данные начали поступать, нужен минимум месяц, чтобы проанализировать и сопоставить их. 

Мы разработали следующую механику нашей ROPO-аналитики. 

• В самом начале продумали алгоритмы, которые позволят связать заказы товаров с конкретными пользователями и клиентами. Для этого мы использовали следующие параметры:
• номера телефонов покупателей;
• их email-адреса;
• Client ID и User ID.

Важно четко понимать различие CID и UID. 

 

• Client ID – это анонимный идентификатор браузера, с которого заходит пользователь. Его используют системы аналитики, чтобы опознавать уникальных пользователей и фиксировать их действия на сайте и в приложении.

• User ID – это тоже уникальный обезличенный идентификатор, но уже в CRM-системе. UID присваивается человеку, как только того внесли в базу клиентов. Например, когда менеджер при продаже записал данные покупателя. 

 

CID и UID не совпадают, так как создаются в разных системах и по разным алгоритмам. Однако их сопоставление в процессе аналитики помогает решить главную проблему ROPO – связать все действия одного пользователя, которые он совершал с разных устройств, получив полную картину его взаимодействия с сайтом, приложением и компанией. 

1. Затем мы собрали из всех доступных нам источников данные для всех имеющихся у нас Client ID. 
2. После мы сформировали список соответствия Client ID и User ID.
3. Составили цепочки визитов каждого клиента.
4. Определили источники этих визитов и получили картину того, какой вклад внес в продажи каждый рекламный диджитал-источник.

Наглядная иллюстрация того, к чему мы пришли: теперь мы понимали, откуда пришел и как себя вел на сайте и в приложении конкретный клиент

Реализация на практике

Для учета заказов и работы с клиентами наш клиент использует CRM «Битрикс24». Мы доработали ее функционал так, чтобы менеджер при оформлении покупки одним нажатием формировал и отправлял клиенту ссылку с его уникальным идентификатором Bitrix ID. Она выглядит как стандартный URL, но с определенным кодом после «/?bid=». 

Клиент переходит по ссылке, «Битрикс24» фиксирует ID и передает информацию в Яндекс Метрику и Google Analytics. Таким образом, мы связываем интернет-пользователей сайта и реальных клиентов-покупателей. 

Так это можно отразить на уже знакомой вам схеме сбора данных

Результаты ROPO-аналитики

Дальше самое неприятное – томительное ожидание. На сбор информации и сопоставление данных по нашей механике потребовался почти месяц. 

Вот что мы увидели по итогу.

• Почти каждый второй посетитель вошел в наш анализ – процент найденных совпадений по Client ID составил 45,89%. Если говорить проще, это значит, что почти в половине случаев мы можем соотнести конкретные визиты или сессии с конкретными покупателями в базе клиента.
• У каждого третьего офлайн-покупателя мы определили рекламный онлайн-источник – процент мэтчинга по источнику по всем сделкам достиг 31,61%.

У ROPO-аналитики есть одна полезная особенность: чем дольше период сбора данных, тем более глубокую аналитику можно провести. Поэтому сегодня показатели мэтчинга уже значительно превысили первоначальные. 

Мы настроили для клиента обновляемые ROPO-отчеты, по которым можно понять:

• каковы доли чистого онлайна и чистого офлайна;
• какова доля офлайна, который пришел из онлайн-каналов рекламы;
• распределение дохода по всем каналам, в том числе с учетом ROPO-эффекта.

Пример ROPO-отчета

Рост эффективности рекламы: снижение CPL при неизменном бюджете

Изначальный медиаплан Profitator, который мы выполнили на старте работ, предполагал привлечение порядка 10 тыс. лидов за 2,5 млн рублей. Стоимость лида, таким образом, составляла 250 рублей. После реализации аналитического решения мы пересчитали результаты. Оказалось, что в рамках того же бюджета мы привлекли 13 тыс. лидов (+30%) по совершенно другой цене – 192 руб. (-23%).

Однако на будущее стоит понимать, что, рассчитывая на подобный результат ROPO-аналитики, нужно учитывать следующие важные моменты. 

• Способность клиента обрабатывать возросшее количество заявок. 30% – это серьезный прирост, для которого могут потребоваться дополнительные сотрудники. Нужно заранее рассчитать нагрузку на персонал, чтобы не «затопить» отдел продаж лидами. Если ничего с этим не делать, дополнительные заявки могут быть обработаны некачественно и в конечном итоге упущены. 
• Влияние прироста на прогнозы. Результаты ROPO-аналитики напрямую влияют на прогноз бюджета и многих рекламных показателей в будущем. Например, если клиент захотел бы масштабироваться до 15 тыс. лидов, то, согласно старому медиаплану, ему нужно было бы вложить дополнительно порядка 1,25 млн рублей, а согласно новому – всего около 380 тыс. Согласитесь, разница очевидна. 

Что дает ROPO-аналитика: качественные результаты

Конечно, цифры – наше всё, но у ROPO есть и другие результаты. Например, подобный подход, основанный на аналитике, дает команде проекта следующие преимущества.

• Более тонкое понимание рекламных каналов и их влияния на продажи. Например, мы не увидели каналов, которые бы вели клиентов сразу в офлайн. Каждый из каналов отыгрывает свою роль, давая потребителю полезную информацию, привлекая его внимание или помогая принять решение о покупке.
• Новые, неожиданные инсайты про мотивы и сегменты пользователей, которые можно использовать для точечного воздействия через рекламу. 
• Возможности более точно управлять рекламными бюджетами.

ROPO-аналитика многое дает и клиенту в плане контроля своей рекламы и работы с агентством. Он понимает, как именно digital-активности влияют на его продажи и что делает команда его проекта, чтобы давать результат. Кроме того, он может принимать более обоснованные решения о перераспределении рекламных бюджетов. 

Услуги

Читайте также:

Как самому на no-code-сервисах собрать собственную пиццерию: от оформления заказа и доставки до итоговой аналитики

Как самому на no-code-сервисах собрать собственную пиццерию: от оформления заказа и доставки до итоговой аналитики