Наталія Федоренко
Вебаналітик у PROANALYTICS.TEAMНаскрізна аналітика. У чому її користь для бізнесу. Інтерактивний приклад всередині
На моїй пам’яті був період, десь у кінці 2010-тих, коли тема наскрізної аналітики була на піку своєї популярності. Сервіси для побудови наскрізної з’являлись ледь не як гриби після дощу. Деякі навіть затримувались на ринку і славились якістю своїх послуг. Окрім того, суб’єктивно, ці сервіси певним чином сприяли появі думки, що наскрізна аналітика – це щось малодосяжне, складне, і без сторонніх сервісів її побудувати ніяк не вдасться.
І от, тепер ми в середині 2020-х, на момент написання статті, і ажіотаж навколо сторонніх сервісів давно стих. Для мене це доволі логічно – в намаганні надати послугу “в пару кліків” вони змушені шаблонізувати свої підходи. Звісно, що розробники подібних платформ будуть намагатись обробляти дані з більшості популярних систем – рекламних кабінетів, аналітичних систем, CRM, тощо. Але вони ніколи не зможуть охопити їх всі. І що більш важливо – вони не зможуть адаптуватись до особливостей ведення бізнесу, зокрема CRM, навіть найпоширеніших, якщо спосіб ведення буде відрізнятись від “загальноприйнятого”. У найприкріших випадках, я спостерігала кейси, коли сейлз-команди таких сервісів намагались змусити клієнта змінити спосіб ведення CRM, щоб підходити під їхню систему. Звісно, їм простіше змусити вас адаптувати процеси під них, бо зміна обробки на їхній стороні заради вас – одного єдиного клієнта – це нераціональна витрата ресурсів. Тому вони і будуть залишатись відносно шаблонізованими і підходити тільки “шаблонному” бізнесу. При цьому “шаблонний” бізнес як такий зазвичай довго не “живе”, бо якщо ми не відрізняємось від конкурентів, то яка від нас користь? Питання риторичне.
Бізнес – це “живий організм”, який адаптується до навколишніх умов. Аналітика для бізнесу має так само бути адаптивною, інакше користі від неї не буде.
І остання вступна думка перед тим, як перейти до суті: я не хочу, щоб ви вирішили, що наскрізна аналітика – це щось дуже легке, як з боку побудови, так і з боку аналізу. З досвіду можу сказати, що коли клієнт вирішує будувати наскрізну, ми часто знаходимо певні “прогалини” в бізнес-процесах. Аналітика їх підсвічує. У цьому відмінність між шаблонним підходом і кастомним: шаблонний змушує вас підлаштовуватись під себе, кастомний – виправляє бізнес-процеси, бо тут як ніколи актуальний принцип GIGO – garbage in, garbage out (сміття на вході, сміття на виході). Це може затягувати побудову наскрізної, але в результаті цей шлях веде не тільки до вирішення питань, які закриває наскрізна напряму, а і до покращення бізнес-процесів у цілому, як певний “побічний ефект” цього шляху.
Справжня наскрізна аналітика ще навіть до своєї появи у вигляді дашборда здатна покращити бізнес-процеси компанії.
Отже, про що поговоримо:
Що таке наскрізна аналітика і яка її задача
Найкраще визначення для наскрізної – це опис її цілі. Вона дає відповідь на глобальне питання “чи рентабельні наші інвестиції?”.
Її задача – показати вам, як власнику бізнесу, маркетологу, та й по суті будь-кому, хто зацікавлений в окупності інвестицій, куди і скільки коштів ви вклали і скільки прибутку ви в результаті отримали.
Це глобальне питання, але не єдине. Наскрізна аналітика має показувати вам точки зростання – куди інвестувати невигідно, що потрібно оптимізувати, а де треба інвестувати більше, бо є ймовірність збільшити прибуток.
Як часто ви спостерігали, що за основу оптимізації маркетингових кампаній беруться ліди? При цьому "лідами" кожен називає часто різні речі. Здебільшого перша асоціація - відправка форм з сайту. Особисто я вважаю лідами не тільки відправлені форми, а навіть відправлені замовлення з сайту, що часто називають “покупками”. Але навіть якщо такі “покупки” оплатять одразу онлайн, це ще не означає, що ці гроші вже осіли на рахунку компанії. Оскільки це замовлення ще має дійти до покупця, а той має його прийняти і не повернути. Тобто замовлення на сайті не дорівнює замовленню, яке принесло дохід бізнесу. Окрім того, "ліди" для мене - це ще й дзвінки, але якщо форми і замовлення більш-менш відстежуються, як мінімум я сподіваюсь, що у вас так, то про важливість відстеження дзвінків часто "забувають". При цьому з дзвінками та ж історія - навіть якщо ви їх відстежуєте і вимірюєте їхньою кількістю ефективність реклами, то ви не бачите повної картини, оскільки дзвінок не дорівнює отриманому доходу.
Думаю, підхід вимірювати успіх маркетингових активностей лідами і коефіцієнтом конверсії ви бачили часто. Але ви вже зрозуміли до чого я веду – ліди не дорівнюють прибутку. У рекламної кампанії може бути високий коефіцієнт конверсії в лід, але вона при цьому може бути збиткова, і ви, не знаючи цього, продовжуєте вкладати бюджет у невигідну кампанію.
Задача наскрізної – об’єднати дані про сукупні витрати і співставити їх з отриманим прибутком у розрізі маркетингових активностей, щоб показати вам які з них прибуткові, а які ведуть до збитків.
А задача цієї статті – надати вам вичерпну інформацію про нюанси і технічні деталі побудови, а також інтерактивний приклад звіту. Тому якщо ви хочете заглибитись у нюанси і деталі, продовжуйте читати. А якщо ви хочете спочатку випробувати результат, він чекає вас тут. Після чого ви можете повернутись і дочитати про те, що треба для реалізації.
Що потрібно для побудови
Глобально потрібно наступне – дані про витрати, дохід і інформація про їхні джерела.
Витрати включають маркетинговий бюджет, який ви витрачаєте на рекламу, а також вкладення в SEO просування, розміщення публікацій у блогерів та на сторонніх ресурсах, тощо. Сюди відносяться також оплати за використання сервісів, які допомагають вам у маркетингових активностях, наприклад, оплата за сервіс email-розсилки, коллтрекінг, тощо.
Також у витрати треба врахувати вартість реалізованої продукції – собівартість плюс витрати на доставку, різноманітні комісії, тощо. Зазвичай сюди включають змінні витрати, тобто такі, які змінюються в залежності від кількості продажів. Програма максимум – враховувати також і операційні витрати, в такому випадку можна буде порахувати чистий прибуток. Проте реалізація такої програми часто має певні складнощі і може нераціонально затягувати побудову наскрізної, відтерміновуючи можливість приймати рішення на основі даних. І тут потрібно зважити наскільки необхідно вкладати ресурс у розрахунок чистого прибутку. Часто для прийняття обґрунтованих рішень достатньо мати розрахунок валового прибутку.
Друга складова – дохід – це відповідно сума коштів, які ви отримуєте від своїх клієнтів за товари та/або послуги, які вони придбали. Зазвичай ці дані зберігаються в CRM, адмінці сайту, сервісах прийому платежів та/або внутрішній базі даних.
Для побудови наскрізної важливо об'єднати дані в одному централізованому сховищі для подальшої обробки і передачі в інструменти візуалізації. На наших проектах ми використовуємо BigQuery, який є частиною Google Cloud Platform. Серед основних переваг такого підходу можна виокремити наступні:
- Нативна інтеграція з сервісами Google – вивантаження даних з Google Analytics, Google Ads, Merchant Center, YouTube, тощо налаштовується максимально швидко.
- Наявність зручного API – дозволяє збирати дані з будь-якої іншої системи, у якої є своє API.
- Відсутність необхідності адміністрування бази даних.
- Легка інтеграція з Power BI – системи для побудови бізнес-аналітики будь-якої складності.
Якщо візуалізувати схему даних, яку ми зазвичай будуємо, то вона буде мати приблизно таку структуру:
І третя необхідна складова – інформація про джерела витрат і доходу. Якщо з джерелами витрат на маркетинг все відносно просто – бізнес зазвичай “знає” скільки і куди він вкладає коштів, то з джерелами доходу трохи складніше. Щоб визначити джерело замовлення, можна, наприклад, налаштувати передачу даних про замовлення в Google Analytics і потім поєднати дані про джерело по номеру замовлення, але це дуже недосконалий метод. Google Analytics може втрачати частину даних (20-30%) з різних причин – блокувальники реклами, поганий інтернет у користувача, що перешкоджає завантаженню коду GA, тощо. Тому на наших проектах ми реалізовуємо збір даних про джерела замовлень і лідів напряму в CRM / адмінку. Це дозволяє мати дані про джерела - незалежно від GA. Визначенням джерел дзвінків “займається” коллтрекінг, і для цього достатньо зібрати ці дані в BigQuery.
Але з джерелами не все так просто – з досвіду тут часто виникають найбільші складнощі, і пов’язані вони з людським фактором. Не складно визначити джерело замовлення і записати його в CRM. Найскладніше – добитись того, щоб усі, хто має справу з трафіком, коректно розмічали посилання utm мітками. Це якраз один з тих, часто багатьох, пунктів покращення бізнес-процесів, на які впливає наскрізна в першу чергу.
Неможливо побудувати наскрізну аналітику без правильної utm-розмітки!
Ви можете налагодити всі процеси по збору даних, але якщо спеціалісти, які закуповують трафік на сайт, не розмічають посилання, всі ваші зусилля будуть марними. Вам, як власнику бізнеса або C-level, фактично тому, хто зацікавлений в коректній аналітиці, потрібно організувати інструкцію з розмітки для всіх, хто працює з трафіком, і донести до них критичну необхідність слідувати їй. А всі, хто власне з цим самим трафіком працює, також повинні бути зацікавлені в цьому, оскільки наскрізна здатна показати набагато більше корисної інформації, ніж рекламний кабінет.
Другий пункт покращення бізнес-процесів – корекція роботи менеджерів з продажу. Часто при побудові наскрізної, коли utm розмітка реалізована коректно і відстежуються джерела дзвінків, “з’являються” замовлення з невідомого джерела. Насправді це замовлення, які роблять поза сайтом і заводяться менеджерами напряму в CRM під час спілкування з клієнтами. І часто виявляється, що в компанії є певний регламент, згідно якого менеджери мають проставляти в CRM певне значення джерела для таких замовлень, але на практиці цього можуть дотримуватись не завжди. Наскрізна аналітика дуже добре підсвічує такі моменти і “мотивує” їх виправляти.
Вибір моделі атрибуції
Окрім збору потрібних даних і налагодження внутрішніх процесів, потрібно вирішити це одну стратегічно важливу задачу – визначити модель атрибуції.
Модель атрибуції – набір правил розподілення цінності продажу між джерелами, які взяли участь в тому, щоб його залучити. Приведу простий приклад. Потенційний покупець шукав певний товар в пошуку, побачив вашу рекламу, перейшов на сайт, ознайомився з характеристиками і вирішив не купувати зараз, а трохи подумати, але при цьому запам’ятав назву вашого магазину. Через певний час він прийняв рішення зробити замовлення, в пошуку ввів назву магазину, перейшов з органічного посилання і зробив замовлення на 1000 грн.
Модель атрибуції визначає яким чином розподілити цю 1000 грн між рекламою і органікою. Моделей є багато і немає заборони на створення своєї власної. Наведу приклад 4 моделей:
- Перший клік – вся цінність покупок відходить першому джерелу, яке залучило покупця. В моєму прикладі 1000 грн буде зарахована рекламі.
- Останній клік – протилежна модель. Цінність буде зарахована останньому джерелу, в моєму прикладі 1000 грн буде у органіки.
- Лінійна – цінність рівномірно розподіляється між усіма джерелами, які брали участь у залученні. В моєму прикладі 500 грн відійде рекламі, а інші 500 грн – органіці.
- Останній непрямий клік – найбільш “популярна” модель за рахунок популярності Google Analytics Universal, де ця модель була за замовчуванням. Для цього розширимо мій попередній приклад – якщо покупець зайшов другий раз з органіки і вирішив не оформлювати замовлення, а прийшов ще через певний час з прямого заходу, тобто одразу ввів домен сайту в браузері, і на цей раз вже оформив замовлення, то його цінність відійде органіці, бо саме вона була останнім відомим (непрямим) джерелом.
Не можу не згадати про модель атрибуції на основі даних (data-driven). Ця модель використовує алгоритми машинного навчання, щоб визначити вплив кожного джерела в ланцюжку до конверсії. Тут довідка, але по суті це “закрита коробка”.
Вам залишається тільки довіритись алгоритмам, якщо ви використовуєте таку модель. Зі спостережень нашої команди: хоча ця модель використовується за замовчуванням для параметрів джерел GA4, назви яких не починаються на “First User” і “Session”, вона рідко має значні відмінності від моделі останній непрямий клік при невеликій кількості даних. Проте при достатній кількості ця модель має свої переваги – на відміну від усіх інших вона враховує вклад кожного джерела в ланцюжку і дозволить не пропустити важливий інсайт. Вирішити чи буде корисною ця модель в вашому випадку може допомогти Google Analytics. В розділі Advertising (Реклама) -> Attribution models (Моделі атрибуції) ви можете дослідити як змінюється розрахунок цінності в залежності від моделі останній непрямий клік та на основі даних.
Сподіваюсь, мій простий приклад зміг вам показати, що навіть 1000 грн може відображатись в розрізі джерел дуже по-різному, в залежності від того, яку модель атрибуції ви оберете. Якщо ваші клієнти зазвичай замовляють одразу, вам може вистачити показників в розрізі однієї моделі, але якщо для ваших клієнтів характерно “заходити” до вас декілька разів і з різних джерел, відповідально віднесіться до вибору моделі атрибуції. Можливо, однієї вам буде замало для ширшого розуміння впливу ваших маркетингових активностей на кінцевий прибуток. При цьому аналіз даних в розрізі трьох і більше моделей – не задача наскрізної. Це має бути окремий звіт, оскільки це вже зовсім інша історія.
Розбір прикладу звіту
Ми підійшли до того, як може виглядати наскрізна аналітика. Звісно, я не можу заборонити вам одразу перейти до звіту і спробувати його прочитати, але не раджу сходу це робити – звіт має демонструватись кінцевому користувачу. Навіть, на перший погляд, простий звіт потребує проведення демо зі сторони аналітика, який його будував. Така демонстрація знайомить користувача зі звітом і полегшує подальшу взаємодію і розуміння даних. В нашому випадку звіт зовсім непростий, і я наполегливо рекомендую продовжити читати цей блок, тому що він буде моєю демонстрацією його можливостей.
Посилання на звіт відкривається в новій вкладці. Відкрити звіт можна тут.
Найкраще переглядати з десктопа.
Хоча наскрізна – це про співвідношення витрат і прибутку, вона може відповідати на низку питань. Наведений звіт – лише приклад. Фактично кожен наш звіт по наскрізній виходить різним, оскільки ми завжди адаптуємо побудову під потреби, вимоги і особливості кожного бізнесу. Тому при перегляді у вас можуть з’являтись думки в стилі “ось це мені було б дуже корисним, а от тут я б змінив, бо мені важливіше інше”. Головний мій посил в тому, щоб показати приклад, але в той же момент все може бути адаптованим під конкретні потреби.
Структура звіту
Звіт складається з трьох вкладок: Огляд, Перше джерело і Останнє непряме.
Оглядова вкладка відображає тенденції основних показників, а також топові джерела доходу в двох моделях атрибуції – перше і останнє непряме джерело.
Атрибуція по першому джерелу агрегує дані по джерелу покупця. Це означає, що всі показники розраховують дані для того джерела і каналу, з якого ми залучили нового покупця. Таким чином, якщо покупець вперше замовив у нас щось з facebook / cpc, а потім робив подальші замовлення з будь-яких інших джерел, усі його замовлення будуть атрибутовані facebook / cpc.
Атрибуція по останньому непрямому агрегує дані по джерелу замовлення. Таким чином, продовжуючи попередній приклад, якщо друге замовлення наш покупець зробить з google / organic, то його замовлення розподіляться наступним чином:
facebook / cpc- 1 замовлення (перше)google / organic- 1 замовлення (друге)
Такий підхід з наявністю даних в розрізі двох моделей дозволяє розуміти які джерела трафіку добре залучають нових покупців, а які з них сприяють повторним покупкам. При цьому в нашому кейсі модель першого джерела не зовсім “загальноприйнята”, а кастомізована під конкретний бізнес – у нас першим є джерело, яке було на момент першого замовлення. Іншим підходом можна рахувати першим те джерело, з якого потенційний клієнт вперше потрапив на сайт. Для бізнесів з довгим циклом продажів такий підхід дозволить виявити джерела трафіку, які “знайомлять” потенційного клієнта з вашим бізнесом, хоча можуть одразу не конвертувати в замовлення. І для таких бізнесів мати лише одну модель атрибуції може бути навіть шкідливим. Наприклад, ви закуповуєте багато трафіку з Facebook, але бачите, що він погано конвертує. Насправді, він погано конвертує як останнє джерело перед покупкою, але може залучати тих, хто потім робить покупку з іншого джерела. Не маючи даних по атрибуції першого кліка, саме того, з якого користувач зайшов на сайт вперше, ви можете вирішити вимкнути рекламу в Facebook, як неефективну, що може призвести до загального зменшення продажів, оскільки Facebook був хорошим джерелом першого дотику, але ви про це просто не знали.
До речі, якщо ви – прихильник data-driven моделі, то у мене для вас гарні новини: немає технічних обмежень на реалізацію такої моделі. Загалом найбільш популярними є вектор Шеплі (кажуть, що атрибуція в GA4 використовує за основу саме його) і ланцюги Маркова. Тому цілком можливо будувати наскрізну і з використанням цих моделей. В нашому випадку, ми використали більш класичний підхід.
Вкладка “Огляд”
Перший блок про найголовніше – про дохід, витрати і долю прибутку у вигляді валової маржі. Нижче ми можемо простежити за тенденціями цих показників і швидко зрозуміти, що в останні 4 місяці 2024 року у нас просіла маржинальність, при цьому ми планомірно нарощували як витрати, так і доходи, досягнувши піку за цими двома показниками в місяць чорної п’ятниці. Критичний показник валової маржі для цього бізнесу - 35%. І хоч маржа просіла в цей період, в цілому ми в плюсі, бо зниження було тільки до 41%.
Зверніть увагу, що графік валової маржі на скріні нижче починається не з 0, а з 40%. Зазвичай, графіки мають починатись з 0. Проте допускається відхилення від цієї практики, якщо треба наглядніше підкреслити різницю. Тут саме такий випадок – якщо б графік починався з 0, лінія була б майже прямою, і коливання такого вкрай важливого показника були б непомітними. При цьому пунктирна лінія відображає середнє значення за обраний період, і при фільтрації звіту вона допомагає швидко визначити відносну тенденцію до середнього значення.
Але зниження все одно неприємне, тому хотілося б розібратись в причинах. Перейдемо до другої половини цього дашборду. На ній ми бачимо дані по валовій маржі і доходу для топ 10 перших і останніх непрямих джерел. Це джерела, які генерують основний дохід. І тут ми вже бачимо завдяки умовному форматуванню помаранчевим кольором ту маржу, яка занизька по нашим KPI, тобто ці джерела збиткові. Серед них найзбитковіший facebook / cpc, при тому як в якості першого, так і останнього непрямого – його маржа була за обраний період на рівні 12-13%.
А якщо ми звернемо увагу на стрічковий графік внизу, який відображає рекламні витрати за джерелами, то одразу помітимо, то частка витрат на Facebook найбільша – 37%. Окрім того, ми ще й збільшили витрати на нього починаючи з вересня, в акурат тоді і почала просідати маржа.
Висновок на основі 10 хвилинного аналізу – facebook / cpc не вартий такої суттєвої уваги і вкладень. Ліпше перенаправити частину його бюджету на google / cpc, який і по частці доходу лідирує, і маржу має майже в 4 рази вищу.
Звісно, тут є ще багато цінних інсайтів. Пропоную вам самим знайти їх :)
Звіт повністю інтерактивний. Його віжуали можуть фільтрувати один одного. Наприклад, клікніть на перше джерело google / cpc (1), і ви швидко побачите на графіку зліва (2), що його маржа також просіла і була навіть трохи нижчою від середньої (відображається пунктирною лінією на графіку) в листопаді. До того ж справа можна відмітити, що google / cpc згенерував тільки 40М як останнє непряме джерело (3). Для решти замовлень він виступив як перше джерело, а повторні покупки робились з ряда інших, зокрема facebook / cpc, у якого в цьому випадку маржа дуже хороша – 64%. При цьому весь час ми розглядаємо один і той же період, тому різниця суттєва – у facebook / cpc як першого джерела маржа 12%, а як у джерела повторних покупок – уже 64% в даному випадку. Можливо є сенс в Facebook запустити ремаркетинг жвавіше, як думаєте?)
Звісно кросс-фільтрація між віжуалами – зручна фіча, але не забувайте, що у вас вгорі є фільтри, щоб зафільтрувати собі дані вже більш цілеспрямовано. Поруч є фільтр періоду з переключенням між пресетами (завчасно заданими періодами) і можливістю обрати будь-який свій кастомний.
На завершення, якщо щось у звіті вам буде незрозумілим, натисніть на букву “і” у правому верхньому куті, щоб побачити додаткову інформацію про дашборд.
Вкладка “Перше джерело”
Верхньорівнева задача цього дашборда – відповісти на питання “Як добре ми залучаємо нових покупців?”
Як і на оглядовій вкладці, дашборд одразу “просить” звернути увагу на головне – ваші KPI, тільки вже детальніше. Витрати вже відображені окремо – собівартість продажів і рекламний бюджет. Додатково нижче ви бачите порівняння показників з попереднім періодом – суму показника за попередній період і різницю у відсотках. Нагадую, якщо по ходу у вас виникають питання до дашборда, спробуйте звернутись до кнопки “і” у правому верхньому куті. Там можуть бути відповіді на ваші питання.
Під KPI дашборд нам показує, по-перше, рейтинг джерел на основі доходу, а також порівнює його з попереднім періодом. По-друге, ми бачимо співвідношення нових клієнтів і повторних, тобто тих, хто зробив першу покупку до обраного періоду і зараз робив повторні. Помітно, що з невеликою перевагою, найкраще конвертують у перший продаж google / organic та instagram / social, і якщо у цьому була наша стратегія, то ми йдемо правильним шляхом.
Нижче маємо графік, який відображає тенденцію показника разом з тенденцією попереднього періоду у вигляді пунктирної лінії. Який саме показник відобразити, обираєте ви кнопками внизу. Не забувайте про кросс-фільтрацію. Клікнувши на будь-який інший елемент в іншому віжуалі ви можете швидко переглянути тенденції по конкретному джерелу або рекламній кампанії.
Стосовно рекламних кампаній – їхні дані ви знайдете далі справа. Точкова діаграма дозволить вам швидко виявити аутсайдерів по залученню покупців серед 15 рекламних кампаній, які витратили найбільше коштів. Вони завжди будуть у правому нижньому куті, де кампанії з найбільшими витратами, найменшою кількістю залучених покупців, і як наслідок, найвищою вартістю залучення. У свою чергу, найкращі гравці будутьу протилежному куті – зліва зверху – не шкодуйте на них бюджет. У нашому же випадку, кореляція доволі рівна – чим більше ми вкладаємо в кампанію, тим більше вона залучає.
Поруч таблиця вже зі всіма кампаніями. Тут ви можете зрозуміти зміни у витратах порівняно з попереднім періодом, а також кількість нових покупців, також з порівнянням. Помаранчевий колір сигналізує вам про ті кампанії, де ви витрачаєте кошти швидше, ніж залучаєте нових покупців.
Клікнувши при цьому на будь-який елемент з цих двох діаграм, ліворуч у KPI ви вже побачите дані по конкретній кампанії, а внизу – динаміку її основних показників. Давайте спробуємо заглибитись у деталі.
Дуже підозріло виглядає кампанія 1527. Клікнувши на неї, я швидко розумію, що вона була запущена не так давно (2 місяці назад). Витратила вже дуже багато, але не залучила жодного покупця. “Скільки можна зливати на неї бюджет?!” – скажете ви, а я підтримаю :)
На завершення внизу вас чекає деталізована таблиця-матриця з додатковими показниками. Матриця тому, що має властивість показувати вам більше даних, якщо клікнути на плюс на початку рядка. У цьому випадку ви побачите ще більше деталей по кожній рекламній кампанії. До речі, щось з рекламою у інфлуенсерів на YouTube пішло не дуже добре, помітили?
Вкладка “Останнє непряме”
Остання вкладка, але тільки за порядком, а не за рівнем користі, покаже вам які джерела сприяють зокрема повторним покупкам, і взагалі звідки ваші клієнти приходять до вас купувати – де вам треба бути “в потрібному місці в потрібний час”.
Візуально дашборд схожий на попередній, але це тому, що весь звіт консистентний за дизайном. Насправді, метрики тут відрізняються, і адаптовані під конкретно цю модель атрибуції. Але KPI вийшли настільки доречними, що негоже було їх змінювати, тому вони залишаються з нами. Нижче ми вже бачимо дані в розбивці останнього непрямого джерела. Дохід у порівнянні з попереднім періодом, а також скільки власне доходу принесли нові клієнти і ті, хто робили повторні покупки в обраний період. Як ми вже помітили з оглядового звіту, facebook / cpc дещо краще з-поміж інших основних джерел конвертує в повторні покупки.
Нижче ми вже бачимо звичний нам графік, але з “новими” показниками. Тут вже можна дослідити тенденції окремо рекламних витрат і валового прибутку з-поміж іншого.
У блоці рекламних кампаній ми вже бачимо дані по 15 найбільш витратним кампаніям і їхньому ROI – співвідношенню валового прибутку до витрат. Логіка тут та ж сама – аутсайдери внизу справа, чемпіони - вгорі зліва. Додатково над діаграмою можна зафільтрувати кампанії по діапазону ROI – прибуткові (ROI більше 100%), неприбуткові (ROI між 0% і 100%) і збиткові (ROI менше 0%). Справа – таблиця з даними по витратам з різницею з попереднім періодом та ROI також з порівнянням. Помаранчевий знову ж таки сигналізує нам про ті кампанії, на показники яких нам треба звернути особливу увагу. І тут знову кампанія 1527 країть мені серце вже як кампанія, яка не привела до продажів навіть як остання в ланцюжку… Краще спробувати направити її бюджет на кампанію 1410 – оце ріст, так тримати!
Наостанок, матриця з додатковими корисними даними, зокрема кількістю покупців, замовлень, середнім чеком та загальною частотою покупок і розрізі джерела і з можливістю дивитись глибше до рекламної кампанії.
Фінальні думки
Джону Ванамейкру, якого називають “піонером у маркетингу”, приписують наступну фразу:
"Половина грошей, які я витрачаю на рекламу, витрачається даремно; проблема в тому, що я не знаю, яка саме це половина."
Жив Джон у часи, коли наскрізна аналітика ще не була мейнстрімом (1838 – 1922 рр.), інакше він би точно знав, яку саме половину рекламного бюджету він витрачає даремно.
Так, шлях до побудови такого звіту може бути непростим – потрібно вкласти час і ресурс на налагодження всіх процесів, проте, сподіваюсь, прочитавши цю статтю, ви отримали розуміння тієї користі, яку ви отримаєте, якщо вирішите піти цим шляхом.
Comments