Кейс по сквозной аналитике в нише ритейла. Как ее внедряют специалисты Netpeak

Отчет Google Analytics в одном окне, Google Ads — во втором, данные из CRM — в третьем, а процессом руководит специалист, который пытается свести все это в одну таблицу. Представили этот страшный сон маркетолога? И тут в противовес всем этим окнам появляется одна целостная система — сквозная аналитика. Благодаря ей можно: автоматизировать процессы, правильно распределить бюджет, ускорить принятие управленческих решений. 

Обо всех этапах работы, преимуществах и процессах сквозной аналитики расскажем на примере кейса одного из наших клиентов. 

Цели использования сквозной аналитики

Мы работали над стартапом клиента, который предоставляет услуги в сфере ритейла через приложение и веб-версию. Клиент обратился к нам с такими основными запросами: правильно распределить бюджет на рекламные каналы и получить один автоматизированный отчет из всех задействованных аналитических инструментов. 

Почему это важно?

Правильное распределение маркетингового бюджета

Иногда у компаний есть опасения, что они направляют бюджет не на те рекламные каналы, выделяют недостаточно средств, или не полностью понимают эффективность задействованных РК. Часто бизнес просто не может проанализировать эти аспекты, используя имеющиеся аналитические инструменты.

Автоматизация процессов и экономия времени

Когда есть система, которая считает всю аналитику, персонал не тратит время на подготовку регулярных отчетов. Еще один плюс — эта система обновляется быстрее, чем «ручные» отчеты: каждый день, несколько раз в день. Она может быть наподобие стриминг дата, то есть отвечать на запрос мгновенно. 

Скорость принятия решений

Благодаря сквозной аналитике ускоряется время реакции: когда что-то идет не так — можно заметить проблему раньше и отреагировать, не дожидаясь недельного отчета. Это касается принятия любых управленческих решений не только по маркетингу, но и по логистике, HR или для учета продукции на складах. У всех работников может быть одна среда, где они будут видеть результаты работы и отчитываться перед менеджером.

Создание персонализированных рекомендаций для пользователей

Когда есть одна среда со всеми данными, есть и возможность сегментировать сведения и делать исследования по пользователям. Имея базу и историю действий юзеров, можно, например, построить рекомендательную систему на сайте по персонализированным предложениям для клиентов. То есть отработать список продуктов, передать их разработчикам сайта или приложения, и, как следствие, у пользователя на сайте появятся персональные предложения/рекомендации. Или задействовать метод сегментирования товаров: используя историю покупок разных клиентов, определить, что с чем чаще покупают, и предлагать дополнить покупки этими товарами на этапе корзины.

Этапы внедрения сквозной аналитики

Наш клиент использовал data-driven подход: в аналитике нуждались сразу с начала функционирования бизнеса, поэтому поставили цель внедрения сквозной аналитики.

В этом процессе мы выделяем три больших этапа работы. 

Первый этап — закрытие базы

Мы называем закрытием базы настройки текущих аналитических систем. 

Напомню, в этом кейсе работали с данными из приложения и из веб-версии.

Клиент использовал Google Analytics 4 для получения данных как с сайта, так и с приложения. Как это происходит: в GA4 есть модуль Firebase специально для приложения — через него и настраиваем аналитику. Эта же Google Analytics 4 используется и для веб-версии, и именно в ней объединяются данные.

Собственно закрытие базы заключается в том, чтобы настроить все необходимые ecommerce события для сайта и для приложения, и, соответственно, сам аккаунт Google Analytics 4.

Еcommerce события — это все действия пользователя в вебе или в приложении. Эти данные позволяют детально отслеживать и анализировать информацию о покупках, финансовых операциях и в целом о поведении пользователей.

Мы настроили для сайта и приложения все события, например, клики на товары, просмотр товаров, добавление в корзину, шаги чекаута и трансакции. Для этого подготовили техническое задание для frontend-разработчика. Он внедрил его на сайте, а мы проверили, правильно ли работает функционал отслеживания событий.

На скриншоте — отчет в GA4 по результатам настройки необходимых ecommerce событий

Второй этап — создание дизайна аналитического решения

Этот этап условно делим еще на два.

1. Выбрать инструменты для формирования макета отчета

Почему это важно: 

• финальный результат сквозной аналитики должен соответствовать целям клиента;
• оформление данных в отчете должно быть достаточно гибким и масштабируемым, чтобы мы могли добавлять источники данных и отчеты;
• это позволяет работать длительное время без переработки общей архитектуры макета. 

Также обязательно учитываем прогностический момент — мы должны предусмотреть наперед некоторые изменения функционала инструментов, и, соответственно, какими будут наши решения в связи с этим. Например, пока готовили макет отчета, сервис Universal Analytics еще работал. Но мы уже знали, что инструмент закрывается через некоторое время, поэтому его не было смысла включать.

Мы выбрали следующую схему отчета для вышеупомянутого клиента в сфере ритейла:

1. Google BigQuery служит центральным хранилищем данных. Это облачная база, созданная специально для аналитических целей. Google BigQuery не нужна поддержка — при необходимости база масштабируется самостоятельно. 
2. Данные из Google Analytics по приложению и вебу в «сыром» виде можно бесплатно ежедневно выгружать в эту базу. 
3. Для рекламных источников подготовили специальный коннектор — Python-код, который ежедневно выгружает данные из Google Ads и Facebook.
4. Для программы финансовых данных предусмотрели промежуточную интеграцию — сервер, куда ежедневно поступали необходимые отчеты. А отдельный коннектор «складывал» их в центральное хранилище данных. 
5. Далее в хранилище все данные объединялись и агрегировались. Для этого мы использовали сервис DBT, который позволяет эффективно управлять проектом, содержащим много SQL (язык программирования для взаимодействия пользователя с базами данных). В конце данные подключали к визуализатору Looker Studio, где и готовились финальные отчеты.

Эту схему можно использовать годами. А в поддержке все эти инструменты стоили не более пяти долларов в месяц.

2. Утверждение макета отчетности  

Наша задача — получить от клиента необходимое количество информации, чтобы мы смогли разработать дизайн макета отчета. Этот вопрос легко решить благодаря действенной коммуникации и воркшопам. 

Для этого разработали большую анкету для клиента, которая разбита на сектора. Там есть вопросы о ежегодных, ежемесячных или еженедельных KPI. Также документ помогает определить, какие сейчас клиент готовит отчеты, какой информации из них получает достаточно, а какой нет для принятия решений. 

Например:

На вопросы отвечают сотрудники из команды клиента в зависимости от их специализации. После этого мы встречаемся, чтобы еще раз детально проработать все ответы.

Когда получаем всю необходимую информацию, делаем макеты отчетов в Miro Board. Там формируем внешний вид отчетов.

Наконец все материалы собираются в финальное техническое задание, которое включает детальные схемы решений, блоки с инструментами, пути выгрузки данных, описанные КРІ.

Третий этап — имплементация

Мы настроили интеграцию Google Ads, Facebook, Google Analytics 4 с Google BigQuery.

Далее внутри Google BigQuery все объединили и агрегировали в единые витрины данных. Это такие готовые промежуточные таблицы, где собраны все КPI, показатели, которые согласовали с клиентом.

Главный вызов на этом этапе — построение атрибуции. Дело в том, что все данные выгружаются фактически по последнему клику. Но в маркетинге распространена аксиома, что неправильно анализировать рекламные каналы и активности по последнему клику. Поскольку пользователи после просмотра, и даже перехода с рекламы, могут сделать еще несколько касаний, и, в конце концов, стать клиентом еще через ряд каналов. Поэтому необходимо:

• определить параметры, по которым рекламный канал считается принесшим конверсию;
• определить, как ценность конверсии делить между всеми каналами в истории пользователя. 

В этом кейсе у нас запросили стандартную систему Last Non-direct Click, то есть когда ценность отдается последнему непрямому каналу. Именно такой принцип мы заложили в этап агрегации данных. Но к этому вопросу можно подходить более гибко и разрабатывать модели атрибуции под конкретные случаи и бизнесы.

На последнем шаге мы подключаем визуализатор и готовим отчеты для клиента по всем ранее согласованным пунктам и показателям.

Результаты

Наибольшая польза сквозной аналитики в том, чтобы показать бизнесу эффективные и неэффективные маркетинговые каналы и инструменты. Оптимизация рекламных кампаний поможет сэкономить бюджет или же переключить расходы с неработающих инструментов на полезные.

Так, в этом кейсе клиент получил настроенную передачу маржи с каждой покупкой. Это открывает расширенные возможности при организации и оптимизации рекламных кампаний. Если передавать маржу в рекламные кабинеты, можно настраивать обучение и оптимизацию РК не на факты конверсий, а на выгоду, которую бизнес получает с продаж.

Еще один плюс — через центральное хранилище маркетинговых данных можно сегментировать клиентов, формировать аудитории по любым имеющимся у бизнеса параметрам. А также передавать эти аудитории обратно в рекламные кабинеты, чтобы таргетировать на них рекламу или искать похожих пользователей.

С чем еще поможет внедрение сквозной аналитики:

• сэкономить время и деньги;
• контролировать подрядчиков или исполнителей;
• видеть отчеты в одном интерфейсе;
• оперативно получать отчеты за любой промежуток времени;
• глубоко анализировать данные.

Детализированный подход к сотрудничеству с клиентами, выстроенный на опыте нашей команды, будет способствовать процессу работы. При условии активного сотрудничества с клиентами он поможет внедрить сквозную аналитику в течение трех-четырех месяцев.