Кейс з наскрізної аналітики у ніші ритейлу. Як її впроваджують спеціалісти Netpeak

Звіт Google Analytics в одному вікні, Google Ads — в другому, дані з CRM — в третьому, а процесом керує фахівець, який намагається звести все це в одну таблицю. Уявили цей страшний сон маркетолога? І тут на противагу всім цим вікнам з’являється одна цілісна система — наскрізна аналітика. Завдяки їй можна: автоматизувати процеси, правильно розподілити бюджет, пришвидшити прийняття управлінських рішень. 

Про всі етапи роботи, переваги та процеси наскрізної аналітики розповімо на прикладі кейсу одного з наших клієнтів. 

Цілі використання наскрізної аналітики

Ми працювали над стартапом клієнта, який надає послуги у сфері ритейлу через застосунок і вебверсію. Клієнт звернувся до нас із такими основними запитами: правильно розподілити бюджет на рекламні канали та отримати один автоматизований звіт з усіх залучених аналітичних інструментів. 

Чому це важливо?

Правильне розподілення маркетингового бюджету

Іноді у компаній є побоювання, що вони спрямовують бюджет не на ті рекламні канали або ж направляють недостатньо коштів, чи не повністю розуміють ефективність задіяних РК. Часто бізнес просто не може проаналізувати ці аспекти, використовуючи наявні аналітичні інструменти.

Автоматизація процесів та економія часу

Коли є система, яка рахує всю аналітику, персонал не витрачає час на підготовку регулярних звітів. Ще один плюс — ця система оновлюється швидше, ніж «ручні» звіти: кожен день, кілька разів на день. Вона може бути на зразок стрімінг дата, тобто відповідати на запит миттєво. 

Швидкість ухвалення рішень

Завдяки наскрізній аналітиці пришвидшується час реакції: коли щось іде не так — можна помітити проблему раніше та відреагувати, не чекаючи тижневого звіту. Це стосується ухвалення будь-яких управлінських рішень не тільки щодо маркетингу, але і логістики, HR чи для обліку продукції на складах. У всіх працівників може бути одне середовище, де вони бачитимуть результати роботи і звітуватимуть перед менеджером.

Створення персоналізованих рекомендацій для користувачів

Коли є одне середовище з усіма даними, є і змога сегментувати відомості та робити дослідження щодо користувачів. Маючи базу і історію дій юзерів, можна, наприклад, побудувати рекомендаційну систему на сайті щодо персоналізованих пропозицій для клієнтів. Тобто відпрацювати список продуктів, передати їх розробникам сайту чи застосунку, і, як наслідок, у користувача на сайті з’являться персональні пропозиції/рекомендації. Або задіяти метод сегментування товарів: використовуючи історію покупок різних клієнтів, визначити, що з чим частіше купують, і пропонувати доповнити покупки цими товарами на етапі кошика.

Етапи впровадження наскрізної аналітики

Наш клієнт використовував data-driven підхід: аналітику потребували відразу з початку функціонування бізнесу, тому поставили ціль впровадження наскрізної аналітики.

В цьому процесі ми виокремлюємо три великих етапи роботи. 

Перший етап — закриття бази

Ми називаємо закриттям бази налаштування поточних аналітичних систем. 

Нагадаю, в цьому кейсі працювали з даними із застосунку та з вебверсії.

Клієнт використовував Google Analytics 4 для отримання даних як із сайту, так і з додатку. Як це відбувається: у GA4 є модуль Firebase спеціально для застосунку — через нього і налаштовуємо аналітику. Ця ж Google Analytics 4 використовується і для вебверсії, і саме в ній об’єднуються дані.

Власне закриття бази полягає у тому, щоб налаштувати всі необхідні ecommerce події для сайту та для застосунку, і, відповідно, сам акаунт Google Analytics 4.

Еcommerce події — це всі дії користувача у вебі або в застосунку. Ці дані дають змогу детально відстежувати й аналізувати інформацію про купівлі, фінансові операції та загалом про поведінку користувачів.

Ми налаштували для сайту і застосунку всі події, наприклад, кліки на товари, перегляд товарів, додавання в кошик, кроки чекауту та трансакції. Для цього підготували технічне завдання для frontend-розробника. Він впровадив його на сайті, а ми перевірили, чи правильно працює функціонал відстеження подій.

На скриншоті — звіт в GA4 за результатами налаштування необхідних ecommerce подій

Другий етап — створення дизайну аналітичного рішення

Цей етап умовно ділимо ще на два.

1. Обрати інструменти для формування макету звіту

Чому це важливо: 

• фінальний результат наскрізної аналітики має відповідати цілям клієнта;
• оформлення даних у звіті повинно бути достатньо гнучким та масштабованим, щоб ми могли додавати джерела даних та звіти;
• це дає змогу працювати тривалий час без переробки загальної архітектури макету. 

Також обов’язково враховуємо прогностичний момент — ми повинні передбачити наперед деякі зміни функціоналу інструментів, і, відповідно, якими будуть наші рішення у зв’язку з цим. Наприклад, поки готували макет звіту, сервіс Universal Analytics ще працював. Але ми вже знали, що інструмент закривається через певний час, тому його не було сенсу включати.

Ми обрали наступну схему звіту для вищезгаданого клієнта у сфері ритейлу:

1. Google BigQuery слугує центральним сховищем даних. Це хмарна база, створена спеціально для аналітичних цілей. Google BigQuery не потрібна підтримка — за необхідності база масштабується самостійно. 
2. Дані з Google Analytics по додатку та вебу в «сирому» вигляді можна безкоштовно щодня вигружати в цю базу. 
3. Для рекламних джерел підготували спеціальний конектор — Python-код, який щодня вивантажує дані з Google Ads та Facebook.
4. Для програми фінансових даних передбачили проміжкову інтеграцію — сервер, куди щодня надходили необхідні звіти. А окремий конектор «складав» їх у центральне сховище даних. 
5. Далі в сховищі всі дані об’єднувались та агрегувались. Для цього ми використовували сервіс DBT, який дає змогу ефективно управляти проєктом, що містить багато SQL(мова програмування для взаємодії користувача з базами даних). У кінці дані підключали до візуалізатора Looker Studio, де і готувались фінальні звіти.

Цю схему можна використовувати роками. А в підтримці всі ці інструменти коштували не більше п’яти доларів на місяць.

2. Затвердження макету звітності  

Наша задача — отримати від клієнта необхідну кількість інформації, щоб ми змогли розробити дизайн макету звіту. Це питання легко вирішити завдяки дієвій комунікації та воркшопам. 

Для цього розробили велику анкету для клієнта, яка розбита на сектори. Там є питання про щорічні, щомісячні чи щотижневі KPI. Також документ допомагає визначити, які наразі клієнт готує звіти, якої інформації з них отримує достатньо, а якої ні для прийняття рішень. 

Наприклад:

На питання відповідають співробітники з команди клієнта в залежності від їхньої спеціалізації. Після цього ми зустрічаємось, щоб ще раз детально пропрацювати всі відповіді.

Коли отримуємо всю необхідну інформацію, робимо макети звітів у Miro Board. Там формуємо зовнішній вигляд звітів. 

Нарешті всі матеріали збираються у фінальне технічне завдання, яке включає детальні схеми рішень, блоки з інструментами, шляхи вивантаження даних, описані КРІ.

Третій етап — імплементація

Ми налаштували інтеграцію Google Ads, Facebook, Google Analytics 4 з Google BigQuery.

Далі всередині Google BigQuery все об’єднали і агрегували в єдині вітрини даних. Це такі готові проміжкові таблиці, де зібрані всі КPІ, показники, які узгодили з клієнтом.

Головний виклик на цьому етапі — побудова атрибуції. Справа в тому, що всі дані вигружаються фактично по останньому кліку. Але в маркетингу поширена аксіома, що неправильно аналізувати рекламні канали та активності по останньому кліку. Оскільки користувачі після перегляду, і навіть переходу з реклами, можуть зробити ще кілька дотиків, і, зрештою, стати клієнтом ще через низку каналів. Тому необхідно:

• визначити параметри, за якими  рекламний канал вважається таким, що приніс конверсію;
• визначити, як цінність конверсії ділити між усіма каналами в історії користувача. 

У цьому кейсі у нас запросили стандартну систему Last Non-direct Click, тобто коли цінність віддається останньому непрямому каналу. Саме такий  принцип ми заклали в етап агрегації даних. Але до цього питання можна підходити більш гнучко та розробляти моделі атрибуції під конкретні випадки і бізнеси.

На останньому кроці ми підключаємо візуалізатор та готуємо звіти для клієнта по всіх раніше узгоджених пунктах та показниках.

Результати

Найбільша користь наскрізної аналітики у тому, щоб показати бізнесу ефективні та неефективні маркетингові канали й інструменти. Оптимізація рекламних кампаній допоможе зекономити бюджет або ж переключити витрати з непрацюючих інструментів на корисні.

Так, у цьому кейсі клієнт отримав налаштовану передачу маржі з кожною покупкою. Це відкриває розширені можливості при організації та оптимізації рекламних кампаній. Якщо передавати маржу в рекламні кабінети, можна налаштовувати навчання та оптимізацію РК не на факти конверсій, а на вигоду, яку бізнес отримує з продажів.

Ще один плюс — через центральне сховище маркетингових даних можна сегментувати клієнтів, формувати аудиторії по будь-яким наявним у бізнесу параметрам. А також передавати ці аудиторії назад у рекламні кабінети, щоб таргетувати на них рекламу або шукати схожих користувачів.

З чим ще допоможе впровадження наскрізної аналітики:

• заощадити час та гроші;
• контролювати підрядників чи виконавців;
• бачити звіти в одному інтерфейсі;
• оперативно отримувати звіти за будь-який проміжок часу;
• глибоко аналізувати дані.

Деталізований підхід до співпраці з клієнтами, вибудуваний на досвіді нашої команди, сприятиме процесу роботи. За умови активної співпраці з клієнтами він допоможе впровадити наскрізну аналітику протягом трьох-чотирьох місяців.