Привет, я веб-аналитик агентства контекстной рекламы 1jam.ru, у нас поток проектов и всем нужно сводить расходы на рекламу с выручкой, у нас есть основных 5 решений, о которых я расскажу ниже, по 3-м из них мы написали пошаговые инструкции, чтобы вы могли внедрить их у себя.
В качестве центра сбора данных мы пробовали ROIStat, Co-magic, Яндекс Метрику, MixPanel, Amplitude, собирать все в базе данных, но кроме ROIStat ничего не прижилось, он хорош тем, что простой во внедрении, давайте обсудим альтернативные варианты.
Буквально в двух словах о старом, как работает аукцион Яндекс Директ, что такое LTV и зачем вам это считать.
Аукцион устроен таким образом, что чем большое кликов вы получаете, тем они дороже, а клики, это лиды, следовательно, чем больше лидов, тем дороже будет каждый последующий лид. Синяя линия, это зависимость количества лидов от их стоимости.
Предположим, вы запустили контекст и получили 20 лидов по 1000 рублей, мы говорим «Вы здесь», можно 40 лидов, но это будет по 2000 рублей за каждый.
Вы мысленно проводите красную линию прибыли и прикидываете, что вам было бы выгодно получать 40 лидов по 2000 рублей, это ваш оптимум — мы делаем. Вроде все просто, теперь давайте усложним.
Если у вас 3 категории товаров и у каждого своя экономика, то мысленно вы уже не посчитаете, так как у каждой категории свой оптимум.
Обычно, маркетологи видят такую таблицу и делают выводы о рекламных кампаниях по количеству лидов и их стоимости. Видим, что красная строка имеет очень дорогую стоимость лида 2345 р, а зеленая дешевую 380. Следовательно, мы бы у красной строки охват понижали, чтобы снизить стоимость лида, а у зеленый наоборот повышали, чтобы получить больше дешевых лидов.
Но если смотреть по выручке, то красная строка работает в ноль, а зеленая в минус, то есть ситуация меняется наоборот. А верхняя кампания приносит больше всего выручки, тогда мы зеленую отключаем, а по красной снижаем охват, но все ли верно мы сделали?
Что если посмотреть окупаемость красной рекламной кампании в периоде нескольких месяцев. То есть мы берем только тех клиентов, которые пришли с контекстной рекламе в сентябре, они нам принесли сразу 15800 р. выручки, но потом те же сентябрьские клиенты принесли еще 27, 7 и 3 т.р. в последующие месяцы. Тогда выручка уже 52800, а это выгодно, если для клиента приемлема окупаемость в 3 месяца.
Выходит, есть сегменты, которые окупаются, но не сразу и с ними тоже можно работать.
Скорее всего вы это знаете, но как это работает.
Агентство — Внедряйте CRM, нам нужно смотреть окупаемость, чтобы расти.
Клиент — Да, круто, сделаю.
Агентство — Ну как?
Клиент — Попробовали, не получилось.
Теперь о решениях.
По нашей статистике, для 75% новых проектов контекст не окупается, это правда, наша задача — помочь им быстрее понять это за минимальные вложения, для этого не нужна CRM, Артему нужно быстро, просто и понятно.
Нам нужно вручную собрать все контакты лидов с контекста в таблице и дать клиенту, чтобы он заполнил ее, то есть посмотрел на контакты и поставил продажи. Для этого покупаем виртуальный номер, чтобы потом выгрузить номера телефонов, с которых поступали звонки, аналогично сохраняем формы и email. Мы можем посчитать расходы на контекст за месяц, количество лидов, прикинуть стоимость лида и сделать такой вот график.
«Артем, ты здесь», он сам наложит его на свою бизнес-модель и даст ответ.
Например, мне все лиды окупаются и хочу больше.
Все цикл сквозной аналитики и оптимизации завершен простым решением.
Подробное описание данного решения, на самом деле, часто, ничего не делать, это сложно, так как специалистам нравится усложнять и цепляться за сложные задачи.
Ему нужна простая таблица, куда будут попадать лиды, а он раз в день или несколько будет ставить там комментарии к сделкам. Кстати, в ROIStat есть аналогичное решение через Google Sheets.
Например, источники лидов: чаты, коллтрекинг, email, формы, которые вебхуками передаются в Zapier. Почти все источники лидов умеют отправлять вебхуки, это метод передачи данных. Zapier, это как бы коннектор, он может принять данные, выполнить простую логику и отправить их куда нужно, а нужно в гугл-таблицу.
Например, на скрине ROIStat, где мы вставляем адрес Zapier, куда будет отправляться вебхук при каждом звонке и попадать в таблицу в качестве новой строки.
Чтобы передать данные в Google Analytics, делаем коннектор, который каждые 5 минут смотрит все строки на предмет изменения колонки Статус, и у строк, где статус изменен на Продано, отправляет данные в Analytics в качестве события.
Данные доступны во всех отчетах Google Analytics, как цели. Мы видим расходы и выручку по каждому каналу.
Оптимизируем — профит. Специалист сможет с первого дня смотреть обратную связь по комментариям клиента. Эффективность увеличивается не только наличием данных по продажам, но и ускорением процесса получения обратной связи.
Подробная статья, как это сделать.
Аналогично через Zapier, только вместо таблицы используем AmoCRM, кодить не нужно, внутри Zapier есть полноценная интеграция с AmoCRM.
Далее, мы закрыли клиента, передали сумму сделки в Analytics, но повторные продажи как правило происходят не в AmoCRM, а во внутренней системе клиента, например 1C.
Для этого в 1C нужно забирать Google Client ID и привязывать к пользователю, у нас в 1C получается такая вот табличка с CID и клиентами.
Далее при повторных продажах отправляем сделки через Post-запросы в Google Analytics.
Отчеты можно смотреть стандартные, но для отслеживания выручки за 3 последующих месяца с рекламных кампаний, нужно смотреть отчет Life time value, он есть в Analytics на скрине.
Чаще всего анализировать окупаемость более 3-х месяцев не нужно, так как клиенты не готовы вкладываться в такие сегменты спроса.
Но если нужно >3 месяцев, то можно через API можно вот такую красоту выгрузить, это когортный анализ за 6 месяцев.
Однако с ростом вы будете понимать, что Google Analytics, это очень деревянный инструмент со множеством косяков.
Подробная статья о реализации.
На определенном этапе Google Analytics перестает решать ваши задачи, вам нужно более мощное решение, например, сеть медицинских клиник, >10 городов, бюджет на рекламу от 1 млн. Характеризуются командой специалистов, устойчивый спрос, есть система и бизнес-модель, которая масштабируется.
Сценарии, где пользователь пришел с контекста, а купил в оффлайне — как подсчитать, что контекст принес профит? Это делается через BQ.
Не страшно, если вы не знаете что это такое — просто еще не сталкивались, он возникает, когда вы анализируете >500k сессий.
Например, вы видите отчет в аналитиксе, где уровень сэмплинга 10%, следовательно отчет основан на 10% от 100 сессий. Это значит, что Google Analytics проанализировал 10 сессий, умножил результат на 10 и выдал его в отчете. Насколько объективной будет ваша оценка, еслии 90% данных не учитываются?
Автоворонки, когда клиент пришел на сайт посмотреть цену билета на самолет, увидел 10500 р. и ушел, так как дорого. На следующий день цена была снижена и ему приходит пришла СМС с предложением цены 6600.
Нужно посчитать LTV в течение нескольких лет, а не 3-х месяцев, для на исследования оттока/возврата постоянных клиентов. Например, вы включили контекст, есть заказы, выключили и нет заказов, значит, вы не растете.
Или включили контекст, выключили, но часть клиентов осталась с вами и они продолжают покупать.
Пойдем еще дальше, вы используете контекстную рекламу, но она не приносит новых клиентов, а только охватывает старых, которые и так бы у вас покупали, здесь можно сэкономить.
Нужно агрегировать данные из разных источников, например, парсить цены у конкурентов, чтобы понимать, как от них меняется наша конверсия, данные по продажам в оффлайне и повторные продажи из ERP.
Все это в GA не импортировать, он для этого не предназначен, это уже бизнес-аналитика, где GA часть пазла, а все данные хранятся в BQ.
Но он во всем сложнее, например, если в GA можно все отчеты смотреть через интерфейс, то здесь нужно писать SQL запросы.
Например, выше посчитана конверсия в зависимости от цены на товар, где видно, что конверсия растет до 4%, когда стоимость товара на 40% ниже рыночной и наоборт, конверсия падает, когда цена выше рынка. Что мы делаем, повышаем охват, когда цена ниже рынка и понижаем, когда цена выше рынка.
Еще пример, у нас есть конкурент А, которого мы не можем победить условиями, и, когда он есть в рекламной выдаче, наша конверсия падает до 3%, а когда его нет, то растет до 6% — повышаем ставки когда А есть и понижаем, когда А нет.
Ну и напоследок несколько кейсов в подтверждение пользы.
Название, к сожалению, по НДА, как и у всех интересных кейсов :(
Было 3 сегмента трафика, когда начали считать LTV то увидели, что РСЯ не работает, около-целевые запросы работают в ноль и только целевые в плюс. Следовательно, по целевым повысили охват, РСЯ отключили, а с около-целевыми по другому начали работать: конвертируем в подписку, потом цепочка взаимодействий.
В итоге выручка выросла почти в 2 раза при снижении расходов.
Пример образовательного проекта, где мы запустили контекст в июня, а выручки нет, в июле и августе также, но, потом, в сентябре и октябре клиенты, которые зашли к нам летом, начали возвращаться и покупать. Не собирали бы данные, то не использовали бы контекстную рекламу летом и упустили бы часть рынка.
Спасибо за чтение, все решения, кроме BigQuery, разворачиваются за час, для нас это критично, так как если программист, то сразу 3Х. Делитесь своими решениями.