С помощью инструментов Garpun пользователи могут самостоятельно разработать решение по сквозной аналитике. Некоторые клиенты делегируют создание отчетности нашим специалистам. В этой статье мы расскажем о том, как справляемся с задачей построения сквозной аналитики и на какие моменты стоит обратить особенное внимание.

Что это такое

Сквозная аналитика позволяет оценить эффективность вложений в рекламу на разных этапах воронки продаж, начиная с показа рекламного объявления и заканчивая повторными сделками.

Кроме того, в отчетах по сквозной аналитике, как правило, доступна различная детализация и срезы. Можно оценить источники рекламы до уровня каналов или ключевых фраз, посмотреть на рентабельность продаж категорий или отдельных товарных позиций, узнать, какую прибыль приносят сегменты аудиторий и даже конкретные покупатели.

К сожалению, многое из перечисленного недоступно в популярных системах веб-аналитики. Выход? - разрабатывать собственное решение!

Особенности настройки

Для создания работающего решения по сквозной аналитике важно учесть множество нюансов. Ниже мы разберем основные трудности и расскажем, как лучше поступить.

E-commerce-проекты часто оценивают эффективность маркетинговых инвестиций по таким показателям, как ROI, ДРР, выручка, CPO и пр. Поскольку временной промежуток между взаимодействием покупателя с рекламой и совершением покупки обычно небольшой, соотнести источники рекламы с транзакциями довольно просто. При этом в электронной торговле важно учитывать число сделок, завершившихся отказом. Эти сделки необходимо исключать из поступающих в Google Analytics данных. Google Analytics позволяет отправлять информацию по отмененным заказам через Measurement Protocol.

Существуют сферы с достаточно длительным циклом заключения сделки (от 1-3 месяцев до полугода), например, автомобильная индустрия и сфера недвижимости. Для клиентов из этих отраслей задача настройки сквозной аналитики особенно актуальна, поскольку они получают трафик и лиды из самых разных источников - рекламных кампаний, коллтрекинговых систем, офлайн-визитов, CRM и пр.

Например, благодаря сквозной аналитике мы установили, что для клиента из сферы недвижимости срок принятия решения при покупке однокомнатной квартиры составляет 52 дня, а среднее количество сеансов до сделки составляет в среднем 1,4 сеансов на пользователя. Определив пользовательские сессии, был выявлен вклад источников трафика в оффлайн-продажи, что важно для оптимизации рекламных размещений.

В коллтрекинговых системах можно отслеживать источники звонка вплоть до ключевого слова (в случае динамического коллтрекинга). Если клиент использует статический коллтрекинг, мы получаем настройки кампаний и с помощью запросов в BigQuery настраиваем сопоставление данных с рекламным источником на том уровне, на котором заданы настройки кампаний (обычно при статическом коллтрекинге отслеживается уровень источника трафика).

Офлайн-данные - что это за данные? Это информация из CRM клиента, которая, на первый взгляд, не имеет отношения к онлайну. Это могут быть такие данные, как: обращения, CR (conversion rate) обращения в сделку, статус принятия решения, одобрение ипотечного кредита, открытие аккредитива, сумма аккредитива, сделки, отказы, менеджер, ведущий сделку, первый контакт, дата закрытия сделки и т.д. К офлайн-данным также относятся данные по видам рекламы в офлайне - реклама на транспорте, радио, выставки - мы всегда рекомендуем выводить на дашборд по сквозной аналитике в том числе и эту информацию. Так у клиента появится возможность сравнивать CR из обращения в сделку по всем видам рекламы, не только по онлайн, но и по офлайн-рекламе. Иметь всю информацию на одном дашборде удобно для принятия решений с точки зрения оптимизации времени на сбор и агрегацию всех данных.

К сожалению, пока нет универсального масс-маркет инструмента для сведения офлайн- и онлайн-данных. Поэтому при настройке сквозной аналитики одним из самых важных и сложных этапов становится сбор и объединение данных из разных источников.

Крупные бренды часто проводят имиджевые и охватные кампании. Эффект от такой рекламы не всегда очевиден - пользователь может увидеть баннер, запомнить его, но не кликнуть. А через какое-то время перейти в поиск, найти сайт бренда и совершить покупку. Учесть влияние имиджевых кампаний на продажи помогает PostView-анализ. Для этого необходимо собирать данные из платформ управления медийной рекламой. В Garpun Feeds для этих целей есть коннекторы к AdRiver и DoubleClick.

Таким образом, для формирования сквозной аналитики требуется огромный массив данных из разных источников: рекламных кабинетов, коллтрекинговых сервисов, систем отслеживания офлайн-трафика, постклик-данные из сервисов веб-аналитики, сделки из CRM и т.д. Если все эти данные собраны, можно переходить к настройке сквозной аналитики.

Однако перед настройкой сквозной аналитики, даже при условии, что у компании есть огромный массив данных, всегда необходимо четко обозначить цели вывода сквозных показателей:

• для чего строится сквозная аналитика?
• кто будет пользоваться этими данными?
• кто будет анализировать данные?
• что планируется делать с этими данными?
• есть ли у компании ресурсы на оптимизацию процессов по итогам выводов, сделанных на основе результатов построенной аналитики?

Без конкретных ответов на эти вопросы построение сквозной аналитики не будет иметь большого смысла.

Что нужно иметь

Для плодотворной работы необходимо, чтобы у команды разработчиков был свободный доступ к специалисту, отвечающему за отчетность. Обычно это бренд-менеджер, маркетолог или маркетинг-директор. Важно, чтобы он точно понимал, какие задачи должна решить отчетность, был способен ответить на вопросы аналитиков, касающиеся источников данных и этапов воронки продаж.


Для сбора данных мы используем инструмент Garpun Feeds. Клиенту необходимо лишь предоставить доступ к системам. Все данные мы получаем через OAuth-подключение, то есть не храним на своей стороне логины и пароли. Клиент может самостоятельно зарегистрироваться в платформе Garpun и подключить доступы, чтобы не передавать их нам.

После получения доступов выполняется загрузка данных в единое хранилище. Garpun Feeds умеет экспортировать данные в Google Таблицы и Google BigQuery. Опять-таки, клиент может предоставить доступ к собственным ресурсам или их создадут наши специалисты.

Этапы работы

При знакомстве с клиентом мы заполняем краткий бриф. Во время обязательной личной или телефонной беседы проговариваем основную цель формирования онлайн-отчетности и KPI клиента. На этом этапе важно максимально четко понять друг друга, чтобы не делать лишней и бесполезной работы.

Следующим этапом идет прототипирование. Прототип составляется заказчиком. На этапе прототипирования важно схематично отобразить расположение блоков будущего отчета, параметры и метрики, корректно отобразить их названия и названия всех элементов. Важное место в отчете занимают фильтры. Их также необходимо продумать заранее, потому что именно от фильтрации элементов будет зависеть удобство использования отчета по сквозной аналитике.

При определении состава отчета фиксируем источники данных, уровень детализации, формат простановки меток, источник плановых значений для формирования план-фактных отчетов и пр. Garpun способен "забирать" плановые показатели из Excel-файла или Google Таблицы, а затем перекладывать их в хранилище данных в дополнение к фактическим показателям.

В начале сотрудничества мы обязательно просим доступы к Google Analytics и, по возможности, к рекламным кабинетам. Это необходимо для проверки корректности простановки UTM-меток, ведь в случае несоблюдения единого формата могут возникнуть большие сложности при объединении данных. При необходимости мы можем настроить отдельную таблицу с уведомлениями, в которой будут выводиться сеансы, не сопоставленные ни с одним из источников рекламы. Благодаря этому клиент может быстро исправить ошибки в простановке меток.

Сперва мы делаем черновой макет отчета - добавляем в него первичные несопоставленные данные из всех систем. Затем аналитики обрабатывают данные, очищают их и объединяют источники между собой.

После этого приступаем к визуализации данных и разработке дашборда. В отчете могут содержаться стоимостные показатели, KPI клиента и любая другая полезная информация. Текущие возможности BI-систем позволяют легко добавлять различные изображения и построить воронку продаж в нужном виде.

Для крупных клиентов мы используем собственную разработку - инструмент Meta Streamer. Он позволяет экспортировать из Google Analytics несэмплированные, то есть необобщенные постклик-данные. На основе этих "сырых данных" можно построить собственную модель атрибуции в том случае, если клиенту не подходят стандартные атрибутивные модели Google Analytics. Кастомная модель атрибуции позволяет более точно оценить влияние каждого из источников трафика на пользовательское поведение.

Помимо этого мы можем вывести цепочку касаний покупателя с источниками рекламы - откуда он переходил на сайт и как часто. Причем эти данные можно разложить по Client ID, задействовать машинное обучение и выявить наиболее эффективные паттерны пользовательского поведения на сайте клиента.

Завершается работа над сквозной аналитикой передачей клиенту готового отчета с настроенным подключениями ко всем системам. В дальнейшем по желанию клиента мы можем обеспечить мониторинг работы отчета.

Итак, разработка сквозной аналитики - не самая простая задача. Но несмотря на внушительный объем работ, стоимость настройки онлайн-отчетности не так высока, как может показаться. Определяется она индивидуально по результатам предварительного общения, но как правило обходится существенно дешевле, чем, например, создание корпоративного сайта.

Обращайтесь к нам, и мы разработаем наиболее подходящее для вашего бизнеса решение!