«Фабрика Окон» и 
Adventum перенастроили сквозную аналитику, чтобы оптимизировать воронку продаж. Теперь в компании появилась возможность определять, в какие подразделения поступают звонки, не связанные с покупками, и анализировать ключевые запросы таких людей в поисковике. В результате точность совпадений данных из сквозной аналитики Adventum с данными из CRM (1С) клиента достигло 99,9%, а процент заключенных договоров с определенным источником вырос с 50% до 80%. Подробностями специалисты поделились с Sostav.
После февраля 2022 года спрос на установку окон заметно снизился. По данным портала «Окна медиа», рынок оконных конструкций просел на 20%. В такие периоды компаниям требуется максимальная точность данных, чтобы отслеживать эффективность рекламных каналов и оптимизировать воронку продаж. Сквозная аналитика помогает более точно проанализировать поведение клиента и понять, реклама в каком канале привела к покупке.
Задачи
«Фабрика Окон» кроме изготовления, занимается установкой, ремонтом, выполняет проекты по остеклению. Сквозная аналитика необходима, чтобы отслеживать всю воронку пути пользователей: какие клиенты привели к контактам, по которым состоялся выезд, замер и в итоге сделка.
Компании предстояло более точно проанализировать поведение клиента и решить сразу несколько задач:
- определить, каким источникам отдать ценность покупки;
- решить проблему учёта нескольких обращений;
- адаптировать сквозную аналитику под измененные бизнес-процессы;
- найти сервисы визуализации на замену ушедшим Tableau (программное обеспечение для интерактивной визуализации данных и бизнес-аналитики — прим. Sostav) и Power BI (комплексное программное обеспечение бизнес-анализа компании Microsoft — прим. Sostav).
Проблема учёта нескольких обращений
Например, в январе пользователь зашёл на сайт, пообщался с менеджером по телефону, но отложил покупку. В феврале он ещё раз зашёл на сайт, позвонил в компанию, встретился с менеджером и заказал окна. Какие звонки учитывать — оба или только один?
В «Фабрике Окон» решили учитывать только одно целевое действие — первый звонок, так как на него напрямую влияет реклама.
Есть ситуация посложнее: в первый раз клиент посетил сайт в январе 2021 года, второй — в феврале 2022-го. Здесь нельзя учитывать первый источник, поскольку рекламная кампания давно закончилась. Специалисты Adventum решили разбить всю активность пользователя на периоды выраженного интереса к продукту или компании. Для «Фабрики Окон» «период интереса» заканчивается, когда:
- прошло 90 дней с последнего звонка или посещения сайта пользователем;
- прошло 30 дней с последнего посещения сайта (при этом, кроме захода на сайт, никаких других коммуникаций не было).
В каждом периоде можно посмотреть, из каких источников пришёл клиент, и оптимизировать маркетинг. Для этого необходимо собирать и объединять в пользовательскую историю данные о поведении в офлайне и онлайне:
- составлять карточку пользователя;
- тегировать целевые обращения в CRM и колл-трекинге, прослушивая звонки.
Проблемы разных источников
Клиенты обращались в компанию с разных источников. В цепочке мог участвовать органический поиск или контекстная реклама, после которых человек впервые делает звонок в компанию. После этого его может «догнать» ремаркетинг, клиент снова звонит и делает заказ.
Какому источнику в этом случае отдать ценность покупки — одному или распределить между несколькими? Зависит от особенностей бизнеса.
Для «Фабрики Окон» наиболее значимыми являются:
- последний платный источник, который привёл к продаже;
- самый первый источник, с которого началось знакомство будущего покупателя с сайтом.
Чтобы компания могла проводить такой анализ в любое время, Adventum добавили в дашборд две модели атрибуции: Last non-direct click и First click. Они помогают понять, насколько каждый источник трафика решает основные задачи бизнеса:
- First click — привлечение новых пользователей на сайт, которые затем совершат целевое действие. Отключение конверсионных по First click источников может привести к падению продаж, даже если прямых конверсий с этих источников нет;
- Last non-direct click отвечает за ближайший к продаже источник, но учитывает только платные, так как ими проще управлять. Если источник не работает — отключаем его, работает — увеличиваем бюджет.
Пример:
Пользователь перешел на сайт с каталога строительных материалов и не оставил заявку. Два дня спустя этот же пользователь кликнул по контекстной рекламе и снова не совершил никаких действий на сайте. Ещё через день он перешёл по прямой ссылке, которую сохранил в закладках, и записался на замер.
По First click конверсия будет относиться к реферальному трафику — переходу со стороннего сайта. По Last non-direct click — к контекстной рекламе.
Реализация этих моделей в дашборде помогает Adventum и «Фабрике Окон» делать правильные выводы о результатах кампаний и не отключать эффективные.
Адаптировать сквозную аналитику под измененные бизнес-процессы
На момент первичной настройки сквозной аналитики в «Фабрике Окон» была настроена сегментация звонков, поступающих в колл-центр. Их делили на две категории:
- «грязные» контакты — все звонки, поступающие в колл-центр;
- «чистые» контакты — контакты, готовые к продаже.
К категории «грязный» контакт относились также звонки от клиентов, которые уже заключили договор и хотели задать вопросы, например, по срокам изготовления, дате монтажа, постгарантийному обслуживанию
Анализ показывал, что до 40% всех звонков приходилось на «грязный» контакт. Когда клиенту нужно что-то уточнить по договору, и он ищет номер телефона менеджера или службы доставки, то идёт по легкому для себя пути: открывает поисковик и вбивает, например, «Фабрика Окон». Так скликивается рекламное объявление.
Из этой проблемы вытекает 2 задачи:
- определить, в какие подразделения компании часто поступают повторные звонки для уточнения информации;
- проанализировать, какие ключевые запросы в поисковике вбивают такие клиенты, чтобы оптимизировать эти запросы и не тратить рекламный бюджет.
Для решения этих задач в 2021 году «Фабрика Окон» изменила правила внесения данных: добавились новые поля и разбивки в зависимости от вопроса пользователей.
Вероника Катаева, директор по маркетингу «Фабрики Окон»:
Мы увеличили типологию «грязных» контактов. За счёт этого мы смогли более детально наладить бизнес-процессы внутри компании. А это в результате привело к снижению доли рекламных расходов. Чем качественнее мы обрабатываем входящий трафик, тем выше клиентский сервис и меньше доля маркетинговых затрат.
Дополнительно внедрили разбивку входящего трафика по подразделениям внутри компании. Теперь можно видеть, какой показатель ДРР (доля рекламных расходов) у каждого подразделения и рассчитывать эффективность рекламных кампаний по каждому из них.
В каждом направлении тоже появилась рубрикация по типам контактов, благодаря чему все звонки можно фильтровать отдельно по подразделениям и видеть только готовые к продаже «чистые» контакты внутри конкретного отдела.
Вероника Катаева, директор по маркетингу «Фабрики Окон»:
Компания не только производит окна, она их ремонтирует, обслуживает, делает специальные сложные проекты, она работает с дилерами. Все это разные подразделения. По каждому проекту мы теперь можем проследить, как входящий трафик конвертируется в лиды и затем в договоры.
Все эти изменения нужно было внести в систему сквозной аналитики.
Реализация
Изначально система сквозной аналитики в «Фабрике Окон» строилась на облачной инфраструктуре Google с использованием Google BigQuery (хранилище для работы с big data — прим. Sostav) и последующей визуализацией в системе Tableau. Введение дополнительной рубрикации в 1С повлекло за собой внесение правок в систему сквозной аналитики. Чтобы не было расхождения в правилах внесения данных, Adventum детально прописали расчёт каждого поля. Также определили правила, по которым команда «Фабрики Окон» будет сообщать об изменениях.
Николай Сущенко, технический директор Adventum:
В логике расчёта показателей тут и там появлялись «заплатки», которые отражали изменения в 1С и других системах. Когда накопилась критическая масса этих изменений, мы переработали алгоритмы, переписав с нуля все правила расчёта показателей. В результате данные в сквозной аналитике стали полностью совпадать с 1С. Такое периодическое обновление необходимо для любой системы, работающей в меняющемся бизнесе.
Вероника Катаева, директор по маркетингу «Фабрики Окон»:
Для меня важно 100% совпадение данных. Я смотрю 1С, Google Analytics и дашборд сквозной аналитики, и если данные совпадают, можно не тратить время на сверку и сразу заняться анализом.
Уход Tableau из России и поиск нового сервиса визуализации данных сквозной аналитики
В марте 2022 сервис Tableau, который был задействован в сквозной аналитике Фабрики Окон, приостановил работу в России. Нужно было найти новое решение, максимально соответствующее запросу компании
Вероника Катаева, директор по маркетингу «Фабрики Окон»:
Для нас важно удобство использования сквозной аналитики. Визуализация и функциональность — два основных фактора при выборе нового сервиса. Есть стандартные отчёты, которые мы используем ежедневно. Но часто бывают ситуации, когда нужно посмотреть срез данных, которые не входят в стандартные отчёты. Мне важно, чтобы такая возможность была реализована через конструктор отчётов.
Выбирали между сервисами Redash и Superset. Остановились на Superset, потому что в нем есть:
- конструктор отчетов (таблицы с вложенностью). В Redash есть возможность выбирать разные уровни, но без вложенности.
- быстрое построение отчетов. В Redash делать дашборды чуть легче, но весь дашборд строится на SQL-запросах, и из-за этого он работает намного дольше. Приходится долго ждать, чтобы прогрузить большой объем данных.
Также в Superset при смене уровня не сбрасываются русские названия, как это происходит в Redash. В Superset можно выбирать, что будет отображено на каждом уровне вложенности, через выбор параметров «Когорты» и «Атрибуция». К тому же, он практически не отличается от того, что было в Tableau.
Николай Сущенко, технический директор Adventum:
Tableau, конечно, превосходит Superset с точки зрения аналитики, когда нужно “на лету” просчитать какие-то новые показатели. Но в ежедневной работе, когда количество срезов не очень велико, и нужно смотреть примерно одни и те же данные, Superset хорошо справляется. Можно один раз потратить время и настроить отчеты, которые будут такие же функциональные, как в Tableau. Из преимуществ — у Superset открытый код, и его может поставить себе любая компания.
Результаты
В итоге точность совпадений данных из сквозной аналитики Adventum с данными из CRM (1С) клиента достигла 99,9%.
Совпадение данных и процент договоров, по которым определен рекламный источник, повысилось с 50% до 80% благодаря проведённым работам. До 100% этот показатель довести на практике невозможно: всегда есть люди, откуда-то узнавшие прямой номер компании или пользующиеся функциями анонимности в браузерах. Но даже 80% даёт возможность принимать решения, основанные на данных, отмечают в компании.