Мы хотим видеть общую картину от рекламного объявления, до звонка, замера и договора на ремонт, поэтому необходимо объединить эти разрозненные данные. Также мы хотим видеть все затраты на клиента на протяжении всего его клиентского пути. Эти данные для одного сайта можно связать с помощью системы сквозной аналитики Роистат и посчитать стоимость привлечения лида и стоимость привлечения заказа:

Однако что делать, если у нас 11 сайтов и клиенты перетекают между этими сайтами, а ряд рекламных кампаний имеют эффект на несколько сайтов? Ранее наша аналитика выглядела примерно так:

Мы задались задачей оцифровки длинной воронки с Customer Journey. Средний цикл сделки — от 1 месяца, в течении которого происходят интенсивные взаимодействия с клиентом:
- реклама
- визит на сайт
- звонок клиента
- замер объекта ремонта
- отправка сметы
- согласование сметы
- подписание договора
- выполнение ремонта
- отзыв о ремонте

Мы поставили задачу связать все воедино и начали искать решение. Проблемы с которыми столкнулись при выборе сервиса аналитики – не все из них хорошо понимают связку "онлайн + офлайн" и не все умеют учитывать длинную цепочку взаимодействий.

Решение
Поскольку полностью готового решения наших задач "под ключ" нет, мы решили собирать "сырые" данные из разных источников и далее объединять их в Google BigQuery:

Для аналитиков интересной является задача – как связать клиентов сквозь всю воронку.
Есть Calltouch и Роистат и много других сервисов, которые говорят что они – "сквозная" аналитика. Да, отчасти они правы, однако когда разбираешь конечную воронку ROPO (от англ. Research online, purchase offline — «ищи онлайн, покупай офлайн») – там всегда множество систем и ключей, которые нужно связать, и одного готового решения нет.

У нас практически отсутствует Retention и есть 4 корневых идентификатора пользователя:

Изначально у нас была идея сделать визуализацию на Microsoft Power BI, но мы обнаружили, что время на создание конечных аналитических дашбордов по внешним запросам к маркетингу значительно ниже в Google Data Studio, как и возможность обновляться "бесшовно" (без закачки на сторонний сервер, поскольку Data Studio и BigQuery – это единая экосистема Google) каждые 15 минут. В итоге мы используем оба инструмента визуализации:

Результаты
Мы наконец-то увидели целостную картину того, что у нас происходит по всем сайтам в едином месте. Простой пример отчета по сессиям на сайтах:

За счет единой куки мы видим мультибренд, как на стадии формирования потребности и выполнения замера клиенту, так и на стадии его последующего поиска в интернете других брендов и перехода на другие наши сайты.

Атрибуция OWOX BI кроме анализа понятных шагов воронки и факторов, влияющих на продвижение по воронке, позволила нам открыть новые и неожиданные инсайты. Например, клиенты, которые смотрят отдельные видео на сайте, имеют значительно более высокую вероятность конечного заказа ремонта (это может быть очевидно продакт-менеджеру, однако точно не всегда очевидно маркетологу):

Первый дашборд сведения всех данных у нас получился следующим. Есть атрибуция LC (Last Non-Direct Click) и атрибуция MCF (Multi Channel Funnel, она же алгоритмическая атрибуция по воронке OWOX BI). Мы можем сравнить, как в разрезах разных каналов / источников / кампаний отличаются показатели CPO (Cost Per Order) и CR (Conversion Rate):

Вопрос, который возникает после первого ознакомления с таким дашбордом – неужели ранее то, что мы считали как нормальное количество зарабатываемых денег в ряде каналов или кампаний, на самом деле такое низкое? Ответ – да, теперь у нас более объективная оценка пользы от рекламных каналов и это полезная информация для оптимизации маркетинг-плана.

Более того, для аналитиков любая значительная дельта – триггер для дальнейшего исследования, особенно на нашей длинной воронке. К примеру, мы проводим сравнение таргетированной рекламы и контекстной рекламы. Ранее ценность ряда таргетированных рекламных кампаний в соцсетях оценивались нами ниже, чем сейчас после старта системного применения MCF атрибуции. Оказывается, что клиентам, которые уже взаимодействовали с нашим сайтом ранее, было бы хорошо еще раз напомнить о нашем бренде в соцсетях. Но не во всех соцсетях и не с любым форматом рекламной кампании, а именно в ряде успешных кампаниях, что и должно быть видно маркетологу на дашборде сквозной аналитики. При применении Last Click атрибуции эффективности от такого "напоминания" не видно, однако ценность от него есть с учетом нашей длинной воронке и мы ее точно знаем в сравнении с другими каналами.

Планы на будущее
Мы хотим подключить в нашу новую систему сквозной аналитики на платформе Google BigQuery данные из 1С о том, как проходят ремонты. Также хотим добавить данные опросов и отзывов клиентов и личный кабинет, где клиент будет отслеживать текущий статус ремонта. Это позволит дополнить наше понимание Customer Journey значимыми шагами взаимодействия и выделить целевой портрет "идеального клиента".

Также в наших планах выполнить трансформацию по метрикам:
- перейти от стоимости лида CPL к суммарной стоимости контакта с учетом всех расходов нашего маркетинга на клиента до и после первой целевой конверсии в виде звонка;
- добавить к стоимости конверсии в ремонт не только маркетинговые, но и другие расходы – фонд заработной платы, оплата различных сервисов и другие расходы для unit-экономики;
- учитывать стоимость мультибрендовости – дублирующиеся затраты за привлечение одного и того же клиента на разные бренды и домены, затраты на выезд замерщиков к одному и тому же клиенту.

Мы хотим улучшить понимание Customer Journey, а именно неочевидных путей к заказу ремонтов наиболее прибыльных сегментов клиентов. Это возможно при наличии полных данных о поведении на наших сайтах и звонках в разрезе каждого пользователя. Такие данные уже есть в нашем проекте Google BigQuery благодаря хитовому стримингу OWOX BI Pipeline и интеграции с Calltouch и amoCRM.

Следующий шаг – расчет скоринговой модели "прогретости" каждого лида. Это позволит фокусировать наши усилия маркетинга и отдела продаж на тех потенциальных клиентах, которые с большей вероятностью закажут ремонт. Частично эту задачу можно решить вручную при детальной ретроспективном анализе подобных конверсионных цепочек в разрезе каждого заказа ремонта с помощью мультиканальной атрибуции OWOX BI. Далее необходимо автоматизировать этот процесс и для уже собранных в Google BigQuery применить один из алгоритмов Machine Learning моделирования атрибуции.

В итоге мы хотим увеличить конверсии за счет фокуса на маркетинг-каналы и доработку функциональностей, которые ранее казались нам незначительными, а сейчас в полной воронке видно, какой вклад они приносят в продажи.

Источник
Видео доклада Виктора Крылова "100% сквозной аналитики" из Московский Ремонтник на митапе Big Fish Analytics 1.0.