КЛІЄНТ
zakaz.ua — компанія, яка надає послуги з замовлення, самовивозу та доставлення товарів з популярних торговельних мереж. Сервіс здійснює кур'єрське доставлення у 13 великих містах України, а також доставляє замовлення по всій країні Новою Поштою. Власна ІТ-платформа дозволяє оперативно приймати, обробляти та доставляти замовлення споживачам.
ЗАДАЧА
- Побудувати наскрізну аналітику з розбивкою за каналами-партнерами, щоб аналізувати дані з усіх кабінетів в одному дашборді за єдиною атрибуцією.
- Побудувати кастомну атрибуцію «last non-push non-direct click».
- Автоматизувати звіт з даними медійної реклами (Campaign Manager 360, Display Video 360).
Модель атрибуції «last non-push non-direct click» (за останнім непрямим переходом) надає цінності конверсії лише останньому каналу, який привів до покупки та показує, які канали зрештою підштовхують користувача до покупки й приносять конверсії.
Вхідні дані
zakaz.ua є не лише сервісом з доставлення продуктів для кінцевих споживачів, а й зручним майданчиком для великих торгових мереж (далі партнерів), що допомагає збільшувати продажі. Перевагою співпраці для них є створення посадкових сторінок (Landing Page ТМ) на субдомені zakaz.ua.
Для ключових партнерів zakaz.ua створює окремі рекламні кабінети та рекламні кампанії, а отже має безліч джерел інформації.
Зазвичай показники доходу зберігаються в CRM, джерела трафіку ― в системах аналітики, а витрати на рекламу ― в рекламних сервісах.
Щоб оперативно приймати рішення, потрібно було об'єднати дані про витрати й дохід у єдину систему, налаштувати щоденне автоматизоване оновлення таких звітів, а також залишити можливість фільтрації даних в розрізі партнерів.
В кейсі розглянемо роботи та результати за березень-квітень 2022 року.
Рішення
Оскільки до початку робіт силами інхаус-команди клієнта вже були налаштовані окремі звіти даних CRM, звіти рекламної активності для кожного кабінету партнера та GA4, яка поєднувала дані застосунку та сайту, — за нами була задача поєднати дані з усіх джерел в один дашборд та автоматизувати їх.
Налаштування наскрізної аналітики
Наскрізна аналітика допомагає бізнесу обробляти й аналізувати дані про ефективність залучення й утримання клієнтів, відстежувати повний шлях користувача та бачити, чи окупаються маркетингові активності загалом.
Зазвичай такі великі бізнеси як zakaz.ua, мають безліч джерел даних — отже, їм вже не обійтись без наскрізної аналітики.
БІЗНЕС-ПРОБЛЕМА КЛІЄНТА
Дані про конверсії з рекламних кабінетів (Google Ads, Facebook тощо) відрізнялись від даних з Google Analytics.
ПРИЧИНА
Різні моделі атрибуції, що діють у рекламних кабінетах за замовчуванням.
Модель атрибуції — це розподіл цінності за каналами, які призвели до конверсії.
РІШЕННЯ
Агрегувати дані різних звітів в один та поєднати в ньому дані про витратну та дохідну частини.
РЕЗУЛЬТАТ
Можливість для клієнта налаштувати системи розрахунку та статистику за статусами замовлення з внутрішніх систем обліку.
Збір та поєднання даних
Для розв’язання задачі клієнта ми використали дані з таких систем:
Дані аналітики та CRM-системи ми поєднали за номером замовлення, а дані про витрати з даними аналітики та CRM — за джерелом.
Щоб гарантувати регулярне оновлення даних у звітах, ми написали Python-скрипти, які забезпечили щоденне оновлення даних з усіх джерел, залучених клієнтом. Щодо рекламних кабінетів — більшість з них мають відкритий API, який ми використали, аби зібрати відомості про витрати.
Для стягування даних можна використовувати готові конектори, але ми цього не робимо з міркувань безпеки.
Враховуючи, що вони зазвичай потребують щомісячної плати за користування, написання власних скриптів допомагає заощаджувати витрати на підтримку наскрізної системи.
ПРОБЛЕМА КЛІЄНТА
В деяких випадках реклама для групи партнерів здійснювалась з одного облікового запису. Виокремити дані щодо витрат за кожним з партнерів можна було лише за назвою рекламної кампанії.
РІШЕННЯ
З боку клієнта — стандартизувати назви рекламних кампаній, з нашого боку — парсинг назв кампаній.
Парсинг — це збір і сортування даних з певними параметрами.
Для поєднання та зберігання даних обрали сховище BigQuery від Google Cloud. Це рішення дало можливість обробляти великі об’єми даних, не переймаючись щодо підтримки серверної інфраструктури.
Перевага Google Cloud — інтеграція з Google-сервісами (Google Ads і Google Analytics 4) та додаткові можливості опрацювання даних. Наприклад, для сховища можна написати скрипт певних дій з даними, й сервіс буде виконувати його за графіком.
Щоб клієнту було зручно аналізувати дані за кожним з партнерів — додали фільтри даних за партнерами.
Кастомна атрибуція «last non-push non-direct click»
Окремим викликом для нас стала розбудова моделі атрибуції.
ПРОБЛЕМА #1
Джерела конверсій в інтерфейсі GA4 за замовчуванням відображені за моделлю атрибуції «Data-driven», яка в сирих даних не надає інформацію щодо джерела. Натомість вона відображає джерело окремого сеансу та перше джерело користувача.
Важливою частиною завдання було врахувати вплив допоміжних каналів на замовлення з сайту. У випадку zakaz.ua, допоміжні канали — ті, які впливають на прийняття рішення щодо замовлення, але не є основним джерелом залучення трафіку (наприклад, push-повідомлення).
РІШЕННЯ
В рамках проєкту ми будували атрибуцію власноруч.
З одного боку, вибір такої моделі атрибуції ускладнює процес розбудови наскрізної аналітики, але серед переваг — її можна опрацювати й кастомізувати згідно з потребами бізнесу та перевірити правила призначення джерел.
ПРИКЛАД
Push-повідомлення ― корисний інструмент для повернення користувачів до сервісу, однак він не є джерелом залучення нових клієнтів. Тому і правила його відображення як «джерела покупки» мають відрізнятися від тих, що діють для інших джерел трафіку.
Щоб дослідити вплив інструменту на покупку та взаємодію з іншими джерелами трафіку, ми виокремили його конкретною метрикою і виключили при визначенні останнього вагомого джерела покупки.
За нашим досвідом, дані з джерел Facebook та Apple Search Ads можуть некоректно відображатися у Firebase (і не передаватися до GA4), для уточнення джерела покупок з мобільного застосунку ми залучили додатковий сервіс, який інтегрується з цими рекламними кабінетами, — AppsFlyer.
AppsFlyer — платформа мобільної аналітики, яка допомагає вимірювати ефективність маркетингу мобільних застосунків та спрощує роботу з великими обсягами даних різних каналів просування.
Оскільки AppsFlyer зареєструвала 2204 покупки з каналу Apple Search Ads, а Firebase лише 21, ми доповнили дані з платформи мобільної аналітики.
ПРОБЛЕМА #2
Ми будували наскрізну аналітику, спираючись на дані GA4, але збір даних у цей сервіс був налаштований набагато пізніше, ніж в Universal Analytics. Отже, базуючись на розподілі даних за джерелами лише на GA4, ми були суттєво обмежені при аналізі історичних даних.
РІШЕННЯ
Щоб розширити можливості для вибору періоду аналізу, ми вивантажили історичні дані з Universal Analytics та об’єднали їх з даними GA4.
Автоматизація звіту з даними медійної реклами
ПРОБЛЕМА
До початку робіт звітність медійних кампаній створювалась та оброблялась вручну. Це суттєво обмежувало можливості клієнта в оперативному опрацюванні даних та прийнятті ефективних маркетингових рішень.
РІШЕННЯ
Ми автоматизували збір даних з сервісу CampaignManager360, доповнили його метриками з DisplayVideo360 та візуалізували це в BI-системі Tableau.
Візуалізація даних
В рамках робіт з web-аналітики, для візуалізації даних ми рекомендуємо клієнтам обирати серед трьох BI-систем.
Оскільки ще до початку робіт вся внутрішня звітність клієнта була в Tableau, задачі з візуалізації закривались саме в цій BI-системі, а ще частина робіт з візуалізації закривались на стороні замовника.
Результати
У підсумку для zakaz.ua ми побудували єдину систему аналітики з щоденним автоматизованим оновленням даних, завдяки якій клієнт може швидко приймати маркетингові рішення.
Нова система аналітики агрегує дані з різних систем: аналітичні системи, рекламні кабінети та дані внутрішнього обліку. Тепер клієнт може відстежувати ефективність усіх каналів, розуміти витрати та KPI, та оптимізувати бюджет на користь більш ефективних каналів.
В цій системі також побудована кастомна модель атрибуції, що дозволяє більш коректно зіставляти дохід і витрати на рекламну активність.
Ми дуже задоволені результатом. Це був свого роду виклик, бо ми маємо безліч джерел даних, велику кількість рекламних кабінетів, свої особливості роботи. Це був великий проєкт, проте ми разом з командою аналітиків Promodo впоралися. Зараз уся необхідна нам інформація відображається у єдиній системі із найважливішими параметрами, необхідними для подальшої розбудови. Дякуємо за залученість та невпинний пошук нових кастомних рішень.
