Каждое подразделение Answear в той или иной степени использует аналитику: отдел продукта анализирует продажи по категориям и брендам, маркетинг подсчитывает ROI рекламных кампаний и контролирует качество трафика, пришедшего на сайт. В качестве основной аналитической системы в компании выбрана Google Analytics — легко внедряемая, доступная в использовании и хорошо документированная с точки зрения разработчиков. Для расширенного анализа сайта дополнительно интегрирован модуль Enhanced Ecommerce, который позволяет анализировать продажи по брендам в разрезе каналов трафика, использование промокодов и кликабельность внутренних баннеров.
Рыночная стратегия Answear ориентирована, в первую очередь, на развитие мультибрендового направления, обеспечение быстрой доставки покупателям продукции качественных европейских брендов. На сегодня интернет-магазин компании представлен в шести странах: Украине, Польше, Чехии, Словакии, Румынии и Венгрии. При формировании локальной маркетинговой стратегии необходимо учитывать не только стадию развития Answear в регионе, но и особенности продвижения в конкретной стране. Например, в Украине широко распространены новостные ресурсы, и реклама на них знакомит клиентов с брендом, в то время как в Венгрии новостные ресурсы представлены всего несколькими источниками и продвигаться на них менее рентабельно. Для каждого рынка присутствия Answear работают специалисты со знанием языка и локальных особенностей.
Отправные точки
По данным аналитики Answear, покупке товара предшествует от 3 до 5 касаний с разными источниками привлечения. Поскольку стратегия привлечения покупателей украинского Answear направлена на знакомство новых клиентов с интернет-магазином и повышение уровня продаж, важно оценить не только начальный и заключительный канал в цепочке к покупке, но и вклад источника в продвижение пользователя по воронке продаж.
Изменения начинаются с правильно поставленных вопросов:
- Какие внутренние промоции влияют на продажи?
- Какой ценовой сегмент интересен пользователям?
- Какие категории лучше всего конвертируются в покупки?
Начиная с 500k посещений в месяц, мы столкнулись с сэмплированием (выборкой) данных в Google Analytics, когда отчет построен на базе не 100% имеющихся данных, а 36,6%, а недостающая информация масштабируется на основании существующей. К тому же, при сборе данных в Google Analytics ограничено число пользовательских переменных (20 в не-премиум версии) для передачи полной категории товаров на карточке продукта или количества покупок пользователя.
Данные – это весомый аргумент при принятии управленческих решений в компании Answear, поэтому отдел маркетинга приступил к поиску решения, которое объединит веб-, финансовые и пользовательские данные и представит их в удобном формате.
Выбор инструментария
При принятии решения команда руководствовалась простотой настройки, ценовым фактором, техническими знаниями, которыми должен обладать специалист для работы с новым аналитическим инструментом. Как и во многих компаниях, в Answear информация о трафике, продажах после возвратов и маржинальности товаров, находится в разных местах. Поэтому выбор пал на Google BigQuery в составе Google Cloud Platform, как на безопасную базу данных в облаке с понятной ценовой политикой. Удобно и то, что Google BigQuery использует язык программирования SQL, который достаточно прост в изучении.
Для расширенного анализа был настроен импорт данных о пользователях, продажах и возвратах по API из внутренней базы в Google BigQuery. Онлайн-данные поступают в сервис с помощью OWOX BI Pipeline в табличном виде в режиме, близком к реальному времени. Некоторые данные приходится загружать в облачный сервис вручную, например, расходы на рекламные площадки, с которыми невозможно настроить API-интеграцию. В таком случае помогает Google Spreadsheet Add-on, с помощью которого специалист может загрузить информацию о расходах в Google BigQuery или Google Analytics.
Особенности проекта
Внедрение аналитики через Google Tag Manager может занять от 2 дней до месяца в зависимости от сложности проекта. Используя Google Tag Manager для настройки сбора аналитических данных, мы добавили скрипт OWOX BI Pipeline, который собирает данные в Google BigQuery в формате Google Analytics. Внесение изменений в уже настроенные теги занимает не более 10 минут.
Для импорта данных из внутренней базы в Google BigQuery было составлено техническое задание для разработчиков. Целью импорта был отбор данных, наиболее важных для анализа, а не создание копии базы. Обновление данных происходит несколько раз в день, частота может быть увеличена в зависимости от целей использования. Дополняя данные из базы данными OWOX BI Pipeline, можно строить сводные отчеты в режиме реального времени. Настройка регулярного импорта занимает до 2 рабочих дней разработчика.
Для использования собранных данных необходимо составить список вопросов, на которые необходимо найти ответы, а также обладать знанием SQL. На базовом уровне SQL можно освоить за неделю интенсивной работы или пройдя онлайн-курсы.
Полученный результат можно загрузить в Google Spreadsheet или же использовать в инструментах визуализации Google Data Studio. В этом поможет OWOX BI BigQuery Report — бесплатное расширение для Google Spreadsheet. Обновление отчета может происходить автоматически.
Кейс 1: Отправка SMS пользователям, которые интересовались товарами определенного бренда
SMS-подписчики Answear получили возможность узнать о начале распродажи раньше остальных пользователей. Данные о посещаемости страниц бренда, собранные с помощью OWOX BI Pipeline, были объединены с информацией о зарегистрированных пользователях. Особенность подхода в том, что сегментация была направлена не только на пользователей, которые покупали товары данной марки, но и пользователям, которые проявляли интерес к продуктам марки, просматривая их на сайте. Расширенная сегментация увеличила охват пользователей на 32% и повысила доход мобильной кампании на 19%.
Кейс 2: Распределение рекламного бюджета в зависимости от вклада канала в цепочку продаж
Для каждого регионального представительства Answear поставлены цели, соответствующие периоду развития онлайн-магазина. К примеру, рост продаж и привлечение новых покупателей. В соответствии с поставленными целями формируется стратегия для каналов привлечения пользователей.
Пример разделения каналов:
Для корректного разделения каналов, все объявления должны обладать UTM метками. Например, при отправке объявлений на внешнюю базу данных, к URL добавляются параметры:
?utm_source=partner.com&utm_medium=email&utm_campaign=summersale_17
В таком случае Google Analytics отнесет к данному каналу все действия и транзакции (по last non-direct model).
Сравнивать каналы предпочтительно в пределах логической группы группы. К примеру, медийная реклама привлекает пользователя на сайт и чаще всего является первой точкой касания пользователя, в то время как брендовые кампании с ключевыми словами «Answear» приводят покупателя, уже знакомого с магазином.
Каналам необходимо поставить KPI, которые будут соответствовать поставленным целям и отведенной им роли. К примеру, это могут быть:
- продажи новым клиентам;
- регистрации в магазине;
- % новых посещений;
- микроконверсионные действия (добавление в корзину и список желаний);
- повторные продажи;
- запись на рассылку.
Каждому из KPI необходимо присвоить вес:
В Google BigQuery рассчитываем место канала в цепочке продажи. При цели «привлечение новых клиентов» наибольший вес должны получить цепочки, которые приводят пользователя.
Для этого в Google BigQuery составляем запрос:
С помощью OWOX BI BigQuery Reports расчеты автоматизируются.
На основании полученных данных можно оценить роль канала в цепочке продаж и получить целостное представление о ценности, которую он привносит. К примеру, рекомендации по перераспределению бюджета для примера, показанного выше:
В 2016 году Answear.ua, как и большинство интернет-бизнесов в определенном моменте своего развития, пришел к выводу, что расширенный анализ имеющихся данных может существенно увеличить динамику роста.
«Мы решили создать аналитический отдел, сконцентрированного на анализе веб-сайта с использованием инструментов, которые позволят нам эффективно агрегировать и анализировать ключевые данные. Правильные инструменты в сочетании с опытом наших аналитиков, позволили ANSWEAR выйти на следующий уровень», — руководитель Performance Marketing PL & CEE, Доминик Друждж.
После года использования, мы убеждены в правильности решения развивать аналитику проекта, которая показывает новые перспективы для нашего бизнеса.
