Выстроить сквозную аналитику для реальных результатов, а не для отчётов: кейс мебельной компании Hoff

20 марта система сквозной аналитики Alytics провела в Москве «День сквозной аналитики». Марина Ковпак рассказала, как компании Hoff удалось выстроить сквозную аналитику, чтобы получать результаты для бизнеса, а не для отчётов.

Hoff — сеть гипермаркетов мебели и товаров для дома. Интернет-магазин компании открылся в 2011 году, и в этой статье речь именно о нём. В 2017-м выручка сети в онлайне составила 3,6 млрд ₽. План на этот год — 5 млрд ₽ в онлайне. Марина Ковпак рассказала, как сквозная аналитика поможет добиться этой цели.

Задачи онлайн-маркетинга на 2018 год

Основной задачей любого интернет-магазина является генерация трафика на сайт и конвертация его в заказы. Но у Hoff есть и другие важные задачи, от которых напрямую зависит входящий оборот. Рассмотрим, какие цели ставит для себя в текущем году отдел интернет-маркетинга компании.

Эффективное управление performance-маркетингом, которое в Hoff измеряется многими показателями, но основным является ДРР (доля рекламных расходов) на performance-маркетинг.
Увеличение конверсии внутри сайта. Рост трафика невозможен без работы над конверсией сайта. Если у вас плохо конвертируется корзина или не работает кнопка «купить» — все вложения в рекламные источники будут бесполезны. В отделе интернет-маркетинга есть продакт-менеджер, который исследует конверсию на сайте по воронке продаж и анализирует, какие изменения сделать в каталоге, корзине, карточках товара, на главной странице, чтобы конверсия в определённой товарной группе или типе страниц увеличилась.
Увеличение узнаваемости бренда онлайн. Hoff — это не просто рядовой магазин мебели, а известный российский бренд. Поэтому компания много инвестирует в имиджевую рекламу: медийные каналы, YouTube и другие.
Увеличение доли мультиканальных покупателей. Hoff — омниканальная компания, есть четыре точки входа клиентов в компанию: сеть розничных магазинов, интернет-магазин, мобильное приложение и возможность купить любой товар по телефону. Для компании важна оценка эффективности клиентов, которые пользуются несколькими каналами: нужно знать, сколько этих людей, как они себя ведут и как увеличивать их долю. Как это сделать, будет подробно рассказано в конце статьи.

Продвижение медцентров и клиник: три кейса о SEO, TikTok и Instagram*

Как получить измеримые результаты в фарммаркетинге.

Показываем на примерах →

Спецпроект

Роль аналитики маркетинга

Поставить перед собой задачи — ещё далеко не всё. Важно анализировать успехи и неудачи, эффективность разных рекламных каналов. Если представить себе мир ecommerce одной большой планетой, стоящей на трёх слонах, то держать их будет старая мудрая черепаха — аналитика. Без неё планета электронной коммерции существовать просто не сможет.

Поэтому первое, что нужно сделать для выполнения поставленных задач, — это настроить систему аналитики. Аналитика бывает разная, в этом кейсе мы рассмотрим, как была настроена в компании Hoff аналитика маркетинга — оценка эффективности платных рекламных источников.

Первые модели. Как и в любом ecommerce, аналитика началась с модели Last Click. Затем стали использовать ассоциированные конверсии. Минус этих моделей — в них нельзя учитывать розничные продажи, маржу товара, продажи с телефона. Поэтому компания начала искать другие пути решения вопроса.

Решение о создании своей модели атрибуции. Это было сделано для того, чтобы оценить эффективность основных рекламных каналов — контекстной рекламы и ретаргетинга. На контекстную рекламу в Hoff уходит бо́льшая часть рекламного бюджета. Конечно, при таких объёмах важно знать все данные обо всех продажах — и в офлайне, и в онлайне. Собственная модель атрибуции позволила бы понять, как контекст влияет на розничный трафик, покупки офлайн и с телефона.

Объединение данных. Полученные данные необходимо сохранить и систематизировать. Компания Hoff использует несколько десятков систем получения данных:

Google Analytics — данные по посещаемости и конверсии на сайте.
Mindbox — данные по email-рассылкам.
Коллтрекинг — данные по заказам с телефона.
Axapta (ERP) — система учёта заказов и так далее.

Понятно, что удобнее было бы хранить все эти данные не в разных системах, а в одном месте. Маркетологи компании провели колоссальную работу по объединению данных в одно большое хранилище. Выбор пал на Google BigQuery. Теперь в нём интегрируются потоки данных из разных систем под одним ID.

Объединение ID. ID пользователя в Google Analytics и ID в ERP-системе компании — разные цифровые значения, их надо было склеить в одно целое. Основной критерий, по которому склеивались данные пользователей в один ID, — это программа лояльности компании. 90% покупок в Hoff совершается с помощью карточки программы лояльности, то есть известно, кто именно совершает покупки. Дальше дело техники — склеить эти данные с системами. Такое объединение с учётом карты лояльности позволило отслеживать офлайн конверсии от онлайн-рекламы.

Итак, данные склеились и хранятся в Google BigQuery. Затем аналитик компании придумал свою модель атрибуции, которая учитывала маржу товаров, данные офлайн-заказов и заказы с телефонов. Брендовый контекст из цепочки транзакций исключался — это было решение компании.

Использование модели атрибуции в Alytics. Последний этап — подгрузка данных в систему Alytics. Специально для Hoff был разработан метод выгрузки данных модели атрибуции, позволяющий передавать ценность той или иной фразы в зависимости от того, был заказ, например, в офлайне или нет.

Hoff управляет контекстом в Alytics через модель правил. Рассмотрим, как это работает. Например, возьмём фразу «купить красный диван в Воронеже». На эту фразу в Alytics настроили 5 вариантов управления ставками. В зависимости от ROI (коэффициента окупаемости): если ROI больше 200% — ставка 10 $, если меньше 50% — ставка 10 центов, и так далее.

Итоги. Что получили, построив модель атрибуции

Модель атрибуции построена и внедрена в Alytics. Hoff подвела итоги и сравнила показатели до и после. Давайте посмотрим, что изменилось.

В некоторых товарных категориях показатель ROI вырос до 17%. Например, если раньше считали, что категорию «шторы» покупают в онлайне хуже, то модель атрибуции показала, что человек приходит на сайт через контекстную рекламу, смотрит эти шторы, но покупает их уже в офлайне — приходит в магазин. Так модель атрибуции помогла понять, какие категории в онлайне раньше были недооценены.
Количество фраз с ненулевой ценностью выросло в 2,4 раза. Например, по запросу «москва шторы цветочек» никто в онлайне не покупал, и маркетологи снижали цену с 10 долларов до 1 цента. На самом деле эта фраза приносит трафик в розницу — люди покупают их офлайн. А это значит, что на такие фразы надо повышать ставки, что и было сделано.
Email-рассылки порадовали бомбическими показателями: на 1 рубль выручки в онлайне приходится 4 рубля выручки в офлайне. Работает это так: люди получают электронное письмо, распечатывают его, приходят в магазин и говорят: хочу такой диван, как в вашей рассылке. Получается, онлайн-маркетинг стимулирует офлайн-продажи.
ROPO-эффект. С помощью модели атрибуции увеличилась роль мультиканальных пользователей. Это те клиенты, кто покупает и в рознице, и на сайте, и через мобильное приложение. Понятно, что такие клиенты самые прибыльные: они тратят в 5 раз больше, чем покупатели в одном канале. Задача компании — увеличивать долю таких клиентов, развивать мобильное приложение и следить за этим показателем.
И самое главное — треть выручки в гипермаркетах Москвы приходится на посетителей сайта Hoff.ru. Теперь с помощью сквозной аналитики это известно точно. Отличный показатель!

Вот такая аналитика: своя модель атрибуции помогает получать результаты, реально полезные для бизнеса, а не только для отчётов. Желаем удачи в продвижении!