Кейс MediaNation и ВиРент: как внедрить сквозную аналитику и отследить трафик со всех маркетинговых каналов

1. Вводная задача от заказчика, проблематика, цели

Изначально бренд оценивал эффективность рекламы по ДРР — процентному соотношению затрат на рекламу к выручке, полученной от нее. Значение ДРР вычислялось на основании дохода, который передавался в системы веб-аналитики Яндекс.Метрика и Google Analytics с использованием инструмента «Электронная торговля». Эффективность размещения анализировали и по внутренним метрикам, включая CPL, коэффициент конверсии в отгрузку и другие.

ВиРент получает большую часть своих лидов через входящие звонки, которые отслеживаются через Calltouch. Однако маркетинговому отделу компании было сложно отследить связь между входящим звонком в Calltouch, источником или каналом этого звонка (например, рекламной кампании) и выручкой после закрытия заказа внутри клиентской ERP-системы 1С.

Выручка с пользователей, оформивших заявку через входящий звонок, не попадала в отчеты по «Электронной торговле», а содержание первоначальных заказов могло изменяться в процессе дальнейшей работы менеджеров клиента с пользователями.

Все это препятствовало прозрачно оценивать эффективность рекламы. Клиент обратился с этой проблемой в MediaNation в 2022 году.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

Мы предложили клиенту построить систему сквозной аналитики, которая объединила бы данные из всех рекламных каналов с данными по заказам и выручкой из 1C в единый автообновляемый отчет. В таком отчете клиент смог бы увидеть всю воронку продаж: с момента первого взаимодействия пользователя с сайтом до оплаты заказа и возврата арендованного оборудования. Все это можно было бы увидеть в разрезе источников перехода на сайт и рекламных кампаний.

Основные этапы решения задачи:

• Определение систем из которых необходимо ежедневно забирать данные и места их хранения.
• Проектирование схемы сквозной аналитики.
• Завершение настройки веб-аналитики.
• Получение доступа к базе данных ClickHouse клиента.
• Настройка передачи сырых неагрегированных данных из необходимых источников в БД клиента через StreamMyData.
• Фильтрация, обработка и объединение данных всех необходимых систем в единую структуру с помощью языка SQL.
• Определение ключевых метрик для отслеживания.
• Создание и согласование прототипа сквозного отчета.
• Визуализация сквозного отчета в системе DataLens

Далее мы детально расскажем о каждом из них.

1. Аудит и донастройка веб-аналитики

Перед построением сквозной аналитики предстояло корректно настроить веб-аналитику. Сначала в качестве ключевой для отчета системы веб-аналитики выбрали Universal Analytics. Однако весной 2023 года Google оповестил пользователей, что с 1 июля 2023 года этот сервис перестанет работать, и его заменит Google Analytics 4 с совершенно другим способом сбора данных. На тот момент новая система была довольно сырой, постоянно изменялась, и не было четкого понимания, насколько надежно она будет работать. Поэтому мы выбрали более надежный вариант — Яндекс.Метрику.

2. Проектирование схемы сквозной аналитики

Далее мы в MediaNation разработали несколько вариантов схем данных для финальной структуры отчета. Первая схема получилась очень запутанной.

Систем, участвующих в сквозной аналитике первого образца, было гораздо больше, чем осталось в итоге. Например, мы знали, что в CRM клиента поступают заявки с сайта и звонки, которые в дальнейшем конвертировались в заказы. Однако в эту систему не передавалась информация об источниках заявок и звонков. Поэтому было невозможно объединить эти данные с системами веб-аналитики.

Основная доля заказов поступала в компанию через входящие звонки. В этом случае данные электронной торговли не формировались и не поступали в Яндекс.Метрику. Соответственно, Метрика в качестве связующего звена для задачи не подходила.

Мы утвердили следующую связку систем для формирования финальных данных:

• рекламные кабинеты,
• Calltouch,
• CRM,
• 1C.

В Calltouch при входящем звонке поступал номер телефона пользователя и параметры UTM, которые позволяли определить источник визита пользователя на сайт, с которого он совершил звонок. Следовательно, данные из рекламных кабинетов объединялись с Calltouch по дате и UTM-меткам.

Далее Calltouch объединялся с CRM по дате и номеру телефона пользователя. Если пользователь после звонка оформил заказ, в CRM заводилась сделка и ей присваивался уникальный идентификатор.

Этот же идентификатор присутствовал в ERP-системе (1С). Поэтому следующим шагом данные, полученные на предыдущих шагах, мы объединили с данными 1С по идентификатору сделки. В 1С содержались подробные данные о заказах — наименования и идентификаторы товаров, количество единиц товаров, стоимость товаров, общий статус сделки, тип клиента (B2B/B2C) и пр.

3. Выбор инструментов и технологий

Для хранения сырых данных из всех систем, участвующих в схеме, мы выбрали облачную базу данных ClickHouse, к которой клиент предоставил доступ. В эту базу данных мы с помощью StreamMyData стали ежедневно передавать данные из всех необходимых источников:

• Яндекс.Директ,
• MyTarget,
• VK,
• Calltouch.

Сейчас в StreamMyData доступно 15 коннекторов для источников данных, и это число постоянно растет. А также есть возможность передавать их в базы данных ClickHouse или Google BigQuery.

Так как финальные данные о содержании и статусах заказов содержались в 1С, то разработчики на стороне клиента самостоятельно организовали автоматический перенос статистики из 1С в ClickHouse. Данные передавались каждый день вечером после завершения рабочего дня, когда звонки переставали поступать и обрабатываться операторами.

4. Переход к основной реализации проекта: объединение данных из систем

После того, как мы удостоверились, что данные в ClickHouse есть в полном объеме, мы приступили к написанию кода на SQL для их обработки и объединения. Код работал в несколько этапов:

1) Объединение данных всех рекламных кабинетов

Мы отфильтровали и обработали статистику из Яндекс.Директ, ВКонтакте, MyTarget, и привели данные к нужным форматам. Затем данные из всех рекламных кабинетов агрегировались по-вертикали в единую структуру. Числовые показатели суммировались на уровне рекламной системы, рекламной кампании и даты.

2) Обработка данных по звонкам из Calltouch и объединение их с рекламными кабинетами.

В течение дня пользователь сайта мог позвонить несколько раз, совершив при этом переходы на сайт из разных источников. Поэтому необходимо было решить, какой из звонков считать ключевым, в итоге приводящим к заказу и оплате. Мы решили атрибуцировать все дальнейшие действия пользователя к его первому звонку за день. Данные из рекламных кабинетов объединялись с Calltouch по дате и utm_campaign.

3) Объединение полученных данные с таблицами, содержащими информацию по заказам в CRM.

Номер телефона пользователя, помимо Calltouch, хранится в CRM-системе клиента. Это давало нам возможность объединить данные Calltouch и CRM по соответствующему ключу.

4) Объединение с данными о статусах и суммах заказов.

В CRM клиента не содержались данные о том, какие товары и на какую сумму были заказаны пользователем. Эта информация хранилась в 1С. Но в CRM, если пользователь после лида совершал заказ, ему присваивался уникальный идентификатор заказа, который существовал также в 1С. По этому идентификатору мы обогащали данные, полученные на предыдущих шагах статусами заказов, их содержанием, ценами и количеством единиц товара и типом клиента (B2B или B2C)

Подобным образом мы составили несколько SQL-запросов для визуализации данных на разных уровнях.

5. Визуализация данных сквозного отчета в DataLens

В качестве системы визуализации данных мы выбрали DataLens от Яндекс. В финальном отчете теперь можно увидеть все важные показатели эффективности бизнеса, такие как:

• расходы на рекламу;
• клики, показы, СРС, CTR;
• общее количество звонков, количество звонков уникальных пользователей;
• количество лидов;
• показатели эффективности — CPA, CPL, CPO, ДРР;
• самые популярные и прибыльные позиции товаров;
• количество заказов в разрезе типа клиента (B2B или B2C) и его статуса (Оформлен/Отгружен/Отменен/Без статуса).

На стороне клиента информация о заказах регулярно актуализируется, например, корректируется сумма заказов или меняется их статус. Данные в отчете автоматически меняются соответствующим образом.

Все эти данные можно посмотреть как в качестве сводных показателей, так и в динамике по времени или разбивке по интересующим параметрам. А также в разрезе разных уровней:

• общая эффективность бизнеса;
• эффективность по источникам / рекламным кампаниям / ключевым словам.

3. Результаты сотрудничества

Вместе с клиентом мы разработали сквозной автоматизированный отчет, который показывает целостную картину развития бизнеса. Финальный дашборд разбит на несколько листов с разным смыслом:

• Лист №1. Сводка по всем каналам: основные показатели, метрики эффективности, данные по рекламе.
• Лист №2. Данные по источникам: основные данные о лидах и заказах, данные о лидах и заказах в разрезе типа клиента.
• Лист №3. Эффективность рекламных кампаний: основные показатели и динамики, таблица и данные в разрезе типа клиента, динамика данных в разрезе типа клиента, таблица эффективности рекламных кампаний
• Лист№4. Эффективность товаров и категорий: диаграммы распределения и таблица категорий, таблица прибыльности товаров
• Лист №5. Эффективность ключевых слов: таблица эффективности ключевых слов

Александр Эркен

Руководитель направления маркетинга, ВиРент

В нашей компании всегда было принято принимать решения на основе цифр. При этом основным каналом привлечения клиентов для нас являлся онлайн. И для того, чтобы грамотно масштабировать бизнес и увеличивать количество целевых клиентов, а также снижать CPL, было принято решение реализовать полноценную систему аналитики, которая прозрачно покажет работу маркетинга в компании и позволит сфокусироваться на росте.

Вместе с командой MediaNation нам удалось реализовать такую систему и выявить те рекламные каналы, которые приводили B2B-трафик и давали наибольший вклад в выручку компании. Это действительно хороший фундамент для дальнейшего роста и увеличения эффективности нашего бизнеса.