Построение единой аналитической системы оценки маркетинговой деятельности

Поведение покупателей в современном мире усложняется, задействуется всё больше каналов, устройств, форматов. Ранее существовало правило «7 касаний» — чтобы стать клиентом, человек должен не менее семи раз увидеть информацию о бренде/продукте/услуге. Но по данным некоторых исследований, сегодня процесс выбора в нашем многоканальном мире может затягиваться на 200 и даже 2000 «касаний».

Под «касанием» понимают любое взаимодействие аудитории с компанией: показ объявления, просмотр карточки в Яндекс.Справочнике или 2GIS, посещение сайта, отправка обратной связи, звонок, покупка и многое другое.

Поэтому представление компании в максимально возможном числе каналов становится одной из основных маркетинговых задач. В идеальном мире с неограниченными бюджетами всё было бы просто — пушим во все каналы и считаем прибыль :) Но если вернуться в реальность, то нам приходится измерять  эффективность размещения в каждом из каналов: 

• кликабельность;
• стоимость показов и кликов;
• конверсию в лиды/заказы;
• стоимость обращений и заказа.

Подобных расчетных метрик существует огромное количество, и они отлично работают, если есть возможность ассоциировать обращение с каналом привлечения. Например, если мы привлекаем трафик на сайт, где пользователь может оформить заказ, т.е. подобная аналитика нормально работает в сфере B2C (business to consumer), когда мы работаем с конечным потребителем. Но все не так просто, если брать область, где продажи осуществляются через цепочку дистрибуции и информация о продажах конечникам практически недоступна.

Разглашать настоящие данные о заказчике мы не имеем права, поэтому будем использовать общие фразы. Российская компания, производит химические средства для массового потребления и промышленного использования. Реализация по территории всей РФ происходит через дистрибьюторов и федеральные торговые сети (Auchan, Leroy Merlin и пр.).

Продукция выпускается под 5 брендами. Для каждого из них есть отдельный сайт с информацией о продукции, сертификатами, полезной информацией и адресами дилеров. Возможности заказа через сайт нет.

Маркетинг-микс достаточно разнообразный:

• медийные и контекстные кампании (Яндекс.Директ, Google Ads);
• таргетированная реклама (VK, MyTarget);
• ведение сообществ в социальных сетях (VK, Яндекс.Дзен, Telegram);
• работа с инфлюенсерами (Youtube);
• размещение на тематических ресурсах.

В свете последних событий мы не можем привести полный список используемых каналов без добавления большого количества сносок.

Рекламные кампании планируются на горизонте в один месяц. В качестве KPI использовались в основном охватные показатели.

Форма отчетности была привычной для большинства компаний: таблица, обновляемая каждый месяц, и отчеты, собираемые по запросу (ad hoc). Под каждый формат размещения отводилась отдельная вкладка со своим набором показателей. Например, для медийки рассчитывали стоимость за тысячу показов (CPM, cost per mile), для контекстной рекламы — стоимость одного клика (CPC, cost per click), для групп в соцсетях — показатель вовлеченности (ER, engagement rate) и т.д.

Заказчик был готов предоставить данные по продажам через дистрибьюторов и торговые сети.

Проблемы:

1. Ручной сбор данных отнимал много времени и иногда возникали ошибки, связанные с человеческим фактором.
2. К внешнему виду отчета надо было «привыкнуть» — на первый взгляд выглядело сложно.
3. Новые срезы данных требовали дополнительного времени на сбор.
4. Невозможно оценить влияние усилий департамента маркетинга на продажи.

Первые три проблемы достаточно распространенные и решаются созданием банального маркетингового дашборда. Но руководитель рабочей группы проявил проактивность и было решено попробовать связать данные по маркетинговым активностям с продажами.

С учётом проблем, указанных выше, к системе были предъявлены следующие требования:

• сведение данных из всех источников «на одну страницу», унификация метрик;
• возможность фильтрации по дате, бренду, продукту, типу канала, каналу и формату размещения;
• контроль достижения поставленных KPI по рекламным активностям («план-факт»);
• связь маркетинговых показателей с данными по частотности упоминания бренда и продуктов (Wordstat);
• ежедневное автоматическое обновление.

Остановлюсь подробнее на первом пункте. Как уже говорилось выше, в B2B сложно влияние оценить маркетинговых кампаний на продажи у дилеров. К тому же у разных рекламных кампаний разные цели: одни работают на узнаваемость, другие должны доносить информацию о продукте, а третьи стимулировать желание купить и т.д. Поэтому нельзя «в лоб» сравнивать, например, медийку с контекстом — метрики эффективности у них будут разными.

Поэтому мы предложили новую систему оценки. Все показатели мы разбили на две группы: касания и взаимодействия. К первой группе относятся показы объявлений, просмотры прероллов и постов и пр. За взаимодействия мы считаем клики по объявлениям, переходы на сайт, активность в соцсетях, отправки форм «Задать вопрос» на сайте и другие действия аудитории. Для каждого показателя мы ввели специальные веса, условно, отправке мы давали 20 единиц веса, а показу материала на отраслевом портале 0,2. Можно провести аналогию с ассоциированными конверсиями в Google Analytics — источники с бóльшим весом «касаний» скорее способствуют продажам в длительной перспективе, а «взаимодействия» говорят о непосредственной заинтересованности клиента в продукции компании и вероятности покупки. Веса показателей до сих пор корректируются.

Введение подобного скоринга позволило нам привести все источники «к единому знаменателю» и хотя бы в первом приближении попытаться оценить влияние маркетинговых активностей на конечные продажи.

Очевидно, что помимо digital-кампаний на продажи оказывает влияние множество других факторов: сезонность, активность конкурентов, рекламная деятельность дилеров и многое другое. Но даже такое представление данных позволило более обоснованно защищать бюджеты на маркетинг перед руководством заказчика.

В качестве платформы для консолидации данных использовали Microsoft Power BI. При первой реализации подключение к каждому из источников настраивали отдельно через встроенные или кастомные коннекторы. Но быстро отказались от этой идеи и настроили выгрузку статистических данных из источников в Google Sheets (в Power BI есть встроенный коннектор и документ не нужно публиковать, как раньше), а данные по расходам на рекламу и затратам на услуги из внутренней SQL-базы. Сейчас рассматривается вопрос о создании полноценного хранилища в облачной базе, где будет осуществляться и обработка.

На данный момент система прошла этап MVP и активно используется как представителями заказчика для построения отчетов и других внутренних задач, так и представителями «Текарт» для анализа эффективности и поиска инсайтов, отчетности по KPI и защиты бюджетов на маркетинг и рекламу.

Создана система из 7 дашбордов: 

1. Сводные данные по всем источникам.
2. Данные по рекламным каналам.
3. Данные по размещению в социальных сетях.
4. Корреляция с продажами.
5. Связь с частотностью упоминания бренда.
6. План-факт по кампаниям.
7. «Воронка».

Следующим шагом запланирована связь данных по продажам в федеральных сетях в разных регионах с маркетинговыми активностями в этих регионах. Сейчас данные по продажам сведены на дашбордах, мы планируем добавить в статистике новый срез по географии и попытаться найти взаимосвязь с продажами в торговых точках.

О результатах обязательно расскажем в следующих постах. Желаю всем высокого уровня аналитической культуры! :)