Вряд ли кто-то будет спорить с тем, что аналитика продаж – один из краеугольных камней в контекстной рекламе. Результаты продаж тщательно анализируются на предмет ошибок и возможностей для улучшения. После анализа полученных данных производится оптимизация рекламных аккаунтов: неэффективные запросы, объявления и площадки отключаются или получают меньшую приоритетность. Кампании, которые показывают высокую эффективность, получают карт-бланш в виде повышения ставок. Таким образом, каждая новая итерация приводит к повышению ROI. Но это в теории. На практике существует множество подводных камней, которые сложно заметить с первого взгляда и которые сильно влияют на оптимизацию рекламных кампаний. Связаны они с неправильно выстроенным процессом аналитики.
Чтобы не быть голословным, рассмотрим такие случаи на примере нескольких компаний, размещающих контекстную рекламу. Сразу оговорюсь, это профессионалы своего дела, которые замечательно выстроили процесс привлечения клиентов через интернет. Они связывают данные из Директа, AdWords, Analytics, системы коллтрекинга и собственных CRM. Получая все необходимые данные в разрезе вплоть до ключевой фразы, они могут оперативно изменять ставки по данным о CPA и ROI. Но, несмотря на то, что все процессы у них отстроены, никто не застрахован от ошибочной интерпретации статистики. Мы живём в мире, где слишком много данных, но слишком мало понимания и инструментов для их правильного анализа. Этот парадокс – главная маркетинговая проблема грядущего десятилетия.
Кейс 1: обманчивая простота
Для начала рассмотрим ситуацию, которая характерна для всех B2B компаний.
Рекламодателем у нас выступает крупная производственная компания, основным источником дохода которой являются оптовые продажи. Бюджет на контекстную рекламу относительно скромный – до 250 000 рублей в месяц – но он окупается с лихвой из-за огромного среднего чека и повторных заказов. Как и принято в B2B сегменте, 80% продаж совершается через звонки.
Вопрос на засыпку: на основании каких данных мы будем оптимизировать рекламные кампании? Ответ очевиден: на основании данных по звонкам. Это будет наша конечная цель, по которой мы будем рассчитывать CPA.
Но, помимо звонков, есть и другие источники получения лидов. В частности, отправка сообщений через форму заявки и заказы через корзину. Прибавим их к звонкам. Получим вот такую картину:
Встаёт вопрос: а как эти данные интерпретировать? У нас получается итого 640 конверсий, но что это за конверсии? Звонки вместе с заполненной корзиной не являются продажами. В большинстве случаев это даже не лиды. Мы можем быть уверены лишь в том, что система аналитики зарегистрировала 640 отдельных событий в привязке к рекламным каналам. Но, три или четыре звонка может совершить один и тот же человек. Звонки могут носить информационный характер, например, курьер может искать номер телефона компании, чтобы уточнить, заказали ли для него пропуск на проходной. Если он пришёл на сайт через контекстную рекламу, это всё равно будет засчитываться как звонок.
Нам же нужно узнать не абстрактные данные, а конкретные цифры по продажам. Принимая во внимание тот факт, что в B2B далеко не все продажи можно учесть при помощи аналитики (и многое зависит от навыка продажников на стороне рекламодателя), будем ориентироваться на целевые лиды. Для этого мы применим несколько фильтров. Во-первых, отфильтруем все звонки, оставив только уникальные. Чтобы понять, был ли звонок целевым, попросим оператора по окончании разговора отмечать в системе коллтрекинга статус звонка (“целевой”). Электронную торговлю (заказы через сайт) мы фильтровать не будем. На выходе получаем более-менее адекватные данные по целевым лидам:
С этим уже можно хоть как-то работать. Но нас по-прежнему волнует вопрос о количестве продаж, ведь далеко не каждый лид, пусть и целевой, превратится в покупателя. Для этого нужно настроить связку системы аналитики и CRM, куда будут поступать реальные данные о продажах. Ещё один хитрый момент – нужно проследить за тем, чтобы все последующие продажи учитывались одинаковым образом. Тогда по прошествии определённого времени мы научимся считать LTV. На основании LTV уже проще определить максимально рентабельную стоимость привлечения клиента: если мы понимаем, что в среднем каждый вновь привлечённый клиент делает 2-3 дополнительных заказа, мы готовы увеличить пороговое значение CPA при автоматическом расчёте ставок.
Кейс 2: когда простой передачи данных из Google Analytics недостаточно
Для примера рассмотрим сервис “Документовед”. Он позволяет подготовить полный пакет документов для регистрации ООО, внесения изменений, а также договоры, приказы, уведомления и прочие документы, необходимые для ведения бизнеса. Всё это, опять же, B2B-тематика, и большая часть клиентов является юридическими лицами (либо планирует ими стать).
Механика сервиса проста: после регистрации в личном кабинете пользователь вводит запрашиваемые данные, на их основании автоматически подготавливается документ, который можно заказать и оплатить. Оплата часто производится по безналу.
Перед “Документоведом” стоят простые задачи: подсчёт и оптимизация ROI. Решения тоже достаточно очевидны:
- настраиваем Электронную торговлю Google Analytics, выбирая в качестве цели завершение оплаты заказа;
- проставляем UTM-метки;
- сводим клики и затраты в разрезе ключевых фраз с конверсиями;
- получаем данные по выручке и ROI, причём как в целом по рекламным каналам (Директ/AdWords), так и по отдельным кампаниям, группам объявлений и ключевым фразам.
Но тут-то нас и ожидает несколько проблем, появление которых заранее не предсказать.
Во-первых, во время оформления заказа прерывается сессия, отслеживаемая Google Analytics. Две основные причины:
- оплата заказа проходит через сторонние платёжные системы;
- при оплате по безналичному расчёту не появляется страница “Спасибо за заказ”. Вместо неё выписывается счёт.
Решений этой проблемы может быть несколько. Например, мы можем сделать в качестве цели нажатие любой кнопки, открывающей окно оплаты заказа. К ней же мы можем привязать и электронную торговлю. Правда, процент погрешности будет огромен: мы так и не узнаем, был ли заказ в конечном итоге оплачен. Контекстную рекламу на основании таких данных не оптимизируешь.
Точным решением будет использование внутреннего биллинга (системы учёты и оплаты счетов) самого “Документоведа”. В данном случае выписка счёта и дальнейший факт оплаты связываются вместе. Это возможно благодаря тому, что каждый клиент регистрируется в личном кабинете и может выписать счёт только после регистрации. Соответственно, когда приходит оплата по счету, нам известно, какой пользователь этот счёт выставил. Поскольку мы уже связали пользователя с источником трафика, к оплатам привязываются UTM-метки объявления, по которому он пришёл. Затем данные об оплатах выгружаются в модуль статистики Alytics через связку с CRM и сопоставляются с данными по ключевым фразам из контекстной рекламы.
Всё это позволяет снизить процент погрешности до 0,01%. Это уже точные данные, которыми можно пользоваться при принятии решений.
Но это не всё. Как только мы начинаем получать точные данные по эффективности контекстной рекламы, достаточно скоро обнаруживается, что у клиентов “Документоведа” очень большой LTV: более половины клиентов делают повторные заказы. Это сильно искажает статистические данные, так как мы считаем выручку на основании оплат. Каждой оплате присваивается уникальный идентификатор, и 10 оплат от одного и того же клиента пройдут как 10 не связанных друг с другом целевых действий. Искажение данных налицо. Правильной методологией подсчёта будет присваивание оплатам меток пользователя. Делается это на уровне биллинга. Метки наследуются по отношению ко всем дальнейшим оплатам пользователя, позволяя избежать путаницы в расчётах.
Самое смешное, что научившись считать LTV, со временем мы поняли, что нужно научиться его и… не считать. Казалось бы, сама суть термина, перевод которого звучит как “пожизненная ценность”, предполагает вечный подсчёт прибыльности от единовременного приобретения клиента. Проблема всплыла через два года, когда стало понятно, что постоянные клиенты настолько “выгодны”, что расчётное пороговое значение CPA для контекстной рекламы получилось невероятно высоким. Дело в том, что оплаты клиентов, постоянно работающих с “Документоведом” на протяжении нескольких лет, продолжали приписывать первоначальному источнику трафика. В итоге такие источники трафика получали сильный приоритет, ведь показатель ROI по ним продолжал расти (при прочих равных условиях). Всё же имеет смысл приобретать новых клиентов, не рассчитывая на годы сотрудничества, а ограничиваясь экономической эффективностью в кратксрочной перспективе. В связи с этим было поставлено ограничение: LTV клиента рассчитывается не более, чем на период 6 месяцев. Спустя полгода после первой оплаты клиента данные перестают использоваться для расчёта ROI.
Я привёл лишь несколько примеров того, как можно ошибиться, анализируя результаты контекстной рекламы. На самом деле, подобные “грабли” можно обнаружить повсюду. Все бизнесы разные, и большинство стандартных решений придётся так или иначе видоизменять, проверяя логику работы с данными и возможные “узкие места”.
Теги:
