Studi kasus: Cara mengotomatiskan pelaporan pemasaran di bisnis restoran

Dengan bantuan agen pemasaran dan produk OWOX BI, pemasar di rantai restoran telah sepenuhnya memperbarui sistem analitik mereka.

Ada 57 restoran dan lokasi layanan pengiriman, yang menyajikan masakan Jepang dan Italia. Sehubungan dengan penskalaan dan diversifikasi bisnis, departemen pemasaran menghadapi tugas baru:

• Pahami aktivitas periklanan apa yang membawa pengguna baru ke situs web dan aplikasi seluler dan berapa biayanya untuk menarik klien. Mereka harus menggabungkan data dari situs web, aplikasi seluler, dan sistem CRM untuk mengetahui hal ini.
• Terima laporan kinerja cepat dan bandingkan kinerja aktual dengan perkiraan. Untuk ini, mereka perlu mengotomatiskan pelaporan pemasaran.
• Mengevaluasi dampak tambahan tayangan media pada saluran kinerja dan situs web yang ditargetkan serta aktivitas aplikasi seluler. Untuk melakukannya, mereka menggabungkan data mentah di tingkat ID klien dengan tayangan dari Manajer Kampanye.

Mari kita lihat bagaimana mereka menyelesaikan setiap tugas ini dan memberikan beberapa saran kepada mereka yang baru memulai jalur otomatisasi pemasaran.

Catatan: Semua laporan yang disajikan dalam artikel didasarkan pada kumpulan data pengujian.

Tim membuat analitik lanjutan berdasarkan OWOX BI, Google BigQuery, dan Power BI. Secara skematis, sistemnya terlihat seperti ini:

OWOX BI mengimpor data biaya dari semua sistem periklanan serta data situs web mentah dari Google Analytics dan data aplikasi dari AppsFlyer. Kemudian ia mengirimkan semua data ini ke Google BigQuery.

Google BigQuery juga menerima metrik perkiraan yang dihitung oleh pakar agensi di antarmuka menggunakan bahasa R.

Di dalam Google BigQuery, data diproses dan digabungkan menggunakan tampilan dan kueri terjadwal.

Terakhir, data divisualisasikan di Power BI.

Tim berfokus pada tiga laporan yang dapat digunakan untuk melacak metrik yang diperlukan:

• Laporan manajemen dasar untuk sistem balanced scorecard
• Laporan tentang menarik pengguna ke situs web
• Laporan tentang menarik pengguna ke aplikasi

Mereka mengembangkan Matriks Dampak — hierarki metrik — untuk menentukan metrik mana yang menjadi fokus dan dalam kasus apa. Mereka juga menggunakan metodologi balanced scorecard untuk memantau data prediksi. Akibatnya, mereka menerima laporan yang memungkinkan untuk:

• memahami metrik mana yang ada di depan dan mana yang berada di belakang rencana
• melacak KPI utama yang memiliki bobot berbeda untuk bisnis (CPO, CR, Pendapatan, CTR)
• memprediksi KPI

Dalam arsitektur laporan, dapat dibedakan tiga level: level bisnis, level KPI, dan level detail.

Tingkat bisnis

Pada tingkat ini, Anda dapat melihat rencana vs fakta untuk metrik bisnis penting.

Dari data di atas, tim dapat menyimpulkan bahwa CR KPI terlampaui sebesar 43%. Pada saat yang sama, volume lalu lintas dan konversi tidak mencapai nilai yang direncanakan. CR yang tinggi dapat menunjukkan situs web dan UX aplikasi yang bagus — ada sedikit penurunan, dan pengguna berkonversi dengan baik. Namun, perlu untuk meningkatkan volume lalu lintas untuk memastikan volume penjualan yang dibutuhkan.

tingkat KPI

Berdasarkan laporan tingkat KPI, pemasar menganalisis penempatan yang efisien dan tidak efisien dari sudut pandang CR dan indikator biaya — ini memungkinkan untuk membagi anggaran antar saluran dengan cepat untuk memenuhi rencana umum.

Laporan tersebut menggambarkan korespondensi tingkat atas dari KPI yang direncanakan dan aktual (CR, Kunjungan, Pendapatan, Transaksi) dengan nilai perkiraan. Misalnya, Anda dapat melihat bahwa rencana untuk keseluruhan volume lalu lintas situs web tidak terpenuhi, tetapi ini diimbangi dengan CR yang lebih tinggi pada lalu lintas organik dan langsung. Oleh karena itu, perlu untuk meningkatkan CR lalu lintas berbayar (tipe BPK) dengan pengoptimalan yang lebih dinamis atau peningkatan harga pembelian. Tim mungkin juga perlu meningkatkan pembelian lalu lintas berbayar pada prinsipnya untuk memenuhi rencana lalu lintas umum.

Tingkat detail

Pada tingkat ini, pemasar melihat dinamika metrik menurut wilayah dan jenis perangkat — ini juga membantu mengalihkan anggaran ke hal yang lebih baik.

Dari data di atas, dapat disimpulkan bahwa tim meleset dari rencana dalam hal jumlah total transaksi dan CR untuk periode analisis yang diberikan sebesar 5,5%. Pada saat yang sama, lalu lintas desktop dan seluler menunjukkan kecenderungan yang kurang lebih sama untuk tertinggal dari volume konversi (desktop turun 5,7%, seluler 5,6%). Dengan demikian, kedua jenis perangkat menghasilkan jumlah konversi yang sama. Namun untuk mengoptimalkannya, trafik di bagian CR harus dianalisa.

Di sini, dapat dilihat bahwa lalu lintas seluler (1,8%) dan lalu lintas tablet (2,8%) menunjukkan CR terendah di bulan Desember. Karena lalu lintas seluler menghasilkan jumlah konversi yang sama dengan lalu lintas desktop dan mungkin lebih murah, pemasar dapat mencoba mengoptimalkan lalu lintas seluler dengan membeli lalu lintas berkualitas lebih baik untuk meningkatkan CR-nya.

Grafik ini menggambarkan rencana kinerja lalu lintas lintas kota. Dengan informasi tentang volume yang dibeli, Anda dapat menyimpulkan di mana kinerja yang buruk sangat penting dan berdampak pada efektivitas semua kampanye.

Berkat laporan ini, tim dapat membagi semua pembelian menjadi pelanggan baru dan pelanggan yang kembali. Hal ini memungkinkan untuk mengecualikan pelanggan yang kembali dari kampanye iklan untuk pelanggan baru, sehingga mengurangi CPO di semua saluran. Dengan melihat statistik di bagian saluran untuk kembali dan pengguna baru secara bersamaan, pemasar dapat memahami sumber mana yang mendorong lebih banyak pesanan baru dan memiringkan anggaran sesuai keinginan mereka. Di sumber di mana pembelian berulang terjadi, mereka mengurangi anggaran, sehingga mengurangi total CPO yang direncanakan.

Omong-omong, KPI utama dalam laporan ini dihitung berdasarkan data CRM.

Laporan di atas menunjukkan bahwa jumlah pembelian baru terbesar untuk semua lalu lintas dari situs web dipimpin oleh inst_kz (81,82%), Iklan Facebook (43,45%), mobrain_int (31,25%), dan gomobile_int (30,38%). Karena, secara umum, perusahaan memiliki audiens yang aktif dan setia serta persentase cakupan pasar yang tinggi, jelas mengapa beberapa situs web mengarahkan pelanggan yang telah melakukan pemesanan setidaknya sekali dalam aplikasi. Untuk efisiensi dan pelaksanaan KPI Akuisisi Pelanggan yang lebih baik, tim dapat mencoba mengecualikan audiens CRM aktif dalam pengaturan kampanye iklan dan meluncurkan promosi untuk pelanggan baru.

Di sini, Anda dapat melihat bahwa lebih dari setengah lalu lintas desktop di semua grup saluran adalah pelanggan kembali. Ini menunjukkan pentingnya bekerja dengan basis yang loyal dan meningkatkan retensi.

Dengan analisis pasca-tampilan, Anda dapat mengevaluasi pengaruh aktivitas media terhadap jumlah pesanan.

Statistik tayangan diunggah ke BigQuery dari Google Campaign Manager dan dirinci hingga ke pengguna individu (ID klien). Laporan tersebut membandingkan segmen dari mereka yang melihat dan mereka yang tidak melihat iklan media. Hasilnya, kami dapat mengevaluasi efek tambahan tayangan media pada saluran kinerja dan tindakan yang ditargetkan di situs web dan di aplikasi seluler.

Misalnya, tim mengetahui bahwa konversi pesanan dari mereka yang melihat video dan spanduk 42% lebih tinggi daripada mereka yang tidak melihatnya. Karena analisis pasca-tampilan, mereka juga menentukan bahwa audiens yang melihat iklan media menghasilkan pendapatan dua kali lipat.

Ke depan, tim berencana untuk mengembangkan pelaporan lintas platform. Langkah pertama adalah mengevaluasi dampak lalu lintas web pada konversi aplikasi dengan menautkan aplikasi seluler dan data situs web. Pelaporan semacam itu akan menciptakan pemahaman yang lengkap tentang nilai saluran periklanan dan menilai dampaknya satu sama lain. Ini juga akan membantu untuk membuat keputusan manajemen tentang pengembangan saluran interaksi pelanggan dan menyesuaikan strategi komunikasi pemasaran.