7 способов оценить и улучшить цифровой маркетинг

Как вы можете оценить эффективность и повысить окупаемость инвестиций (ROI) вашей интернет-рекламы? Как узнать, какой доход приносит SEO-трафик, мобильные приложения и медийная реклама? Эти вопросы актуальны для многих онлайн- и многоканальных компаний. В этой статье мы описываем решения от OWOX BI, которые помогли нашим клиентам найти ответы на эти и другие вопросы и решить свои бизнес-задачи.

Мы кратко описываем, как мы помогли нашим клиентам в этих семи реальных случаях ниже. Если вам интересны технические детали или вы хотите попробовать некоторые из упомянутых нами вещей в своем собственном проекте, попробуйте OWOX BI бесплатно.

OWOX BI собирает данные из нескольких систем в единый репозиторий и строит отчеты, которые помогают клиентам улучшить свои маркетинговые знания. Цель состоит в том, чтобы сделать это быстро, с высоким уровнем качества и с максимальной автоматизацией, чтобы предприятия могли зарабатывать больше денег, используя уже имеющиеся у них данные.

Сегментация пользователей для более точного таргетинга рекламных кампаний — базовая задача, которую можно и нужно решать на начальных этапах внедрения маркетинговой аналитики.

Цель клиента : повысить рентабельность рекламных кампаний, направленных на повторную активацию пользователей, уже посетивших сайт. Теоретически, реклама этих пользователей не должна быть дорогостоящей, потому что они уже проявили интерес.

Задача клиента : улучшить таргетинг рекламных кампаний на брошенные корзины и ушедших клиентов. Это люди, которые выполнили определенный набор действий на сайте, но ничего не купили. В то же время наш клиент считает, что мог бы что-то купить.

Наша гипотеза : если мы выберем сегмент посетителей веб-сайта, которые добавили товар в корзину за последние X дней, и покажем им рекламу, они с большей вероятностью что-то купят, чем посетители из других сегментов. Соответственно, размещая рекламу в этом сегменте, мы можем увеличить выручку при сохранении того же соотношения затрат и доходов (CRR).

Сегментация пользователей всегда требуется для проверки гипотез. Можно предположить, что выбранные сегменты пользователей будут вести себя так или иначе после просмотра рекламы, но 100% гарантии, что так и будет, нет.

Наш клиент определил условия, по которым формировались сегменты. Сформировав сегменты по этим условиям, мы превратили нашу гипотезу в техническое задание для нашего аналитика. Эта задача была разбита на этапы.

Этап 1 . Сформируйте два сегмента пользователей. Первый сегмент состоял из пользователей, которые добавили товар в корзину за последние X дней, но ничего не купили. Второй сегмент состоял из пользователей, совершивших на сайте некоторый набор действий (определенный клиентом).

Google Analytics производит выборку данных о клиентах в ответ на большой трафик. Поэтому для построения сегментов мы использовали необработанные данные с сайта нашего клиента, переданные в Google BigQuery с помощью OWOX BI Pipeline. BigQuery — это сервис облачного хранилища, который позволяет не только собирать информацию, но и удобно ее обрабатывать с помощью SQL.

Наш аналитик написал SQL-запросы для формирования сегментов, используя необработанные данные веб-сайта. Эти сегменты содержат данные Google Client ID и Yandex Client ID, которые можно использовать в рекламных сервисах Google Ads и Яндекс.Директ.

Этап 2 . Автоматически передавать сегменты в Google Ads и Яндекс.Директ, чтобы специалисты по рекламе могли использовать их при настройке рекламных кампаний.

OWOX BI имеет автоматический конвейер данных , который берет сегменты из Google BigQuery, ежедневно вычисляет для них данные и загружает эти данные в Google Analytics. Сегменты из системы веб-аналитики можно экспортировать в Google Ads. Второй конвейер OWOX BI загружает эти сегменты в Яндекс.Аудитории.

Этап 3 . Специалисты нашего клиента установили правила в рекламных услугах, которые подняли тарифы на эти сегменты.

Это решение имеет несколько важных характеристик. Например, чтобы загрузить сегмент в Яндекс. Audience, он должен содержать не менее 1000 строк (чтобы использовать уникальный идентификатор клиента Яндекса).

OWOX BI по умолчанию не собирает идентификаторы клиентов Яндекса. Яндекс. Метрика должна быть установлена ​​на сайте для генерации Client ID, а чтобы они попадали в Google BigQuery, нужно настроить их передачу через OWOX BI.

Если вы пользователь OWOX BI и хотите собирать идентификаторы клиентов Яндекса в Google BigQuery, напишите нам. Мы поделимся инструкциями о том, как это сделать с помощью Диспетчера тегов Google. Если вы не являетесь пользователем OWOX BI, но заинтересованы в такой возможности, попробуйте OWOX BI бесплатно и посмотрите, как это может помочь в достижении ваших целей.

Наш клиент перенастроил аудиторию в своих кампаниях, которые уже работали на ретаргетинг, отсеял пользователей, которые не попали в нужные сегменты, и сфокусировал бюджет на пользователях в выбранных сегментах.

В итоге при тех же кампаниях и тех же вложениях ROI увеличился на 100% до 150% (кампаний было много, поэтому показатель усредненный). На самом деле затраты на это решение были минимальными, а эффективность вполне ощутимой. Эти кампании работают и по сей день. Мы не получили никаких отзывов от нашего клиента о том, что это увеличение было временным.

Когда мы начинаем работать с проектом, первая задача — рассчитать ROI на реальный заработок.

По умолчанию Google Analytics может видеть только продажи с сайта, но на самом деле это не отражает деньги, поступающие на счета компании.

Мы знаем, что некоторые онлайн-заказы не выполняются или изменяются при подтверждении заказа. Пользователи могут:

1. Просто не выполнить заказ
2. Изменить их заказ по телефону, тем самым изменив сумму заказа
3. Закажите доставку в физический магазин, но не забирайте покупку

В результате компания не получает сумму, отображаемую в Google Analytics. Поэтому считать выручку на основе данных в Google Analytics не совсем корректно. Оценивать эффективность интернет-рекламы необходимо с учетом реальных данных о продажах из вашей CRM.

Цель клиента : Увеличить рентабельность рекламных кампаний при фиксированном CRR без увеличения затрат.

Задача клиента : перераспределить рекламный бюджет на основе фактических продаж, произведенных рекламными источниками. Проще говоря, вам нужно переключить свой бюджет с каналов, которые не приносят достаточного ROI, на более эффективные.

Наша гипотеза : Если вы рассчитываете ROI на основе покупок (а в идеале даже на марже), вы можете скорректировать свою маркетинговую стратегию и инвестировать в те источники трафика, которые приносят больше дохода. Соответственно, повысится рентабельность рекламных кампаний.

Наш клиент уже собирал несемплированные данные в Google BigQuery с помощью OWOX BI. Но необходимо было дополнить эти данные данными о продажах из внутренней системы компании. Задача была реализована в пять этапов.

Этап 1 . Правильно настроить передачу данных о заказе с сайта в CRM-систему клиента. Идентификатор транзакции переноса и идентификатор клиента Google.

Идентификатор транзакции формируется при оформлении заказа на сайте и отправляется в Google Analytics и BigQuery вместе с соответствующим Идентификатором клиента. Важно передавать оба идентификатора в CRM параллельно, чтобы можно было связать пользователя с транзакцией и платежом.

Этап 2 . Настройте генерацию User ID на стороне CRM клиента и отправляйте User ID в Google BigQuery при оформлении заказа.

User ID генерируется системой CRM, когда в нее записывается информация о новом клиенте. Например, скажем, кто-то делает покупку в магазине, и кассир спрашивает его номер телефона и вводит его в CRM. Затем система присваивает этому пользователю уникальный идентификатор. В дальнейшем, когда пользователь авторизуется на сайте с помощью телефона, CRM их распознает.

В Google Analytics есть функция User-ID. Наши разработчики настроили его так, что когда клиенты авторизуют или размещают заказ на сайте нашего клиента, идентификатор пользователя отправляется на сайт в DataLayer. Оттуда он передается в Google Analytics и Google Big Query.

Благодаря этому вы можете связать действия авторизованных на сайте пользователей с подробной информацией о них. Например, ваша CRM может хранить имя человека, номер телефона и адрес электронной почты. С помощью промежуточного ключа User ID вы можете комбинировать данные сайта и CRM, а также платежные данные для конкретного заказа.

Этап 3 . Настройте выгрузку фактических данных о продажах из вашей CRM в Google BigQuery в той структуре, с которой вы хотите работать. Для этого мы сформировали техническое задание и передали его разработчикам клиента для реализации.

Этап 4 . Объедините все данные в BigQuery в одну таблицу. Наши аналитики написали SQL-запрос, который связывает информацию о онлайн-заказах с данными CRM о выполненных заказах и их суммах. Ключами для объединения этих данных были идентификатор транзакции, идентификатор пользователя и идентификатор клиента.

Этап 5 . Построить отчет в Google Data Studio, показывающий ROI по источникам трафика с учетом товаров, купленных в заказах. Мы рассчитали рентабельность инвестиций на основе предельных затрат.

Настройка корректной передачи данных с сайта в CRM, а также загрузка данных из CRM в Google BigQuery требует участия разработчиков со стороны бизнеса, что зачастую сильно затягивает процесс.

Мы предоставили нашему клиенту отчет об эффективности источника трафика на основе данных о фактических продажах.

Этот отчет используется топ-менеджерами для принятия стратегических решений, а также специалистами по контекстной рекламе для управления бюджетом на конкретные рекламные кампании.

Вот пример этого отчета:

Хотите узнать, насколько эффективны ваши объявления на основе реальных данных о продажах в вашей CRM? Попробуйте OWOX BI бесплатно и узнайте, как это может помочь в достижении ваших целей.

Третье решение, к которому приходят наши клиенты после создания базовых отчетов, описанных выше, — это ROPO-анализ (поиск онлайн, покупка офлайн). Он показывает влияние цифрового маркетинга на продажи в физических магазинах. Это особенно актуально для омниканальных проектов электронной коммерции.

Люди смотрят товары на сайте и проверяют их в магазине по разным причинам, от недоверия к покупкам в интернете до желания потрогать товар.

При планировании годового бюджета директор по маркетингу хочет получить больше денег для онлайн-каналов, поскольку понимает, что часть продаж, связанных с онлайн-рекламой, происходит в офлайне. Если директор по маркетингу сможет измерить этот эффект хотя бы частично, это будет хорошим аргументом для увеличения бюджета.

Цель клиента : Доказать необходимость увеличения бюджета на интернет-маркетинг и продемонстрировать скрытую ценность инвестиций в интернет-рекламу.

Задача клиента : Проанализировать эффективность онлайн-рекламы с учетом ее последующего влияния на офлайн-продажи.

Наша гипотеза : некоторые пользователи знакомятся с товаром на сайте, но покупают его в обычном магазине. То есть онлайн-кампании остаются недооцененными. Если мы отследим посещения сайта и дальнейшие покупки этих пользователей в физических магазинах, мы сможем измерить истинную ценность цифровой рекламы.

Чтобы связать активность пользователя на сайте с его последующими покупками в офлайн-магазинах, мы в основном сделали то же самое, что и для анализа ROI на основе выполненных заказов (подробности в предыдущем разделе):

1. Настройте User ID на стороне CRM и отправьте его в Google BigQuery.
2. Настройте идентификатор клиента, чтобы он правильно передавался в CRM и BigQuery.
3. Настройте передачу данных для полей Телефон пользователя и Электронная почта пользователя с сайта в BigQuery и CRM клиента при оформлении заказа.
4. Настроить выгрузку данных из CRM клиента в Google BigQuery. В отличие от предыдущего случая, эта загрузка содержит не только онлайн-заказы, но и заказы из розничных магазинов.
5. Напишите SQL-запрос, связывающий данные об активности на сайте с информацией из CRM. Ключами для привязки данных к офлайн-продажам являются идентификатор пользователя/телефон пользователя/электронная почта пользователя.
6. Создайте отчет в Google Data Studio, чтобы проанализировать эффект ROPO.

Схема объединения данных выглядит так:

Привязать онлайн-пользователей к офлайн-продажам можно только в том случае, если пользователь совершает покупку на сайте или авторизуется на сайте.

Как показывает практика, доля авторизованных пользователей составляет около 5% от всех посетителей сайта. Чем больше у вас авторизованных пользователей, тем более репрезентативными будут данные в ваших отчетах. Но даже при 5-10% можно сделать некоторые выводы, которые могут привести к серьезным изменениям в том, как вы управляете своим маркетинговым бюджетом.

Еще одна сложность — следить за качеством данных, когда вы уже настроили все интеграции. Убедитесь, что данные передаются правильно и идентификаторы совпадают, чтобы будущие изменения в CRM-системе не нарушили то, что вы настроили. Это вопрос того, насколько хороша ИТ-команда вашего клиента.

После измерения ROPO-эффекта окупаемость рекламных кампаний нашего клиента увеличилась на 50% до 150% . Стоит отметить, что в таких случаях ROI всегда показывает рост, потому что добавляется доход, который был сгенерирован онлайн-кампаниями, но получен офлайн.

Пример того, как может выглядеть отчет ROPO:

Этот отчет позволяет клиенту анализировать данные в следующих категориях:

• Доход только в Интернете
• Доход только от офлайн
• Доход ROPO
• Доход от источника/канала/кампании только в Интернете
• Доход от источника/канала/кампании, включая последующие офлайн-продажи
• Доход онлайн и ROPO по категориям продуктов и подкатегориям
• Доход онлайн и ROPO по городам
• Время от посещения сайта до ROPO покупки в днях
• Количество сессий на сайте до ROPO-покупки
• И многие другие

Хотите знать, как ваши усилия в Интернете влияют на офлайн-продажи? Попробуйте OWOX BI бесплатно и узнайте, как это может помочь в достижении ваших целей.

Это довольно сложная и нетипичная задача, хотя и интересная. SEO-оптимизация имеет отсроченный эффект, и зачастую сложно оценить эффективность проделанной работы, например, за последние полгода. Особенно, если это огромный сайт.

В целом мы знаем, сколько пользователей приходит через поиск Google, и можем даже исключить брендовый трафик. Но сколько пользователей приходит именно потому, что были оптимизированы категории и подкатегории или хорошо написаны тексты и заголовки?

Допустим, вы потратили 10 000 долларов на SEO в прошлом квартале. Какой доход вы получили за шесть месяцев от этих денег?

Задача клиента : Оценить эффективность SEO-инвестиций, принимая во внимание не только онлайн-заказы, но и фактические платежи.

Задача клиента : создать отчет, показывающий эффективность SEO по категориям продуктов. Этот отчет должен быть основан на фактических продажах.

Наша гипотеза : мы знаем, какие ключевые слова были прокачаны и на каких страницах. Мы знаем позицию по выпадению SEO по этим ключам. Мы знаем продажи с этих страниц, источником которых является поисковый трафик. Если мы свяжем эти данные, то получим продажи по тем ключевым словам, которые находятся в SEO выпадающем ТОПе. То есть мы можем измерить эффективность вложений в SEO.

Этап 1 . Загрузите всю необходимую информацию в Google BigQuery:

• Необработанные данные о поведении пользователей, собранные OWOX BI на сайте
• Данные Google Search Console и Яндекс. Метрики по основным ключевым словам, которые привели трафик на сайт, а также на целевые страницы. Почему мы использовали Search Console? Потому что в сервисе измерения позиций мы видим только гипотетический трафик, который мог прийти по этим ключевым словам.
• Данные сервиса измерения позиций сайта в органическом отсеве (например, Allpositions). Это позволяет нам определить, какие позиции были у ключевых слов. Если ключевые слова находятся, скажем, ниже пятого места по выпадению, мы можем исключить их из анализа.
• Актуальные данные о продажах из CRM-системы

Этап 2 . На основе URL-адресов создайте кластеры ключевых слов в разделе целевых страниц. Мы анализировали не один URL, а URL целых категорий товаров. Например, для мелкой бытовой техники мы можем смотреть блендеры, а затем блендеры Braun.

Этап 3 . Найдите ключевые слова, по которым на сайт пришел SEO-трафик, измерив позиции в выпадающих. Мы загрузили результаты в GBQ и отсортировали запросы ниже определенной позиции.

Этап 4 . С помощью SQL-запроса свяжите данные об активности пользователей на сайте с фактическими данными о продажах из CRM.

Этап 5 . Выделите сеансы, которые привели к транзакциям с источником SEO (используя модель атрибуции последнего непрямого клика).

Этап 6 . Выделите целевые страницы этих транзакций и свяжите их с ключевыми словами SEO, которые привлекли трафик на эти страницы.

Этап 7 . Создайте отчет, который показывает, как SEO-оптимизация определенных страниц влияет на фактический трафик и покупки на этих страницах.

Google Search Console позволяет загружать до 5000 строк данных. Соответственно, мы не можем проанализировать все запросы по ключевым словам, которые приводят трафик на сайт.

Например, мы можем посмотреть на эффективность ключевых слов в определенном кластере страниц. Допустим, было 100 ключевых слов, из которых 50 были в топе, и из этих 50 мы знаем, что 30 представляют трафик, попавший в разгрузку Search Console. Мы предполагаем, что был трафик и по другим запросам, только сервис нам эту информацию не предоставил.

Невозможно измерить со 100% точностью, какие ключевые слова привлекли трафик на проанализированные нами страницы. Поэтому в начале анализа мы приняли как данность, что наши результаты будут иметь определенную степень погрешности.

Мы предоставили нашему клиенту отчет, позволяющий проанализировать эффективность SEO-активностей за определенный период. Анализ эффективности был основан на реальных продажах, поэтому можно было посчитать ROI SEO-трафика.

Хотите построить отчет, показывающий эффективность SEO-трафика? Попробуйте OWOX BI бесплатно и узнайте, как он может помочь вам в достижении ваших целей.

В последнее время эта задача стала очень актуальной. Вероятно, половина всего интернет-трафика и большая часть продаж приходится на мобильные устройства. Многие наши клиенты используют мобильные приложения параллельно с онлайн- и офлайн-приложениями. Когда вы покупаете трафик с мобильных устройств, вы хотите понимать его эффективность.

Задача клиента : Оценить эффективность привлечения трафика из платных источников (Google Ads) для продвижения установок мобильного приложения и продаж внутри приложения.

Задача клиента : создать отчет, показывающий эффективность источников трафика с точки зрения ключевых конверсионных действий (установки, регистрации, транзакции, доход).

Наша гипотеза : связав необработанные данные из AppsFlyer (установки, действия пользователей, источники трафика, доход) с данными о затратах из Google Ads, мы можем создать отчет, который показывает рентабельность инвестиций рекламных кампаний с точки зрения соответствующих транзакционных действий.

1. С помощью OWOX BI загружайте необработанные данные о поведении пользователей в приложении из AppsFlyer в BigQuery, а информацию об источниках установки, последующих транзакциях и доходах от приложения — в GBQ.
2. Проверьте загрузку, чтобы убедиться, что все данные, необходимые для отчета, совпадают с данными из CRM (доход, количество конверсий).
3. Настройте загрузку расходов Google Реклама в GBQ, используя метод передачи данных.
4. Напишите SQL-запрос, который связывает данные из AppsFlyer и Data Transfer и выполняет необходимые вычисления.
5. Создайте отчет в Google Data Studio.

Мобильные приложения могут иметь отсроченный эффект. Например, кто-то может установить приложение, но зарегистрироваться в нем только через месяц. Наш клиент хотел проанализировать эффективность купленного трафика с течением времени. То есть, если X единиц приложения было куплено у канала Y в марте, сколько из этих единиц принесли конверсионные действия в апреле, мае, июне и т. д.? Чтобы ответить на этот вопрос, мы создали специальный отчет.

Также было непросто провести анализ по странам, городам и группам рекламных кампаний, чтобы наш клиент мог, например, увидеть эффективность кампаний, контролируемых определенным менеджером. Это было реализовано с помощью фильтров.

Мы сознательно не использовали данные CRM в отчете, потому что между фактическими продажами во внутренней системе и данными приложения было мало ошибок.

Наш клиент получил автоматически обновляемый отчет в Google Data Studio, который отвечает на следующие вопросы:

• Сколько настроек приложения принес источник трафика X в месяц Y?
• Сколько конверсий в приложении было в месяц установки и в последующие месяцы? (по источнику трафика)
• Какова эффективность групп кампаний по вышеперечисленным параметрам?
• Насколько эффективны рекламные кампании в разных странах?

Мы не можем поделиться отчетом о клиентах, который содержит конфиденциальные данные, но вот пример базового отчета (без ежемесячного смещения), который можно создать с помощью описанного решения:

Хотите узнать об эффективности трафика из мобильных приложений? Попробуйте OWOX BI бесплатно и посмотрите, как он может удовлетворить ваши потребности.

В отчетах Google Analytics по умолчанию используется модель атрибуции «Последний непрямой клик». Эта модель присваивает всю стоимость транзакции последнему косвенному источнику в цепочке перед заказом. Из-за этого недооцениваются другие источники, продвигавшие пользователя через воронку.

Вы можете использовать атрибуцию на основе воронки машинного обучения от OWOX BI, чтобы узнать реальную ценность каналов и эффективно распределить свой бюджет. Он учитывает все точки взаимодействия и все действия пользователя при прохождении по воронке от первого посещения до покупки.

Цель клиента: Увеличить ROI контролируемых платных источников трафика при фиксированном показателе CRR.

Задача клиента: создать отчет, показывающий недооцененные источники трафика и их эффективность в денежном выражении с учетом контактов каждого пользователя с сайтом.

Наша гипотеза: ROI можно увеличить без повышения CRR, если эффективно перераспределить рекламный бюджет. Для этого расчет ROI должен учитывать вклад всех кампаний и источников, которые продвигали пользователя через воронку, а не только те, которые закрывали сделки.

1. Собирайте необработанные данные о поведении пользователей на сайте и отправляйте их в Google BigQuery с помощью OWOX BI.
2. Настройте импорт данных о расходах из рекламных сервисов в Google Analytics и Google BigQuery.
3. Настройте идентификатор клиента, идентификатор пользователя и идентификатор транзакции, чтобы они правильно отправлялись в BigQuery и CRM.
4. Выгрузить актуальные данные о продажах из CRM в Google BigQuery в нужной структуре.
5. Свяжите данные о поведении пользователей с сайта с выполненными заказами на основе ключей Client ID, User ID и Transaction ID. SQL-запросы не требуются — все происходит внутри модели атрибуции OWOX BI. Мы просто загружаем данные в правильном формате и добавляем их в расчет модели.
6. Настройте модель атрибуции и запустите расчеты в OWOX BI. На этом этапе мы можем указать в качестве шагов воронки важные для конкретного бизнеса события, в том числе происходящие в офлайне (встречи, звонки, вебинары и т. д.). Воронка может варьироваться в зависимости от того, что бизнес хочет измерить и как он видит путь пользователя к покупке.
7. Проводите первичный анализ данных с помощью стандартных отчетов OWOX BI Smart Data, чтобы не тратить ресурсы на визуализацию данных в сторонних BI-системах. В Smart Data вы можете просматривать готовые отчеты, построенные по результатам расчетов модели атрибуции без SQL-запросов. Например, вы можете увидеть ROI рекламных кампаний и то, как он отличается от ROI, показанного атрибуцией последнего непрямого клика.

Для правильной передачи идентификатора клиента и идентификатора транзакции вместе с заказом в вашу CRM требуется команда разработчиков на стороне клиента. То же самое относится к настройке и передаче идентификатора пользователя.

Для корректной интерпретации результатов расчета атрибуции необходимо привлекать специалистов из команды заказчика. Все потому, что сложно правильно оценить поведение некоторых источников трафика, не зная контекста и логики, по которой настраивались рекламные кампании.

Наш заказчик получил готовые отчеты, которые можно использовать для:

• Сравните рентабельность инвестиций источников трафика с выполненными заказами для атрибуции по последнему непрямому клику и атрибуции на основе воронки машинного обучения.
• Анализировать эффективность источников трафика на разных этапах воронки
• Автоматически передавать результаты расчета модели атрибуции в Alytics, Google Ads и K50 для автоматизации управления ставками (OWOX BI интегрируется с этими сервисами).

Вот пример отчета OWOX BI Smart Data, который показывает, как отличается ROI рекламных кампаний в зависимости от модели атрибуции:

Например, на этом скриншоте мы видим, что ROI источника bing/organic на 20% выше, чем в Google Analytics. То есть источник на самом деле заработал больше денег, но был недооценен в Google Analytics, потому что находился в середине воронки.

Хотите оценить взаимное влияние ваших рекламных кампаний и их вклад в продажи? Попробуйте OWOX BI и узнайте, как он может помочь в достижении ваших целей.

Когда пользователь где-то видит рекламу, ни на что не нажимает, но через некоторое время переходит на сайт и выполняет определенное действие, это называется пост-конверсией. Их сложно отследить, так как нет прямой связи и перехода к объявлению.

Кроме того, крупные игроки, такие как Facebook, Google, YouTube и Яндекс, не очень заинтересованы в допуске третьих лиц в свои системы. То есть они не хотят выдавать данные о том, что конкретный пользователь видел ту или иную рекламу.

Задача клиента: Повысить эффективность вложений в медийную рекламу (баннеры и видео).

Задача клиента: отслеживать просмотры медиакреативов (без кликов) и последующие посещения сайта пользователями, увидевшими рекламу.

Наша гипотеза: мы можем разместить код отслеживания (пиксель) на сайтах, где клиент публикует свою медийную рекламу. Этот пиксель будет назначать уникальный файл cookie каждому пользователю, увидевшему рекламу. Через некоторое время этот пользователь может перейти на сайт клиента. Затем мы сможем прочитать назначенный нами файл cookie и использовать эти данные для построения аналитики после просмотра.

Перед командой OWOX BI стояла задача разработать метод отслеживания, который собирал бы данные о просмотрах рекламы, чтобы их можно было объединить с данными о поведении пользователей на сайте клиента. По сути, мы создали фрагмент кода, который можно разместить на сайтах, где показывается реклама.

Затем нам понадобился Google BigQuery для объединения данных о просмотре рекламы с данными о поведении пользователей с сайта нашего клиента, чтобы их можно было обрабатывать с помощью SQL.

Задача выполнялась в несколько этапов:

1. Сбор бизнес-требований от заказчика.
2. Исходя из этих бизнес-требований, подготовьте ЦА для внедрения пикселя на сайтах, где будет размещаться медийная реклама.
3. Протестируйте качество реализации ТА и качество данных, поступающих в Google BigQuery во время показов рекламы.
4. Запускайте кампании и следите за качеством передачи данных.
5. Свяжите данные, собранные в период кампании, с данными о поведении пользователей, а также с данными CRM.
6. Создайте отчет, который отвечает на бизнес-вопросы клиента.

• Не все сайты были заинтересованы в размещении нашего пикселя.
• В качестве ключа для сопоставления данных мы использовали собственный идентификатор пользователя OWOX.
• Мы постоянно следили за отслеживанием и корректной работой нашего скрипта на площадках, принадлежащих рекламодателю.
• Мы учитывали не только прямые продажи в конверсионном окне, но и влияние рекламы на привлечение новой аудитории (один из KPI клиента).

Наш клиент получил отчет, который ответил на следующие вопросы:

• Какова окупаемость кампаний с онлайн-заказами?
• Какова окупаемость кампаний для заказов, выполненных в течение 10 дней после просмотра рекламы?
• Какова окупаемость рекламы с учетом влияния ROPO?
• Какие сайты оказались наиболее эффективными с точки зрения ROI/CR/новых пользователей?
• Какой процент пользователей, увидевших рекламу, уже был на сайте?
• Сколько новых пользователей было привлечено на сайт в течение X/Y/Z дней после просмотра рекламы?
• Сколько новых пользователей купили после просмотра рекламы?
• Какие товары купили пользователи, увидевшие рекламу?
• Сколько бывших пользователей (которые не заходили на сайт или не покупали на сайте в течение X дней) были возвращены рекламой?

Пример отчета о конверсиях после просмотра:

Хотите такой же отчет? Попробуйте OWOX BI и узнайте, как вы можете использовать его для решения задач маркетинговой аналитики.

• Данные — это нефть 21 века.
• Работа с данными требует экспериментов и проверки гипотез.
• Нужно быть готовым, что не все эксперименты будут удачными.
• Одного желания вашего директора по маркетингу недостаточно; вам нужны процессы внутри компании, чтобы данные начали приносить деньги, и они должны быть нужны команде.
• Является ли преобразование данных в деньги алхимией 21 века? Мы так не думаем :)