Как измерить эффективность рекламы и повысить рентабельность инвестиций за счет консолидации данных

Поскольку чем больше компаний переходят к онлайн-операциям и погружаются в новый цифровой мир, тем больше данных приходится обрабатывать маркетологам. Бизнес-пользователи постоянно нуждаются в высококачественной аналитике данных для успешной работы, и одной из основных задач становится внедрение новых форматов и структур аналитики.

В данном случае мы описываем решение, предоставленное командой OWOX BI для ведущей страховой компании, у которой возникли проблемы с оценкой влияния рекламы на покупки.

Поскольку компания продает страховку через Интернет, по телефону и в автономном режиме, клиенты могут искать продукты по одному каналу и покупать их по другому. Например, клиент может зайти на сайт компании, рассчитать покрытие, заполнить онлайн-заявку, а затем посетить физический офис для совершения покупки. В таких случаях сложно оценить влияние рекламы на покупки.

Основная задача заключалась в том, чтобы оптимизировать расходы на рекламу и получить более высокую отдачу от рекламы за счет внедрения функциональной системы оценки эффективности рекламы. Компании требовался способ консолидации данных о затратах, доходах и взаимодействиях пользователей как онлайн, так и офлайн.

Данные о взаимодействии пользователей с сайтом, затратах на рекламу и офлайн-заказах собираются в разных системах:

• Данные с веб-сайта собираются в Google Analytics;
• Данные о страховых полисах, приобретенных офлайн, хранятся в CRM-системе компании;
• Данные о расходах, не связанных с AdWords, обычно не собираются в Google Analytics. В результате ROAS, ROI и доля затрат на рекламу для каждого рекламного сервиса рассчитываются отдельно.

Все эти данные следует объединить, чтобы точно оценить вклад рекламы в страховые покупки.

Все необходимые данные были собраны в Google BigQuery с помощью OWOX BI Pipeline и реализованы модели атрибуции на основе воронки, Last Non-Direct Click и First Click. Затем были созданы отчеты для сравнения данных об эффективности кампании, полученных с помощью каждой модели атрибуции.

Блок-схема сбора и консолидации данных представлена ​​ниже:

Рассмотрим подробнее каждый шаг компании по оценке рекламных кампаний: какие данные они объединяли, каким образом и каких результатов достигли.

Компания выбрала облачное хранилище Google BigQuery для объединения данных о действиях клиентов на месте с данными о офлайн-покупках страховок. Сервис был выбран за его возможности обработки данных: терабайты данных можно обработать за секунды, петабайты данных — за пару минут. Это делает Google BigQuery идеальным сервисом для выполнения сложных задач анализа и составления отчетов. Еще одним преимуществом использования Google BigQuery является высокая безопасность, поскольку данные автоматически шифруются. Подробнее о преимуществах использования Google BigQuery можно узнать на сайте сервиса.

OWOX BI Pipeline был выбран для сбора данных по следующим причинам:

• Данные собираются практически в реальном времени и становятся доступными в течение 5 минут.
• Количество параметров и показателей в отчетах не ограничено. OWOX BI Pipeline позволяет создавать отчеты любой степени детализации, используя SQL-подобный синтаксис для запроса необработанных данных. Только в Google Analytics есть определенные параметры и показатели, которые нельзя объединить в одном отчете. Существует ограничение на количество параметров и показателей в отчете: 2 параметра в стандартном отчете, 5 параметров в пользовательском отчете и 7 параметров в запросе Core v3. Кроме того, невозможно проанализировать затраты на рекламу для каждого отдельного пользователя. Дополнительные сведения об ограничениях и квотах см. в Руководстве разработчика Google.
• Данные, импортируемые в Google BigQuery, являются несемплированными независимо от их объема.

Подробнее о различиях между Google BigQuery Export для Google Analytics 360 и OWOX BI Pipeline можно прочитать в нашем блоге.

Данные о покупках страховок выгружаются из CRM-системы в Google BigQuery с помощью POST-запросов.

• Данные о затратах на кампании AdWords автоматически собираются в Google Analytics благодаря встроенной интеграции между Google Analytics и Google AdWords.
• Данные о расходах для других маркетинговых каналов импортируются в Google Analytics с помощью OWOX BI Pipeline.
• Данные по всем каналам импортируются в Google BigQuery из Google Analytics. Это позволяет рассчитать ROAS, ROI и долю затрат на рекламу применительно к покупкам, а не только к онлайн-приложениям.

После консолидации данных в Google BigQuery маркетинговая команда создала несколько моделей атрибуции, чтобы измерить, насколько эффективна реклама для привлечения новых клиентов (модель атрибуции «Первый клик») и для стимулирования покупок (модель атрибуции «Последний непрямой клик»).

Атрибуция на основе воронки от OWOX BI была выбрана третьей, наиболее объективной моделью атрибуции. В этой модели каждый канал получает кредит в зависимости от его вклада в продвижение клиента по воронке продаж. Сессии оцениваются на основе вероятности перехода клиента на каждый следующий шаг в воронке. Чем выше вероятность, тем меньше внимания уделяется сеансу, который помог пользователю пройти через шаг. Чем ниже вероятность, тем больше доверия получает сессия. Результаты расчетов в рамках воронкообразной модели атрибуции доступны в Google BigQuery и интерфейсе OWOX BI. В отчете показан коэффициент конверсии (абсолютная конверсия), вероятность и ценность каждого шага пользователя на пути к покупке. Взгляните на пример ниже:

• Коэффициент конверсии шага — это процент сеансов, в которых был просмотрен данный шаг. Например, коэффициент конверсии 34% на шаге 2 означает, что 34% от общего числа посетителей сайта перешли на этот шаг.
• Вероятность — это процент сеансов, в которых посетители перешли на данный шаг с предыдущего. В этом примере вероятность шага 4 составляет 10 %, что означает, что 10 % посетителей перешли к шагу 4 с шага 3.
• Значение рассчитывается следующим образом. Во-первых, каждый шаг получает оценку, обратно пропорциональную вероятности. Затем оценка шага делится на общую сумму баллов внутри воронки. Чем сложнее пользователям пройти определенный шаг воронки, тем большую ценность он получает.

Для оптимизации работы со всеми полученными данными использовался OWOX BI Smart Data. Инструмент позволяет задавать вопросы к данным на естественном английском языке, нет необходимости в SQL-запросах. Шаблоны вопросов позволяют получить ответы за считанные секунды.

Выполнив описанные выше шаги, компания получила дашборд, который показывает как реальную ценность каждого канала, так и то, как эта ценность распределяется между шагами воронки на разных типах устройств.

На графике ниже показано, что один и тот же шаг воронки может иметь разные значения на разных устройствах. Самый ценный шаг на планшетах — это первое посещение веб-сайта. Навигация по Шагу 2 и Шагу 3 является ключевой для мобильных устройств. Что касается сессий на стационарных компьютерах и кросс-девайсных сессий, то значение распределяется более равномерно.

Что это означает? Например, пользователи планшетов с меньшей вероятностью сделают первый шаг, то есть посетят веб-сайт. Это означает, что реклама, ориентированная на планшетные устройства, должна быть направлена ​​на привлечение новых посетителей сайта.

Значения каналов в моделях «Первый клик» и «Последний непрямой клик» были рассчитаны для выявления недооцененных и переоцененных каналов, более эффективного перераспределения рекламного бюджета и сопоставлены с результатами, полученными в модели атрибуции на основе воронки.

Ни модели атрибуции «Первый клик», ни «Последний непрямой клик» не могут дать точного представления об эффективности кампании, поскольку Google Analytics не содержит данных о страховых полисах, приобретенных в автономном режиме. Пользователь может пройти только половину онлайн-воронки, а затем получить доступ к продукту и приобрести его в автономном режиме. Вот почему модели были реализованы и визуализированы с помощью Google BigQuery и Google Data Studio соответственно.

Создав панель инструментов в Google Data Studio, компания может легко отслеживать и сравнивать эффективность кампаний для двух самых популярных моделей атрибуции: «Первый клик», в которой усилия сосредоточены на привлечении, и «Последний непрямой клик», в которой усилия направляются. покупать. Ежемесячные KPI представлены в удобном для чтения формате.

Например, на странице отчета, показанной ниже, сравнивается распределение дохода и рентабельности инвестиций по разным каналам. Сравнивая эффективность канала в двух разных моделях атрибуции, можно увидеть, что показатели ROAS и доли выручки канала практически идентичны в двух моделях. Это означает, что эти каналы практически одинаково подходят как для привлечения пользователей, так и для подталкивания их к заключению сделки.

• После полной автоматизации сбора и обработки данных, благодаря использованию продуктов OWOX BI и Google, команде компании не нужно импортировать данные вручную. Все данные доступны в одном интерфейсе, и специалисты по маркетингу могут быстро получить доступ к любым нужным им данным.
• Модель атрибуции на основе воронки позволила более объективно и надежно оценить маркетинговые каналы.
• Команда подсчитала, какие кредитные каналы получат рекламные каналы в моделях атрибуции «Первый клик/Последний клик». При сравнении результатов с воронкообразной моделью атрибуции были выявлены недооцененные и переоцененные каналы, а также более эффективно перераспределен рекламный бюджет.

На графике выше сравниваются значения каналов, полученные в разных моделях атрибуции. Вклад 5-го канала значительно недооценен в модели атрибуции Last Non-Direct. Согласно модели атрибуции на основе воронки, она имеет на 100 % более высокий ROAS и значительно влияет на итоговую конверсию. Остальные каналы в основном переоценены. На основании этих выводов компания может перераспределить рекламный бюджет с переоцененных рекламных кампаний на недооцененные, тем самым сделав рекламу более эффективной без дополнительных затрат.