Анализируй это: как сквозная аналитика помогает продажам в недвижимости

Теперь мы знаем, откуда пришел клиент. Рассказываем, как качаем сквозную аналитику в девелопменте.

Привет! Сегодня мы расскажем, как внедряли сквозную аналитику в «Самолете», с какими проблемами столкнулись и что у нас получилось. Спойлер — получилось круто.

Очертить круг проблем и выстроить совершенно новую систему аналитики в «Самолете» пришли специалисты, до этого никак не связанные с девелопментом. С какими проблемами столкнулись:

Основная ошибка — анализ поведения клиента только на поздних этапах. Многие компании не придают значения ранним касаниям клиента с брендом — увидел рекламный щит на улице, посмотрел ролик по телевизору. Они начинают его историю только с момента «созревания», когда человек уже задумался о покупке и рассматривает варианты. Из-за этого получается искаженная картина и создается иллюзия короткой воронки продаж, которую клиент проходит за месяц или меньше.

Комплексно эту проблему в девелопменте никто не стремился решать, кто-то возмущался, что мы покушаемся на «стандарты индустрии». При этом у многих критиков система просто не сможет определить, когда тот же лид перепройдет в другом канале и получит за него же деньги. Или просто будут искусственно подкручивать эффективность отдельных методов привлечения трафика.

Но и это еще не всё. Даже если похожий на полноценную сквозную аналитику сетап и собран, у него может быть настолько сложная структура данных, что речь об изучении отдельных аспектов пути клиента даже не зайдет.

Полная Customer Journey Map включает больше этапов взаимодействия клиента с компанией, поэтому самая большая сложность — пройти весь путь клиента, найти все точки касания, проанализировать эти данные и свести всё вместе. Через какие точки касания прошел клиент? Дала ли эта точка ответы на его вопросы? Как всё прошло, какие остались впечатления?

Звучит просто, а сделать очень сложно по четырем причинам:

Первые три пункта на длинной воронке сами по себе способны озадачить опытных специалистов по анализу клиентских данных. Для того чтобы правильно решить эти проблемы, требуется нетривиальный и сложный стек технологий.

Но самое главное — для решения этих проблем нужны специалисты высокого уровня, с широким набором компетенций и опытом внедрения решений в разных бизнес-моделях.

Раньше у каждого проекта был свой сайт. Проанализировав все минусы и плюсы, решили объединить все проекты на одном сайте вместе с CRM-системой, ориентированной на клиента.

Одной из проблем при работе с данными было то, что мы не видели путь клиента в целом от посещения сайта до заключения сделки, не анализировали вариации клиентского пути. Чтобы найти все пути, пришлось собирать информацию… отовсюду.

У нас была система сквозной аналитики для целей performance-рекламы, которая могла атрибутировать рекламные кампании по модели last-non-direct-click на звонки. У нас были отчеты для маркетинга по количеству звонков, встреч и сделок в Excel, на выгрузку которых из CRM наш единственный веб-аналитик (!) ежедневно тратил полдня. А еще у нас была Яндекс.Метрика :-)

И была гора разных философских вопросов, но если уж мы решили строить огромную систему аналитики там, где этого еще никто не делал, то нужно идти в своем решении до конца.

Часто бывает так, что, получая доступ к высокотехнологичным маркетинговым инструментам, сотрудники компании ударяются в эксперименты и на выходе получается что-то ужасное, неработающее и дорогое. Но нам повезло: опыта с системами аналитики клиентских данных и системами сквозной аналитики хватило, чтобы построить рабочую систему, избежав проблем взросления.

Теперь перейдем к тому, что получилось.

Приоткроем завесу тайны и обрисуем примерно четверть реальной схемы вращения клиентских данных:

Новая схема, кроме унаследованной Microsoft Dynamics, состоит из двух параллельных систем сквозной аналитики, составляющих единую систему.

Первая — связка Google BigQuery и OWOX BI и несколько самописных решений. Вторая — это CDXP Exponea для создания единого пользовательского профиля клиента и использования этих данных в реальном времени. Мы не скромничаем: подобного комплексного решения в девелопменте пока не существует. Взяли самые современные штуки из других рынков с доказанной на практике эффективностью.

Забавно, что если посмотреть на тот же самый сетап в той половине, где OWOX, эта же самая схема может выглядеть совершенно иначе и куда интереснее:

Получение и связывание клиентских данных из CRM, расходов и данных атрибуций из OWOX BI и кол-трекинга вместе с очисткой данных позволило выстроить детальные воронки как по каждому проекту, так и по каждой когорте клиентов. Всё это легло в основу системы предиктивной performance-аналитики. Отдельным сложным куском работ является правильная визуализация этого объема данных, эту задачу мы решаем до сих пор.

Распределение всех клиентских данных по временным когортам позволило точнее прогнозировать конверсии по отдельным проектам на основе предыдущей и текущей рекламной активности. С историей взаимодействий с клиентами по идущим рекламным кампаниям на руках мы с большой точностью знаем «хвост» клиентов, которые дойдут до заключения договора, и можем усиливать рекламу по тем объектам, по которым прогнозируем недостаточное количество сделок.

Exponea, получая и объединяя данные по клиентскому взаимодействию, позволила узко сегментировать клиентов и автоматизировать клиентское взаимодействие для улучшения конверсии. Высокая чистота данных даже по малому числу клиентов гарантирует, что построенные автоматизации работают достаточно хорошо и цифрам можно доверять.

Учимся работать со всеми полученными и собранными данными. Начинаем применять данные мультиканальной мультивороночной атрибуции, данные по учету и контролю статусов клиентов. Начинаем по-новому осознавать воронку продаж. Становятся прозрачными специализированные «бутылочные горлышки», которых мы ранее не замечали. Теперь, когда мы их видим и можем автоматически зарегистрировать клиента в критической стадии, мы влияем на него автоматически — средствами CRM-маркетинга и средствами ретаргетинга.

На сегодняшний день мы реализовали полностью тот комплекс подходов и инструментов, который имеет право называться сквозной аналитикой. Мы связали не отдельные кусочки воронки, а весь путь клиента с его вариативностью и многочисленными ROPO-переходами. Например, мы можем понимать, что человек, который сходил на встречу в офис продаж, несмотря на то, что он нам не звонит и не берет трубку от менеджера, всё еще активен в воронке, потому что в регулярном режиме продолжает смотреть на сайте доступность и цену интересующей его квартиры.

Профиль клиента, ранее содержавший в среднем 6 событий, теперь содержит 72 события.

Наша текущая аналитика отслеживает около 170 типов событий. Покрыты все нюансы пользования сайтом: скроллы, табы, отображения значимых областей в экране, даже иногда хаверы — эффекты, которые появляются, когда на них только наводишь мышкой. Также в едином профиле собирается порядка двадцати типизированных событий по персонализации веба, работе сценариев автоматических коммуникаций и реакций клиента на них. Естественно, все события нашей MS Dynamics. Если честно, это — самое больное место, которое мы отлаживаем до сих пор.

Несколько месяцев назад в отладочном режиме заработала система контроля жизненного цикла клиента — наша гордость и повод для отдельных статей. Если очень упрощенно, то это что-то вроде RFM-контроля, только на единой покупке и с событийностью перемещения по сегментам.

В нашей базе хранится несколько сотен миллионов событий, и это — не сырые, а профильные, глубоко структурированные данные. Чтобы их структурировать и правильно «склеивать», работает система из семи типов идентификаторов. Например, у среднего клиента, дошедшего до конца воронки, присутствует 3,5 cookie и около 15–20 cookie колтрекинга. И нередка ситуация, когда в карточке два и более мобильных номера.

Внедрение описанного комплекса систем позволило получить на 12,5% больше клиентов при тех же маркетинговых затратах.

Впереди у нас самый сложный этап трансформации — в головах людей. Мы только начали применять инновационные, нехарактерные технологии для недвижимости и уже сталкиваемся с тем, что некоторые понятия нужно внедрять и обосновывать на протяжении нескольких месяцев. Особенно сложно будет объяснить новые метрики для людей, которые уже давно работают в девелопменте и к такому не привыкли.

Кроме того, есть некоторые новые вещи, которые могут кратно увеличить сложность даже самых простых отчетов. Например, можно собрать аналитику «котлов спроса» и построить предиктив по «перетеканию» клиентов из проектных рекламных кампаний в поздние лид-стадии, но уже других, смежных проектов котла.

Когортные конверсии, учет реактивации лидов, методология A/B тестирования — всё это довольно новые вещи для людей, погруженных в ежедневную рутину девелопмента, которая состоит из звонков, встреч и сделок.

Но благодаря поддержке руководства компании, которое понимает необходимость подобных качественных трансформаций, мы можем планомерно двигаться по дороге настоящей цифровой революции в девелопменте.

После первого применения собранных и систематизированных нами данных мы вручную начнем совершать первые подходы с точки зрения создания «умных» предиктивных моделей на основе машинного обучения. Эти модели дадут дополнительное количество идей по потенциальным точкам роста в нашей воронке.

И конечно, мы планируем погружать в клиентскую аналитику всех коллег — чтобы повышать осознанность их действий и совершенствовать их взаимодействие со смежными подразделениями.

«А где подробные цифры?» — спросите вы и будете правы. Система контроля жизненного цикла клиента, механики ROPO-связывания и идентификации в различных точках касания и системах, сетап визуализации данных, практический опыт использования системы продакт-менеджерами и много других моментов не вошли в эту статью.

Дело в том, что не существует универсального рецепта построения системы сквозной клиентоцентричной аналитики, тем более для девелопмента. И коробочного решения, закрывающего 100% ваших потребностей, тоже нет. Но в нашем случае точно так же можно было бы взять несколько другие компоненты и сделать на них также достаточно мощную систему.

Почему же мы выбрали эти компоненты? Как именно они используются? А зачем нам это? А зачем то? Даже не так.

От чего мы отталкивались, когда проектировали архитектуру? Какие задачи перед собой ставили и какие решения видели? Вот это же самые интересные вопросы. О которых, увы, мы ничего не рассказали.

Мы с коллегами хотели бы написать цикл статей по работе с клиентскими данными в недвижимости. И если вы, читатели, сочтете это полезным и интересным — напишите нам об этом. Вместо описания конкретных ноу-хау местами мы опишем какие-то логические цепочки, по которым вы также сможете правильно идентифицировать свои проблемы, решения и, возможно, прийти к своим изобретениям и толкнуть развитие рынка, а может, и смежных областей еще дальше. Поэтому, пожалуйста, не стесняйтесь комментировать и спрашивайте всё, что интересно.