Кейс компании «Адамас»: как зарабатывать больше, не увеличивая рекламный бюджет

Материал написан на основе выступления менеджера по электронной коммерции компании «Адамас» Станислава Ильина на конференции «День сквозной аналитики».

20 марта 2018 года система сквозной аналитики Alytics провела в Москве «День сквозной аналитики». Посмотреть видеозаписи выступлений спикеров можно на сайте конференции.

У «Адамаса» хорошая платёжеспособная целевая аудитория: в основном это женщины 25-35 лет со средним и выше среднего доходом. При этом спецификой именно ювелирной отрасли является то, что решение о покупке может приниматься несколько недель. Люди используют корзину как вишлист, периодически заходя в неё, чтобы проверить цены, и только по прошествии некоторого периода совершают покупку. Повторный цикл покупки ещё больше — от полугода.

За последние два года интернет-магазин «Адамаса» вырос в несколько раз. Сайт обслуживает более миллиона посетителей ежемесячно, имеется свой колл-центр, курьерская служба, своя разработка и аналитика и даже собственная фотостудия. За два последних года рост ежегодной прибыли составил более ста процентов.

В компании выстроена эффективная прозрачная модель performance-аналитики, которая затрагивает все этапы: от оформления заказа до получения оплаты. Компания на 90% использует performance-маркетинг, при этом маркетинговый бюджет довольно скромен.

Из этой статьи вы узнаете, как, используя простые модели атрибуции трафика, построить эффективную и прозрачную модель performance-аналитики от оформления заказа до получения оплаты и находить точки оптимизации бюджета.

В компании «Адамас» пользуются моделью Last Click. «Мне часто говорят, что эта модель устарела, что у неё много минусов, — объясняет Станислав Ильин. — Когда я готовился к конференции, я взял все конверсии за март 2018 года и разложил по источникам, а затем посмотрел данные по Last Click, по Time Decay и по другим моделям. Оказалось, что те девять источников, которые дают основной валовый доход, местами не поменялись».

Применяя различные модели атрибуции можно лишь чуть более точно настроить вашу маркетинговую модель, но кардинальных изменений вы не получите.

Но если у вашей компании огромные восьмизначные бюджеты — имеет смысл писать собственную модель атрибуции, потому что даже незначительные изменения в долях существенно увеличат вашу прибыль.

В случае «Адамаса» таких показателей шесть:

В целом это базовая модель, которая корректируется в зависимости от типа канала и показателей. Но абсолютно для любого канала нужно определиться с KPI до начала размещения. Нужно определиться, за что именно вы готовы платить деньги.

Рассмотрим классическую схему распределения каналов, где фундамент трафика — это органический и type-in-трафик. Это та база, на которой вы зарабатываете деньги, ваше ядро аудитории: люди, которые постоянно приходят на сайт, находят его в поиске или вбивают адрес в адресную строку. В среднем для здорового бизнеса этот фундамент составляет около 40%.

Если эта доля значительно ниже, значит, что-то не так с трафиком или с сайтом. Встречается довольно распространённая ошибка: многие, не добирая эту долю, начинают вкладывать деньги в покупку трафика, тем самым снижая эффективность бюджета.

Следующий блок трафика — платный поиск, контекст и ретаргетинг. Это работа с аудиторией, у которой уже сформировался спрос. Клиент знает, что хочет, конкуренты тоже знают, что он это хочет — и вы на рынке за него бьётесь.

Рассмотрим простой кейс, основанный на реальных событиях, но с абстрактными данными. Допустим, бюджет по платному поиску составил 1 млн рублей. Был неплохой процент отказов (15%), но совершенно космические показатели ДРР:

Очевидно, что надо оптимизировать процессы и разобраться, что и где пошло не так. Для этого нужно проанализировать источники трафика. Любой контекстный поиск состоит из двух основных каналов (почти у всех это «Яндекс.Директ» и Google AdWords) и разных экзотических каналов вроде «Avito Контекст» по работе со сформированным спросом.

Для каждого канала нужно определить набор KPI-показателей: в нашем кейсе это показатель отказов и группа ДРР. Допустим, плохие показатели у Google AdWords, — его и будем дальше анализировать.

В нашем кейсе Google AdWords состоит из нескольких кампаний:

Для каждой кампании надо определить всё тот же набор показателей. И если в целом показатель отказов неплохой, то после анализа кампаний наглядно видно, что именно по серьгам он очень высокий.

Есть две ключевые причины высокого показателя отказов: либо вы не то показываете в объявлениях (не тот баннер, не тот текст), либо приводите человека не на ту страницу. Если клиент ожидал увидеть совсем другое — он уходит. Оптимизировать это легко.

Снизив вдвое показатели отказов, вы примерно на 25% увеличите свою прибыль при том же бюджете.

С показателями отказов разобрались, на очереди показатели ДРР, с которыми немного сложнее. Разложив данные по кампаниям, мы видим, что по категории «Кольца» показатели ДРР плохие.

Кольца показываются в разных регионах: Москве, Санкт-Петербурге, Екатеринбурге и других городах. В каждом регионе своя покупательская способность, структура расходов, конкурентная среда, модели потребления и так далее.

Чтобы разобраться в причинах данной ситуации, нам нужно разложить каждую кампанию по региональному признаку и посмотреть, что идёт не так.

Везде, кроме Санкт-Петербурга, показатели хорошие.

Можно просто отключить Санкт-Петербург и игнорировать этот регион, а деньги перераспределить по другим городам. Но наша задача — добиться максимальной эффективности для каждого региона. Даже если по Петербургу будет один заказ в месяц — надо его обработать, но с приемлемыми показателями.

Как оптимизировать эти показатели? Для этого нужно узнать свою аудиторию. Вы можете проанализировать данные по полу, возрасту, устройствам пользователей, с которых они предпочитают заходить к вам, дни визита (в будние, выходные и предпраздничные дни поведение пользователей, как правило, отличается).

Также характерны отличия в поведении в зависимости от времени суток и прочих факторов. Утро, день, вечер, мороз, жара, дождь, солнце — всё это (и многое другое) влияет на поведение вашей аудитории.

Ваша задача — построить матрицу эффективности для каждой комбинации. Допустим, женщины в возрасте 24-35 лет, которые заходили на сайт с мобильных устройств дождливым вечером в будни — это ядро нашей аудитории, и мы должны обязательно ориентироваться на них. А вот с мужчинами 18-24 лет, сидящими утром за стационарным компьютером, всё намного сложнее.

Построив пересечение всех этих характеристик, вы получите тепловую карту эффективности вашей аудитории. Ваша задача — отсечь всё ненужное и предлагать рекламу только тому сегменту аудитории, которому это интересно и который готов у вас покупать.

Любая теория хороша только тогда, когда она подкреплена практикой.

Если сравнивать 2016 и 2017 финансовые годы, то видно, что компания «Адамас» добилась значительных результатов. Средний чек вырос на 25%, показатель отмен упал больше чем на треть. Коэффициент транзакций вырос почти в два раза — именно потому, что мы перестали показывать рекламу (и приводить к нам на сайт) людей, которым это не интересно и не нужно.

Валовая прибыль возросла почти в 2,5 раза при значительном росте выкупаемости заказов. При этом значительного роста бюджета на контекстную рекламу у компании не было.

Думаете, для такой аналитики нужен целый штат? А вот и нет. Это может сделать каждый.

#кейсы