Кейс сети химчисток «Диана»: как сократить вдвое затраты времени на веб-аналитику

Как крупнейшая в России сеть химчисток автоматизировала свою маркетинговую аналитику на базе Smart Analytics и наконец освободила себе время для выполнения задач из бэклога.

В этой статье мы расскажем об опыте внедрения кастомизированного решения по аналитике в сети химчисток «Диана» на базе платформы Smart Analytics. В результате «Диана» получила кратное сокращение затрат времени на аналитику, в первую очередь — аналитику омниканального маркетинга и контекстной рекламы.

«Диана» — это крупный розничный бизнес с собственным производством услуг, занимает лидерскую позицию в своей отрасли и имеет более 600 точек продаж и 3000+ сотрудников, оказывая своим клиентам полный спектр бытовых услуг по уходу за гардеробом, домашним текстилем и интерьером. Маркетинг «Дианы” использует множество каналов коммуникации с разными механиками. Руководству “Дианы» нужно было видеть и анализировать все онлайн-каналы в комплексе, учесть взаимное влияние маркетинговых активностей. И желательно так, чтобы не нужно было для этого нанимать аналитический отдел. И совсем замечательно, если все данные можно будет быстро получить в одном окне.

Задача оказалась очень похожа на типовую для платформы Smart Analytics. Наши клиенты это средний и крупный бизнес, который работает с огромным объемом данных. Самое интересное и сложное — такой бизнес оперирует абсолютно нестандартными срезами и метриками, поэтому внутри бизнеса зачастую существует (или должно существовать) глубоко кастомизированное аналитическое решение. По сути, своя система аналитики. Строить такую систему с нуля сложно и дорого, мало кто может себе это позволить. А Смарт — это уже готовая система, на базе которой можно быстро настроить решение почти любой сложности, т.к. в основание системы заложена философия аналитического конструктора. Вот как мы строили такую систему для «Дианы».

Запущено 100+ рекламных кампаний в Яндекс.Директ, Google Ads, а также кампании в Facebook и VK. В качестве основного аналитического инструмента использовался Google Analytics, полноценно настроенный с подключенным импортом рекламной статистики и данных со всех аккаунтов коллтрекинга.

Проблемы, с которыми столкнулась «Диана», используя Google Analytics в качестве основного аналитического решения:

• коннекторы, обеспечивающие импорт статистических данных из различных рекламных систем в Google Analytics, передают данные только в срезах источник/канал, кампания, ключ (объявление);
• сегменты Google Analytics не поддерживают данные о расходах и другой рекламной статистике (т.е. при анализе товарной группы + города или товарной группы + типа устройства для анализа доступны только метрики веб-аналитики, например, сеансы, глубина просмотра, конверсия; такие метрики, как CPL/CPA, ROAS, LTV, CAC — недоступны в сегментах Google аналитики);
• слабая визуализация данных существенно затрудняет аналитику больших рекламных аккаунтов;
• большая задержка поступления данных (до суток);
• нет готовых решений по объединению данных (в т.ч. и оффлайновых), которые не связаны с рекламной статистикой, коллтрекингами и электронной коммерцией.

В итоге, чтобы получить глубокую аналитику, приходилось выгружать данные из различных систем в csv/xls и сводить множество таблиц в Excel вручную. Все помнят эту картинку с атлантом Экселя, который держит земной шар мировой аналитики? Эти манипуляции, действительно, забирали огромное количество времени и перегружали отдел маркетинга. В отделе копился и разрастался бэклог из задач на развитие, которые очень хорошо бы сделать, но не доходят руки из-за перегруженности «текучкой», в т.ч. подготовкой отчётов. Автоматизация аналитики была неизбежна.

Итак, перед сетью химчисток «Диана» стояли следующие аналитические задачи:

• Обеспечить сегментацию данных по следующим срезам (при этом, сегментация должна работать в контексте сквозной аналитики, т.е. поддерживать метрики, связанные с оцифровкой бизнеса в деньгах: ROAS, CPL, CPO и т.д.).

1. по типам услуг (химчистка, стирка, аква, ремонт одежды, реставрация обуви, клининг и т.д.);
2. по ассортименту (ковры, домашний текстиль, кожа и замша, верхняя одежда, мех и т.д.);
3. по категориям и товарным группам (например, «стирка” включает подгруппы «рубашки» и “постельное бельё»);
4. по географии присутствия точек продаж.

• Автоматизировать сбор и объединение данных из разных источников, при этом обеспечив высокую гибкость аналитики (в т.ч. способность автоматически подстраиваться под изменение количества категорий/групп, точек продаж, рост количества источников данных и т.д.) и возможность анализировать по максимально возможному количеству срезов данных, доступному в кабинетах рекламных (и не только) аккаунтов.
• Создать набор автоматически обновляемых дашбордов для руководства и специалистов различного уровня.
• Подключить данные телефонии (аналитика корпоративных продаж, включая исходящие звонки) и данные системы мониторинга умомнинаний в СМИ и соцсетях.
• Кратно уменьшить задержку сбора и объединения данных, перейти на формирование аналитической отчетности в режиме реального времени.

Бизнесу требовалась своя собственная структура данных, а не только данные по источникам и РК. Причем эта структура данных не соответствовала структуре рекламных кампаний, ведь какие-то элементы данных входили сразу в несколько РК, а какие-то объединяли разрозненные кампании из различных источников, но с наложением дополнительного фильтра (например, условие по локации).

Что обычно делают, когда нужен высокий уровень кастомизации структуры данных? Давайте попробуем разобраться в решениях, применяемых на практике:

1. Подробить кампании на более мелкие. Работает это по принципу перемножения. Допустим, есть условие сегментации А и условие Б. В каждом по 3 значения, итого получим АхВ=3х3=9, т.е. количество кампаний при таком подходе возрастает в 9 раз. Однако, в случае сети химчисток «Диана” «коэффициент мультипликации” будет, как минимум, трехзначным. В таком случае мы получим буквально “100500» рекламных кампаний, данные внутри которых будут дублироваться, а существенная доля объявлений, вероятнее всего, попадет в статус “мало показов». Управлять таким аккаунтом будет крайне сложно.
2. Использовать стандартный функционал сегментов в Google Analytics. Проблема такого подхода в том, что максимальное количество сегментов в отчете — всего лишь 4, да и такие сегменты «порежут» только данные веб-статистики: сеансы, конверсии и т.д. Даже расход и CPL по сегменту — недоступны.
3. Использовать инструментарий электронной коммерции в Google Analytics или Яндекс.Метрике. Проблема такого подхода в том, что данные по системам коллтрекинга и CRM не будут сегментироваться по данным электронной коммерции. Кроме того, существует множество данных, которые нуждаются в объединении и структура которых совсем не ложится на логику структуры данных электронной коммерции.
4. Выгружать данные из всех рекламных систем, коллтрекинговых сервисов, Google Analytics и других систем (по API или прямыми выгрузками в файл). Далее «мэтчить» их в датасеты и подключать систему визуализации (на рынке несколько всем известных основных игроков, есть и условно-бесплатные решения). Основная проблема такого подхода:

• избавиться от «ручного труда» все равно не получится, а значит придется примириться с человеческим фактором, который будет давать о себе знать то в одном, то в другом отчете или дашборде;
• для обеспечения корректного функционирования такой своего рода самописной системы аналитики потребуется как минимум 1-2 дорогих специалиста; если учесть налоги и накладные расходы, то становится понятно, что эта «условно бесплатная система аналитики» обходится бизнесу весьма дорого;
• на практике часто оказывается, что время работы BI-специалиста в компании меньше, чем срок построения такого рода аналитики. А новый аналитик, приходя в компанию, первым делом говорит о том, что все, что было сделано до него — мягко говоря «не очень».

Кажется, что можно выбрать некую комбинацию из вариантов 3 и 4, но зачем?

Уникальность Smart Analytics состоит, прежде всего, в широких возможностях кастомизации. По сути, платформа выполняет роль аналитического фреймворка, работа с которым не требует каких-либо навыков работы с кодом.

Для создания кастомной структуры данных (множества срезов, которые можно комбинировать со стандартными или между собой, по которым доступны любые метрики) были использованы следующие решения.

1. Кастомные URL-параметры. Данный инструмент позволил создать новые параметры для сегментации данных по нужным критериям, исходя из параметров, прописанных в URL рекламных креативов. По этим данным также доступны все показатели (метрики), т.е. в работе такого рода параметры ведут себя полностью как другие стандартные параметры (источник/канал, кампания и т.д.). Кастомные URL-параметры позволили:

• маркетологам сети «Диана» самостоятельно создавать на базе платформы новые параметры без ограничений. Причём создание новых сущностей и метрик занимает несколько минут. В данном случае, платформа аналитики выступает как своего рода конструктор, с помощью которого можно проводить сквозную аналитику высокого уровня сложности.
• для добавления нового URL-параметра нужно сделать в интерфейсе несколько кликов, помощь программистов – не требуется.
• результат – любую статистику можно дробить по направлениям услуг, категориям и товарным группам. Становится понятно, например, насколько эффективна реклама глажки брюк для костюмов с доставкой по сравнению с продвижением стирки рубашек без доставки. И это только один пример из сотен комбинаций, которые можно получить в отчёте буквально за 2-3 клика, без ожидания и ручного труда.

2. Функционал сегментов и групп сегментов. Данный функционал решил еще одну задачу – обеспечил аналитику по филиалам и группам филиалов. В стандартных системах аналитики можно разделить статистику по странам или городам, но как разделить статистику на бизнес-юниты, если каждый из них обслуживает несколько городов?

На базе платформы были созданы региональные сегменты, по которым доступен весь объем статистики: как сугубо рекламной, так и финансовой. Настраиваются они прямо в интерфейсе, без единой строки кода. Выглядит настройка вот так:

Сегменты объединены в группу под названием «Регионы”. Теперь эта группа сегментов, может быть использована по аналогии с параметром. Например, можно в пару кликов разбить рекламную статистику на “Регионы» и определить, какой бизнес-юнит отбивает затраты на маркетинг, а какой работает не недостаточно эффективно. А после разбить нужный регион на источник, кампании, типы устройств и так далее.

3. Суперпредставления — возможность увидеть данные по всем сайтам в одном дашборде. Сеть химчисток «Диана» — крупный бизнес, и как это часто бывает у крупных бизнесов, dryclean.ru — не единственный веб-ресурс. Существует еще и ряд сайтов суббрендов. Все эти сайты объединены в одно представление, внутри которого можно создать любой набор кастомных дашбородов, отчетов и проводить кросс-проектную аналитику. Ниже представлен один из них.

Данные внутри каждого сайта можно дробить также как и в любом другом отчете и дашборде. Можно детально рассмотреть выбранный проект, а можно анализировать статистику в любом из срезов по всем проектам сразу.

4. Импорт данных из xls-файлов. Маркетологи сети «Диана” регулярно мониторят статистику отзывов на разных площадках в СМИ и социальных сетях: количество положительных, отрицательных, отвеченных и неотвеченных отзывов клиентов. Эти данные хранятся в системе брендовой аналитики Angry Analytics. В Smart Analytics есть целый набор коннекторов к таким системам брендовой аналитики как Медиалогия, Youscan, IQ’Buzz и SemanticForce. На момент подключения “Дианы» активный коннектора к Angry Analytics был в разработке, поэтому NPS и прочие данные брендовой аналитики загружались в Smart Analytics через загрузку xls/csv.

5. Интеграция с телефонией — мониторинг активности отдела продаж в realtime-режиме. Были подключены интеграции не только с системами коллтрекинга, но и с телефонией, поэтому все данные по работе операторов колл-центра теперь автоматически передаются в платформу и анализируются по ключевым KPI. Если бы нам дали подключить CRM, чтобы подтянуть данные о конвертации звонков в заказы -- было бы ещё круче.

В результате внедрения Smart Analytics бизнес сети «Диана» получил аналитику качественно нового уровня, а именно:

• В разы сокращено время на подготовку отчетов и дашбородов (на самом деле там, где подключен Smart Analytics, ровно на 100%, но пока платформа интегрирована не со всеми бизнес-системами сети «Диана»).
• Аналитика работает в режиме реального времени, что позволяет быстро принимать необходимые управленческие решения;
• Аналитика говорит на языке бизнеса, т.е. оперирует кастомными срезами и метриками, принятыми в «Диане»
• В одном окне собрана вся необходимая информация, даже если это не только данные маркетинга и не только по одному проекту.
• Внедрена платформа, являющаяся аналитическим фреймоворком, который может легко подстраиваться и масштабироваться под развитие бизнеса.

Какой вывод можно сделать из этого кейса? Крупному бизнесу, такому как сеть химчисток «Диана», зачастую недостаточно стандартных решений по сквозной аналитике. Времена меняются, и если раньше не было альтернативы разработке собственной системы аналитики на условно-бесплатном (или платном) стеке технологий с привлечение целой команды специалистов, то теперь можно просто подключить платформу с широким функционалом и встроенными возможностями кастомизации, где уже есть то, что необходимо для качественной и глубокой аналитики бизнеса.

Присоединяйтесь к нашему telegram-каналу Smart Analytics Rus — там мы делимся последними новостями из мира сквозной аналитики. Будет интересно всем: и маркетологам, и аналитикам, и владельцам бизнеса.