Кейс: Как плохая аналитика мешает удвоению продаж

Привет! На связи Андрей Дёмин, руководитель направления контекстной рекламы NIMB Digital. Сегодня я бы хотел поговорить о возможных ошибках, которые случаются при отслеживании трафика, а также напомнить о том, насколько важно располагать корректными данными об эффективности кампаний.

Так вышло, что в контекстной рекламе варюсь уже седьмой год и, возможно, как и многие эксперты моего уровня, стал регулярно ловить себя на мысли, что за прошедшее время рынок рекламы, казалось бы, поумнел; что в век разговоров о сквозной аналитике, машинном обучении, омниканальности и прочих высоких материях специалисты по рекламе перестали допускать элементарные ошибки в базовых вещах. А потом приходит на аудит сторонний проект, где конь не валялся, и спускает с небес сквозной аналитики на землю, заставляя задаваться вопросом «ну как так можно факапить-то в 2018 / 2019 / 2020 (подставьте нужное значение) году?!».

Я часто был свидетелем очень странных, неординарных и порой абсурдных решений в вопросах, связанных с отслеживанием трафика. Например, мне доводилось сталкиваться с рекламодателями, которые, не разобравшись в принципах работы utm-меток начинали городить свой огород:

  • кто-то в параметре «источник» указывал информацию не столько об источнике трафика, сколько об отдельных местах размещения внутри источника (в частности, вместо информации о том, что трафик идет с Яндекс.Директ, передавались данные о каждой площадке рекламной сети Яндекса по отдельности, превращая отчет по источникам в нескончаемое полотно из доменов этой сети, каждый со своей статистикой)

  • кто-то в параметре «кампания» указывал одно и то же значение для всех своих рекламных кампаний, при этом настоящая статистика по кампаниям по каким-то нелепым соображениям указывалась в другом, непредназначеном для этого параметре, что создавало путаницу и головную боль для любого специалиста, разбирающегося в теме

  • кто-то и вовсе выдумывал и применял какие-то свои несуществующие и нестандартные метки, которые ни одна известная платформа аналитики не в состоянии распознать без предварительных настроек (которых, разумеется, ни в одном подобном случае не было)

И это только верхушка айсберга. Я бы хотел поделиться всеми накопленными историями по этой теме, но сегодня остановимся только на одной из них. Данная история собрала, пожалуй, все базовые ошибки и поэтому послужит подробным хрестоматийным примером того, как избежать подобных ошибок. В конце также подведем краткий итог и я дам пару полезных рекомендаций, как можно проверить, в порядке ли ваша текущая аналитика.

Собственно, история

В начале июня 2019 года к нам обратился клиент (интернет-магазин светильников с ассортиментом более 50000 товарных позиций) с просьбой помочь разобраться, как можно повысить эффективность текущих рекламных кампаний и увеличить выручку. На момент обращения доля рекламного трафика на сайт превышала 50% от всех визитов, при этом у клиента не было понимания, какие источники и кампании приводили клиентов, а какие только сливали бюджет. Было решено в первую очередь провести анализ контекстной рекламы, которая лидировала и по объему трафика, и по объему расходов.

Аудит контекстной рекламы. Ключевые ошибки.

Как и ожидалось, в ходе первичного аудита ошибки действительно были обнаружены. Но нас в первую очередь сейчас интересуют те, из-за которых у клиента как раз и не было понимания эффективности рекламных источников:

1) В объявлениях рекламного источника Google Ads отсутствовала часть utm-меток, необходимых для полноценной аналитики эффективности кампаний. В частности, в системы аналитики не передавалась информация о кампаниях; были данные только по источнику в целом. Из-за этого клиент не мог детализировать данные по гуглу, ему приходилось оперировать только общими, суммарными данными.

Кейс: Как плохая аналитика мешает удвоению продаж

К слову, то же самое касалось и Яндекс.Маркета.

На сегодняшний день в контекстной рекламе используется 3 способа передачи данных в системы аналитики:

Авторазметка. Ее можно опознать, когда при переходе на сайт по объявлению контекстной рекламы вы видите в адресной строке метку yclid, если переходили с объявлений Яндекс.Директ, или gclid, если переходили с объявлений Google Ads.

Кейс: Как плохая аналитика мешает удвоению продаж

Авторазметку обычно используют для передачи дополнительных данных (например о расходах) в родственную рекламной площадке платформу аналитики — для Яндекс.Директа это Яндекс.Метрика, для Google Ads это Google Analytics. При этом платформа аналитики одной компании не способна считывать авторазметку другой компании (т.е. трафик с Яндекс.Директа, в котором используется только авторазметка, не будет корректно отображаться в Google Analytics, и наоборот), что сводит на нет возможность лицезреть результаты обоих источников в рамках отчета в одном окне. Но на этот случай есть utm-метки.

Стандартные utm-метки или, как еще говорят, параметры utm, в отличие от авторазметки рекламщики прописывают сами, своими руками. Таких меток всего 5:

  • utm_source — отвечает за источник. Например, это могут быть yandex, google, vk, fb, mytarget, tiktok. Также в системах аналитики можно увидеть direct для прямых заходов, когда пользователь сразу вбивает домен в адресной строке — прописывать это значение в данной метке нигде не нужно, оно само будет передано в систему аналитики в подходящем для этого случае. Здесь важно отметить, что иногда встречается написание yandex.direct, которое не стоит путать с direct — это разные источники, просто у Яндекса название инструмента созвучно с прямыми заходами)
  • utm_medium — отвечает за канал. Наиболее распространеные параметры, которые можно увидеть в системах аналитики: cpc — для платного трафика, organic — для органического/сеошного трафика с поисковой выдачи, referral — для реферального, хотя иногда под эту категорию попадает и органический, none — для прямых заходов. Последний в метках обычно не указывается, и данные по нему собираются автоматически, если система аналитики не может соотнести этот трафик с каким-либо иным каналом.
  • utm_campaign — отвечает за название кампании (тут каких-то конкретных стандартов нет, каждый называет кампании по-своему).
  • utm_term — отвечает за ключевые фразы. Важно отметить, что в этот параметр обычно попадают именно данные по ключевой фразе, которая совпала с поисковым запросом пользователя, а не сам поисковый запрос, как многие думают. В случае, если для показов объявлений вместо ключевых фраз используются другие критерии таргетинга (например, аудитории ремаркетинга), их можно указать здесь вместо ключевиков, но нужно помнить, что статистику по таким критериям всё равно придется смотреть в отчете по ключевым фразам, т.к. данные этой метки, чем бы они ни были, будут отправляться в соответствующий отчет.
  • utm_content — отвечает за содержание объявления, и тут, как и в случае с кампаниями, каких-то общепринятых стандартов нет; кто-то зашивает в эти метки длинный хвост из всех остальных данных, которые не были указаны в четырех предыдущих метках, кто-то использует метки для отслеживания результатов а/б теста, а кто-то и вовсе не использует данную метку за ненадобностью

В примере с интернет-магазином светильников в наличии были только первые 2 метки, из-за чего все остальные данные были безвозвратно утеряны (к сожалению, даже если к ссылкам в объявлениях добавить метки потом, то задним числом отсутствующие данные не появятся — особенность, которую следует учитывать)

Подчеркну еще раз, стандартных utm-меток всего 5, и как я уже говорил в начале, иногда встречаются удивительные личности, которые придумывают на пустом месте свои метки, например, utm_keyword, utm_ads, utm_banner и т.д., наивно полагая, что системы аналитики "схавают и так". Вы спросите, а чем такие метки хуже? А тем, что стандартные 5 меток распознаются всеми известными и неизвестными платформами аналитики по умолчанию, потому что это устоявшийся в рекламе стандарт, а все остальные метки, сколько к ним ни добавляй приставку utm — это не более чем кастомные метки, которые ни одна система аналитики не сможет прочитать и без предварительной подготовки не сможет понять, что это за данные, и что в них передается.

Собственно, нестандартные/кастомные метки, различающиеся в зависимости от той платформы аналитики, где предполагается их считывать. Представляют из себя любые другие метки, кроме выше перечисленных. Писать приставку utm_ в этом случае может быть вообще не обязательно, желающие могут даже назвать свои метки 12345 и moya_klassnaya_metka (главное, чтобы потом те, кто будет использовать такие названия, сами же понимали, какая информация содержится в соответствующих параметрах).

В Google Analytics есть возможность создавать пользовательские параметры, где вы заранее как бы оповещаете данную платформу, что могут поступать нестандартные данные, и их следует интерпретировать в соответствующий параметр.

Но иногда для задач бизнеса недостаточно одного лишь аналитикса. Во многих нишах первая коммуникация с клиентом происходит через входящий звонок. Чтобы понимать, в результате какой именно рекламной активности был получен такой звонок, рекламодатели используют коллтрекинг — общее название для сервисов, которые подменяют основной номер телефона для демонстрации потенциальному клиенту. По тому, когда и на какой номер был совершен звонок, можно определять, где был размещен номер и что это за рекламная кампания. Такие сервисы имеют широкое распространение и могут применяться далеко за пределами сайта компании — например в наружной рекламе или печатной прессе, чтобы оценивать их эффективность в сравнении с другими каналами.

А кому-то нужно регулярно сводить данные из нескольких рекламных источников и CRM в одно окно, и чтобы не делать это руками, рекламодатели обращаются к платформам сквозной аналитики. Так что же объединяет эти истории?

У многих платформ сквозной аналитики (например, у Roistat или Smart Analytics) и всех известных мне коллтрекингов (среди них возьмем для примера популярные Calltouch и CoMagic) используются свои параметры, которые дописываются в дополнение к остальным меткам, чтобы данные инструменты тоже могли считывать всю нужную им информацию. Набор регламентированных для этих случаев меток уже разнится от инструмента к инструменту — какие-то данные собираются с помощью стандартных utm-меток, а какие-то с помощью дополнительных, предусмотренных только для данного инструмента. В случае, если работаете со сторонними сервисами аналитики (например, с вышеперечисленными), обязательно проверяйте необходимый для них набор параметров (и данных, содержащихся в этих параметрах), иначе рискуете столкнуться со следующим пунктом.

2) В отчетах системы коллтрекинга CoMagic не отражались данные utm-меток, из-за чего невозможно было определить, откуда были получены звонки. Фактически обратившийся клиент и здесь располагал только общими данными — о суммарном объеме звонков.

Кейс: Как плохая аналитика мешает удвоению продаж

3) В визитках объявлений были указаны некорректные номера, не относящиеся ни к основному телефонному номеру клиента, ни к подменным номерам коллтрекинга. Как обрабатывались звонки, где фиксировались и сколько вообще было таких звонков — для клиента это так и осталось загадкой.

Тоже довольно распространенная ошибка тех, кто настраивает себе коллтрекинг. Номер на сайте подменяется, но почему-то многие забывают, что надо бы подменять и номер в самих объявлениях, ведь пользователи могут увидеть его (а пользователи мобильных устройств даже сразу позвонить) еще до того, как перейдут на сайт. Вставлять стандартный (основной) номер в таких случаях было бы ошибкой, т.к. вопреки расхожему мнению, по этому номеру тоже звонят (а в некоторых нишах не меньше, чем по номеру, который высвечивается уже на сайте).

Вторая по распространенности проблема в ситуации с подменными номерами — это когда в объявления Google Ads добавлен подменный номер, но модерация отклоняет его. Связано это с особенностями модерации Google. Дело в том, что при сверке номеров робот гугла видит разные номера (на сайте по умолчанию один, в объявлениях другой) и считает, что здесь допущена какая-то ошибка, поэтому отклоняет указанный номер. Но эта проблема легко решается; самый простой способ — это разместить на сайте код ремаркетинга от соответствующего аккаунта Google Ads, после чего отправить номер на повторную проверку. Тем самым Google получит сигнал, что с номером всё в порядке, владелец сайта и владелец рекламного кабинета — одно и то же лицо, и он лучше знает, что ему указывать в рекламных материалах, а что нет. А вот на Яндексе, кстати, подобная проблема не наблюдается.

Ошибки в ссылках

Помимо перечисленных выше пунктов у клиента были и иные, негативно влияющие на результат рекламных кампаний. Отмечу лишь те, которые достойны внимания в рамках нашей темы:

1) Множество объявлений вело на 404 страницу из-за допущенной ошибки в написании ссылок.

Распространенная проблема для сайтов с большим числом страниц (например, интернет-магазины). Легко заметить ее, если анализировать т.н. показатель отказов по страницам входа, но здесь есть подводные камни. Во-первых, что такое отказы? Google Analytics и Яндекс.Метрика трактуют этот показатель по-разному.

Analytics: это сеанс с просмотром одной страницы на вашем сайте. В Google Analytics отказом считается сеанс, в ходе которого был активирован только один запрос к серверу Google Analytics (например, если пользователь открыл одну страницу сайта и покинул его, не активировав других запросов).

Метрика: визит считается отказом, если для него одновременно выполнены следующие условия:

  • за время визита зафиксировано не больше одного просмотра страницы
  • продолжительность визита меньше заданного для расчета отказов времени (по умолчанию 15 секунд)
  • не зафиксировано служебное событие «неотказ»

В чем-то Метрика и Аналитикс схожи — для отказа характерен просмотр не более одной страницы сайта, но Метрика идет дальше и накладывает дополнительные ограничения для данного показателя, перечисленные выше. В каких случаях это критично? Если сайт многостраничный, то в обеих системах особой разницы в подсчете скорее всего не будет (и то не факт), но если сайт одностраничный, то данный показатель в Analytics будет стремиться к более высоким отметкам. И в этом случае наступает «во-вторых» — а что же делать? На какой показатель обращать внимание — на тот, что низкий в Метрике или высокий в Analytics? В таких случаях специалисты рекомендуют сводить расчет данного показателя в Analytics к методам расчета в Метрике путем добавления дополнительной строчки кода в сайт (что сделать, полагаю, гораздо проще, чем наоборот).

Но в случае с ошибкой 404 эти тонкости не важны, достаточно посмотреть показатель отказов в Метрике, т.к. ее метод подсчета будет более наглядным, ведь пользователи, который попадут на 404 ошибку вряд ли останутся сидеть на сайте дольше 15 секунд. И тогда высокий показатель отказов даже такой платформы, как Метрика, где его получить не так просто, послужит нам индикатором того, что со страницей действительно что-то не так.

2) Для отдельных запросов были прописаны специальные ссылки с применением фильтра, чтобы показывать пользователю, зашедшему по таким запросам, более персонализированную подборку товаров. Проблема была в том, что с момента настройки этих ссылок сайт несколько раз поменял структуру и логику работы фильтров, из-за чего многие ссылки стали вести не на точную подборку товаров, а на главную страницу сайта. Соответственно, эффективность объявлений с такими ссылками резко упала, т.к. многие нетерпеливые пользователи покидали сайт, вместо того, чтобы продолжать поиски нужного товара, самостоятельно указывая различные параметры в фильтрах.

В работе с фильтрами есть одна важная техническая тонкость: как правило, они выглядят и прописываются в url так же, как и метки для систем аналитики, а именно — после знака вопроса. При этом самих знаков вопроса в ссылке должно быть не более одного (в идеале). Легенды гласят, что в каких-то исключительных случаях может быть уместно использовать 2 и более вопросительных знаков, но на моей практике наличие второго знака чаще создавало проблемы с корректной передачей данных — например, часть данных могла просто не попадать в системы аналитики.

Параметры отслеживания и фильтры должны отделяться друг от друга амперсандом (знак &). При этом порядок их перечисления не играет особой роли. Например, одну и ту же ссылку можно прописать двумя разными способами:

example.com/page/?filter=12345&utm_source=yandex&utm_medium=cpc

example.com/page/?utm_source=yandex&filter=12345&utm_medium=cpc

Но гораздо нагляднее, когда метки идут в определенном порядке и этот порядок остается неизменным для всех ссылок. Так проще контролировать полноту и корректность передаваемых данных.

А вот порядок расположения т.н. якоря (или знака решетки #), который используется для навигации на сайте наравне с фильтрами, уже важен — его, как и идентификатор, который следует сразу после него, следует ставить в самый конец ссылки, после перечисления всех фильтров и параметров:

example.com/page?filter=12345&utm_source=yandex&utm_medium=cpc#67890

Почему это важно — на многих многостраничных сайтах иногда одновременно используются и фильтры, и якори. По умолчанию ссылка с ними (без параметров отслеживания) выглядит примерно так:

example.com/page?filter=12345#67890

Если специалист по рекламе решит просто взять её как есть и дописать в конец все остальные параметры, как в примере ниже:

example.com/page?filter=12345#67890&utm_source=yandex&utm_medium=cpc

то в большинстве случаев он сильно рискует, т.к. в зависимости от сайта могут возникнуть различные проблемы — начиная от того, что откроется не та страница, какая предполагалась, и заканчивая тем, что данные в системы аналитики могут вообще не передаваться. Лучше так не делать и настраивать по примеру чуть выше.

С другой стороны, не всегда в некорректных ссылках виноват специалист по рекламе. Многие рекламодатели грешат тем, что ставят задачу на программистов поменять на сайте структуру разделов или изменить логику работы фильтров. При этом своих подрядчиков по рекламе в известность, конечно же, не ставят. И выливается это всё в то, что в объявлениях присутствуют старые ссылки, которые дай бог хотя бы открывают сайт. Если вы рекламодатель, то не будьте таким партизаном. Ваш подрядчик на вашей стороне, спешите с ним поделиться новостью о правках на сайте, это в ваших же интересах.

3) В utm-метках клиента, с которыми и так всё было не гладко, была обнаружена еще одна неприятная особенность. Данные о ключевых фразах, по которым состоялся переход на сайт клиента, были прописаны вручную и транслитом.

Что здесь следует знать? Данные, которые передаются через метки, могут быть прописаны двумя способами — либо вручную, либо с помощью динамических параметров, которые самостоятельно извлекают нужные и соответствующие ситуации значения. Например, в случае с ключевыми фразами принято использовать {keyword}, который сам определяет, с какой ключевой фразой совпал поисковый запрос клиента. Никто в здравом уме не станет вручную в каждую ссылку вставлять все ваши 50000 вариантов ключевых слов (кроме, конечно, тех подрядчиков, которые чуть выше надругались подобным образом над ссылками клиента, и тем самым причинили мне почти физическую боль).

И вот почему:

  • Во-первых, любой маркетолог, аналитик или специалист по контекстной рекламе, который столкнулся бы с необходимостью анализировать и как-то взаимодействовать с этими данными, испытывал бы неудобства при сведении одних и тех же данных, написанных двумя разными способами (в аналитике транслитом, в рекламном кабинете обычным способом), что значительно замедлило бы работу над оптимизацией рекламных кампаний.
  • Во-вторых, ручное прописывание значений в данном параметре чревато человеческим фактором, когда фраза, указанная в параметре, не соответствует фразе, которая по факту дала переход пользователя на сайт. Нужно ли говорить, что такие ошибки действительно содержались и были найдены в ходе данного аудита?

Ну и к тому же, посудите сами, что проще проверять глазами на предмет ошибок — utm_term={keyword}, прописанный 50000 раз правильно/не правильно, или каждый раз ломать глаза о такое:

utm_term=kupit_hrustalnuyu_lyustru_na_kuhnyu

utm_term=lyustry_klassicheskie_v_spalnyu_nedorogo

utm_term=podvesnoy_svetilnik_dlya_detskoy_dostavka_po_moskve

Не забывайте, что ссылки бывают длинными и проверять такие полотна на предмет ошибок становится крайне неудобно.

Конечно, не для всех данных могут быть применимы динамические параметры. Обычно руками прописывают либо то, что будет оставаться неизменным во многих ссылках, либо то, что рекламная площадка не умеет отдавать динамически. Например, источник, канал и название кампании. Но в остальных случаях разумнее воспользоваться динамическими параметрами, доступными для рекламных площадок. Полные перечни этих параметров можно найти в официальных справках соответствующих площадок.

Для Яндекс.Директа

Для Google Ads

Плохая сегментация

Одной из главных проблем аналитики можно считать плохую сегментацию данных — когда важные и интересные данные в отчетах неотделимы друг от друга, и не понятно, как их посмотреть. Виновата в этом, как правило, не только аналитика, но и то, как настроены рекламные кампании. Зачастую, когда говорят о важности сегментации и разделении, например, одной кампании на несколько, то чаще слышны аргументы в пользу того, что это позволит более гибко управлять ставками и эффективнее распределять бюджеты. Да, это так, но этим преимущества сегментации не ограничиваются. Есть и третий не менее важный фактор — оценка эффективности.

Приведу несколько примеров:

  • В Яндекс.Директе имеется такой тип кампании, который позволяет демонстрировать пользователям в одном объявлении подборку из нескольких товарных позиций. Такой формат объявлений называется смарт-баннеры. Особенность смарт-баннеров, о которой многие забывают, состоит в том, что по умолчанию они могут показывать объявления как пользователям, уже бывавшим ранее на сайте рекламодателя (и ровно те товары, которые они просматривали во время своих предыдущих визитов), так и пользователям, которые на сайте никогда не бывали, но по каким-то признакам похожи на посетителей сайта. Это 2 совершенно разных аудитории, одна горячая, другая холодная. Отдача от рекламы для двух этих аудиторий тоже разная. И если их не разделять, то оценить эффективность показа объявлений каждой из аудиторий будет довольно трудно. Именно с этим столкнулись и мы, когда проводили аудит нашему клиенту.
  • Другой проблемой этого же клиента стали ключевые слова, отобранные для работы рекламных кампаний, которые тоже были недостаточно сегментированы и, как следствие, некорректно распределены по рекламным кампаниям. Люстры и пара отдельных разновидностей светильников имели свои отдельные кампании, однако значительная часть семантики была свалена в кучу, в рамках одной кампании «прочее», из-за чего разобраться в эффективности остальных категорий товаров было местами крайне сложно.
  • Тоже самое можно было сказать и про динамические поисковые объявления. На каждый из рекламных кабинетов приходилась всего одна общая кампания с подобными объявлениями — на все товары разом, с единым бюджетом и одинаковой ставкой.

Конечно, в каких-то случаях стандартные отчеты рекламных площадок и платформ аналитики в состоянии самостоятельно сегментировать полученный трафик по заранее продуманным до вас срезам (например, по устройствам или ключевым фразам). Но полагаться на то, что системы аналитики всегда всё разложат за вас по полочкам может быть чревато множеством неудобств, а в некоторых случаях получить нужный срез может быть и вовсе будет невозможно (например, при проведении а/б теста разных текстов объявлений).

Если вы посмотрите другие статьи по этой теме, то увидите, как везде прослеживается одна и та же мысль — надо разделять, разделять и еще раз разделять. Особенно в контекстной рекламе. Если вы запускаетесь на всю Россию, имеет смысл выделить в отдельные кампании Москву и Питер, т.к. там совершенно иные условия конкуренции, нежели в регионах, а значит и совершенно иные результаты. Если ваши объявления предполагается показывать разным аудиториям — разделяйте аудитории и таргетинг. Так вы получите более точное попадание в ЦА. Если вы понимаете, что какой-то из сегментов может перетягивать на себя значительную долю бюджета, не оставляя ничего другим, более приоритетным — разделяйте. И так во всём.

Однако всему должны быть разумные пределы. Всем очевидно, что делать под каждую ключевую фразу отдельную кампанию — это чрезмерная сегментация ради сегментации. Но почему-то не всем очевидно, что делать под каждую ключевую фразу отдельную группу объявлений, повторяя объявления из другой группы — излишний фанатизм. А ведь этим грешат многие специалисты по рекламе. Сегментация должна разделять данные там, где точно ожидается качественная разница в настройках и результатах.

Оптимизация рекламных кампаний Яндекс.Директ и Google Ads

В результате проведенного аудита клиент решил поменять своего текущего подрядчика и перезапустить всю контекстную рекламу. Перед нами встала задача подготовить кампании за 2 недели, чтобы успеть стартовать 1 июля. Поскольку ассортимент товаров у клиента был огромный (свыше 50000 позиций), как и количество категорий, по которым эти товары распределены, а времени на подготовку мало, было решено, что мы возьмем за основу старые кампании, которые не смотря на все косяки, худо-бедно давали какой-то положительный результат, доработаем их, а всё остальное запустим потом.

Коротко пробежимся по тем пунктам, которые были сделаны:

  1. Исправлены все ссылки — как те, что вели на 404 страницу, так и те, что вели на главную.
  2. Исправлена вся разметка объявлений, добавлены недостающие utm-метки и убраны дублирующиеся. Теперь все системы аналитики могли идентифицировать рекламные кампании Google, а также их содержимое.
  3. Проведена корректная интеграция с CoMagic. Теперь в отчетах отражалась полная информация об источниках, откуда был получен звонок, вплоть до ключевой фразы. В ходе данных работ также были скорректированы номера в визитках на подменные номера CoMagic — теперь мы знаем, с какого источника идут звонки и можем быть уверены, что пользователи звонят по нужному номеру.
  4. Проведена более детальная разбивка кампаний на раздельные — по категории товаров и типу таргетинга. Первоначально помимо уже имевшихся отдельных кампаний по люстрам и светильникам были выделены еще 2, имевшие большой объем трафика — по бра и торшерам. Однако впоследствии была проведена более тщательная сегментация в соответствии с разделами сайта.
  5. Полностью переписаны все объявления и расширения с учетом актуальных преимуществ. В процессе работ были убраны дублирующиеся преимущества, а также противоречащие друг другу цифры (например, разные данные о количестве товаров на сайте).
  6. Поскольку параллельно велись работы по оптимизации Яндекс.Маркета и Google Shopping, в результате были обновлены все фиды в т.ч. и для смарт-баннеров, динамического ремаркетинга, а также для динамических поисковых объявлений. И да, здесь тоже решили проблему с utm-метками.

Как видите, основной пул задач был так или иначе связан с решением проблем аналитики клиента. Что нам это дало: мы стали получать полную и корректную информацию об эффективности кампаний, сегментов и аудиторий. Получив эту информацию, мы быстро поняли, как следует оптимизировать всю рекламу, и в т.ч., как следует перераспределить бюджеты между кампаниями.

Итоги первого месяца

За первый месяц ведения контекстной рекламы конверсия в транзакцию выросла на 21,11%, количество транзакций со 121 до 194, а доход с 2,1 млн до 2,6 млн.

Кейс: Как плохая аналитика мешает удвоению продаж

Данные показатели были достигнуты благодаря совокупности действий, предпринятых в рамках оптимизации канала, но отдельно в рамках данного кейса я бы хотел отметить сокращение расходов на рекламу в Яндекс.Директе и Google Ads.

Общий расход на Яндекс.Директ в июне составил 402 т.р.:

Кейс: Как плохая аналитика мешает удвоению продаж

Общий расход на Яндекс.Директ спустя месяц уже был в районе 333 т.р.:

Кейс: Как плохая аналитика мешает удвоению продаж

Как видно из статистики, бюджет на данный источник удалось сократить на 69 т.р.

Что касается Google Ads (включая Google Shopping), то вот показатели июня (390 т.р. с ндс):

Кейс: Как плохая аналитика мешает удвоению продаж

и июля (330 т.р. с ндс):

Кейс: Как плохая аналитика мешает удвоению продаж

Кстати, обратите внимание, как предыдущий подрядчик пытался в конце июня побыстрее дотратить все средства на аккаунте. Вопрос, насколько этот расход был эффективным, остается открытым в силу отсутствия у того подрядчика точных данных по эффективности гугла на уровне отдельных кампаний.

А вот старт Яндекс.Маркета затянулся из-за нерешенных финансовых вопросов между Яндексом и предыдущим подрядчиком. В результате в июле был переходный период, сопровождавшийся приостановкой объявлений, поэтому в данном сравнении вместо показателей июля взяты показатели августа, в котором уже имеется более полная и репрезентативная статистика.

В августе в сравнении с июнем наблюдается прирост коэффициента транзакций на 38,07%, прирост количества транзакций (с 37 до 59) и дохода (с 311 до 605 т.р.).

Кейс: Как плохая аналитика мешает удвоению продаж

Сводные результаты первого месяца:

Кейс: Как плохая аналитика мешает удвоению продаж

Эти цифры стали достижимы не потому, что мы запустили какой-то новый креативный формат объявления. Не потому что внедрили какие-то уникальные методики работы. Мы даже не нажимали на волшебную кнопку «бабло». Отнюдь. Мы просто качественно сделали свою стандартную работу. А смогли ее сделать потому, что привели всю аналитику в порядок.

Дальнейшая работа

Ок, как простейшие настройки влияют на результаты кампаний, мы разобрались. Давайте рассмотрим парочку примеров посложнее. После наведения порядка и в процессе решения ряда рутинных задач по рекламному каналу (запуск новых категорий товаров, расширение охвата городов и т.д.) мы столкнулись с двумя нетривиальными проблемами:

1. Значительная доля продаж осуществлялась не через корзину сайта, а по телефону (по разным оценкам от 30 до 50% всех продаж). Но не каждый звонок заканчивался продажей. У кого бизнес построен на привлечение клиентов по телефону, те подтвердят, что часто звонят люди, не заинтересованные в покупке онлайн — кто-то интересуется, как проехать до шоу-рума, кто-то уже купил товар/услугу и просто уточняет какие-то дополнительные условия, а кто-то вообще предлагает свои услуги. Очень важно выделять в этом потоке именно целевые обращения.

И если в первый месяц на стороне клиента был человеческий ресурс для анализа входящих звонков и тегирования целевых, то впоследствии заниматься данной проблемой уже было некому и некогда. Потеря информации о том, какие звонки считать целевыми, означала бы для нас отсутствие комплексного понимания, какие кампании эффективны, а какие нет, ведь одними данными о транзакциях сыт не будешь.

Проблема решилась с помощью автотегирования: в рамках коллтрекинга CoMagic был настроен тег, который автоматически проставлялся звонкам, содержащим определенные слова, которые, в свою очередь, должны быть упомянуты абонентом в разговоре

Кейс: Как плохая аналитика мешает удвоению продаж

При этом сам разговор из голосового варианта переводился в текстовый благодаря речевой аналитике CoMagic, что делало возможным поиск нужного разговора по ключевым словам и обеспечивало автоматическую простановку тега.

Кейс: Как плохая аналитика мешает удвоению продаж

2. Данные по транзакциям в Google Analytics расходились с данными CRM по продажам. Такие ситуации допустимы, когда клиент совершает покупку, но в силу разных причин передумывает и хочет отменить заказ. Поэтому рекламодатель настаивал на оптимизации кампаний по данным CRM. Однако, в нашем случае доходило до того, что некоторые кампании по данным аналитикса были вполне успешными, а по данным CRM выглядели совершенно бесполезными. Из крайности в крайность.

При этом попытки усилить успешные кампании на основе данных CRM не всегда приводили к пропорциональному росту числа покупок. В какой-то моменты мы даже заметили, что конверсия из транзакции в продажу превышала 100% (вплоть до того, что транзакции могли вообще отсутствовать, а продажи быть).

Кейс: Как плохая аналитика мешает удвоению продаж

Вскоре были обнаружены причины такого расхождения: оказывается, на стороне сайта заявки учитывались всегда в пользу предпоследнего источника, каким бы он ни был, в то время, как транзакции оценивались по стандартной модели атрибуции — по последнему непрямому клику. Проще говоря, пользователь мог зайти на сайт сначала с источника/кампании А, потом с источника/кампании Б, и аналитикс в этой истории присвоил бы конверсию в пользу Б, а CRM в пользу А.

Исправление этой ситуации на стороне сайта позволило измерять эффективность кампаний в единой системе координат, а сами данные стали коррелировать друг с другом (и оказалось, что процент отмененных заказов на самом деле был не таким уж и высоким; именно данные аналитикса всё это время отражали более реальную пропорцию распределения конверсий между кампаниями, чем данные CRM).

В результате, имея скорректированные данные, мы смогли масштабировать результаты и добиться следующих показателей:

  • в марте стало на 202 транзакций больше по сравнению с аналогичным периодом год назад
  • соответственно, вырос и доход на 2,2 млн руб. (почти вдвое по сравнению с прошлым мартом)
Кейс: Как плохая аналитика мешает удвоению продаж

Сводные результаты динамики от года к году:

Кейс: Как плохая аналитика мешает удвоению продаж

Подведем итог

Результат работы специалиста по рекламе напрямую зависит от тех показателей, которыми он располагает. При плохой аналитике и результат будет плохим. Этот кейс наглядно демонстрирует, насколько можно улучшить показатели, устранив все ошибки в аналитике.

Теперь, когда вы вооружены этими знаниями, я предлагаю пойти и проверить свои текущие рекламные кампании на предмет соблюдения простейших настроек. И чтобы не упустить ничего важного, предлагаю свериться со следующим чек-листом:

  1. Каждая ссылка в объявлениях, даже такая незначительная, как доп ссылка в расширениях к объявлению, должна быть размечена специальными метками — автоматической меткой, utm-метками и (опционально) дополнительными метками той системы аналитики, которую предполагается использовать, и которой эти дополнительные метки необходимы.
  2. Если используются utm-метки, то следует проверить, а все ли они присутствуют. Напомню, всего существует 5 стандартных меток: utm_source, utm_medium, utm_campaign, utm_term и utm_content. Если используете нестандартные метки, то убедитесь, что данные по ним попадают туда, куда нужно.
  3. Метки в сочетании с фильтрами не должны приводить к ошибкам в аналитике. Ссылка должна содержать 1 знак вопроса. Решетка должна стоять в конце, после всех меток.
  4. Убедитесь, что вы отслеживаете все формы коммуникации. Особенно это касается коллтрекинга. Номера должны быть заменены не только на сайте, но и везде, где вы размещаете рекламу, во всех объявлениях. В аналитике не должно быть дыр. Только так вы сможете понять, что действительно дает конверсии, а что нет.
  5. Не забывайте сегментировать аудитории и разделять рекламные кампании в соответствии с этим сегментированием. Продумывайте структуру аккаунта по возможности заранее, а не когда вас клюнет жареный петух. Проверьте, можете ли вы уже сейчас получить данные во всех срезах, которые вас интересуют.

Конечно, это не полный перечень возможных проблемных зон, и кто-то, наверняка дополнит меня в комментариях случаями из своей практики, но я хотел показать, что соблюдение даже этих правил зачастую способно творить чудеса.

И напоследок поделюсь небольшим лайфхаком для рекламодателей. Не у всех имеется время, чтобы разбираться во всем этом. Надо же еще и бизнесом заниматься. Именно поэтому вы обращаетесь к подрядчикам, чтобы они сделали эту работу за вас. Просто держите в голове, что большинство подрядчиков готово бесплатно провести вам аудит ваших рекламных кампаний. И это выгодно обеим сторонам — новые, потенциальные подрядчики тем самым смогут показать вам свою экспертизу и получить возможность стать вашим партнером, а вы получите бесплатные аудиты, а вместе с ними либо уверенность в текущем подрядчике, либо контакты тех, кто сделает вашу рекламу лучше.

88
3 комментария

Классный кейс, подробно описана механика работы. Троичный подход, чего редко найдёшь на рынке

1
Ответить
Автор

Спасибо) Стараемся)

Ответить

Много полезной информации, спасибо! Что-то попробуем адаптировать для своих проектов. P.S. Беда с UTM-метками встречалась не один раз.

Ответить