Моя коррида: как я сражался с неточными данными и увеличил прибыль на 30% благодаря сквозной аналитике

Генеральный директор купонного сервиса МегаКупон Константин Гурченко рассказал о долгом пути к внедрению сквозной аналитики, подводных камнях и сложностях и о том, как в корне поменял бизнес-мышление.

Середина марта 2020, Испания. Я иду с пляжа Тенерифе, искупавшийся и счастливый. На острове жарко, тихо, спокойно и красиво. Ничто не предвещает паники.

Все рушится в один момент. Начинается карантин, Россия вот-вот официально закроет въезд. Несколько дней мы с женой на нервах, ищем варианты, как прилететь и не застрять в принудительном карантине. На улицу можно выходить по одному и только в магазин, аптеку, погулять с собакой.

Гуляю. Голова взрывается от мысли «что будет с бизнесом».

Если локдаун продлится, все эти заведения закроются, купоны будут не нужны, и это конец.

В России мои опасения сбылись. Сайт перестал приносить деньги, посещаемость упала в разы. Я понимал, что рано или поздно мы выйдем из кризиса, и решил использовать это время, чтобы максимально улучшить сайт, сделать его более удобным для пользователей и поисковых систем.

Это требовало написания ТЗ, тестирования, контроля работ. И конечно, нам хотелось сохранить данные сквозной аналитики.

К апрелю 2020 мы пользовались сквозной аналитикой несколько месяцев. Путь к этому решению был нелегким. Расскажу все по порядку.

Как вы уже поняли, я собственник бизнеса — купонного сервиса. В аналитике всегда разбирался сам: компетенции позволяли. Хотя какие тут компетенции — сел, изучил и начал делать. Я уверен, что можно реально разобраться во всем. Прежде чем нанять человека в компанию, всегда сам изучаю его сферу, чтобы оценить компетенции специалиста. Нужен эсэмэмщик — ок, изучу SMM. Это мой подход, и он оправдывается.

Так, вот, аналитикой занимался я сам и еще один специалист. Сначала пользовались Яндекс.Метрикой, потом появилась Google Analytics.

До внедрения сквозной аналитики мы просто смотрели на количество кликов по источникам в Яндекс.Метрике, а потом уже считали прибыль, количество регистраций и приобретенных купонов по каждому источнику в своей админке. Конверсии присваивались по реферальным меткам вида ref=partner_code: старожилы вспомнят, эта система использовалась до распространения utm-меток. При переходе по ссылке с реферальной меткой пользователь и его покупки записывались в базу, и партнеру начислялось вознаграждение. Конечно, мы хотели перейти на современную систему utm-меток, это намного удобнее.

Что нас не устраивало в Метрике

1. Мы понимали, что нам не хватает точности, функционала. Простой пример: у нас часть продаж идет по CPA, то есть пользователи покупают купоны не на нашем сайте, а на сайте партнеров.

Далее он попадает на сайт партнера:

После покупки билета сайт партнера передает нам по API, что такой-то пользователь купил билет на такую-то сумму. Поскольку оплата совершается не у нас на сайте, то не факт, что пользователь потом вернется к нам. А значит, в Метрику мы можем передать данные только как достижение оффлайн-цели. Но учет оффлайн-конверсий в Метрике работает не очень корректно: при передаче учитывается только около 80%. Мне хотелось большей точности.

2. Не хватало точных данных, какой из источников привел к конверсии — покупке купона. В Метрике, например, считаются данные только о первом и последнем источнике перехода на сайт. Например, распространенная ситуация: человек зашел на мой сайт с контекстной рекламы, но ничего не купил, а потом через день набрал «Мегакупон» в поиске, зашел еще раз и уже сделал покупку.

Контекстная реклама сыграла большую роль в этой конверсии, но Яндекс.Метрика не будет учитывать этот источник, а станет считать покупку совершенной с прямого захода из поиска. Мне хотелось большего разнообразия моделей атрибуции, чтобы получить точный отчет по источникам.

3. Отчет по источникам трафика в Метрике очень размытый. До внедрения сквозной аналитики мы использовали такие рекламные каналы как переходы с сайтов-партнеров — агрегаторов «Купонатор», «Купоника» и прочие (органический поиск, контекстную рекламу, рассылки по базе клиентов). В ссылках на сайтах партнеров у нас стояли utm-метки, а вот рассылки не были ими размечены.

Эффективность рекламных каналов отслеживали — только не смейтесь — по наитию.

Мы не загружали в Метрику затраты по всем источникам — честно, потому что было лень, да и не передавались туда все данные о продажах. Поэтому смотрели окупаемость самостоятельно, в своей системе. Тут надо отметить, что у нас полностью самописный сайт и самописная админка. Мы ограничены в ресурсах, и нужно распределять приоритеты и оптимизировать процессы для недопущения человеческой ошибки.

Делали запросы в базу MySQL, где лежат все данные сайта. Запрашивали, сколько за определенный месяц платили пользователи с каждого источника трафика (трафик, напомню, мы определяли по реферальной метке), а затем смотрели, сколько мы потратили за этот месяц на каждый источник. Вот так и считали рентабельность.

Это все я говорил о Яндекс.Метрике. Google Analytics нас тоже не полностью устраивала: во-первых, там тоже не было нужных моделей атрибуции, во-вторых, мне чисто субъективно не нравится интерфейс, сложно было пользоваться и настраивать.

Словом, шоу «Интуиция» шло к закрытию, расходы росли, и мы все больше понимали, что нам нужна сквозная аналитика и точные модели атрибуции. Для нас перестало быть важным количество переходов с источника, какое место мы занимаем в рейтинге купонных сервисов. В первую очередь мы были заинтересованы в привлечении большего количества клиентов к нашим партнерам, выявлению неэффективных каналов, увеличению ROI в контекстной рекламе и, в конечном итоге, увеличению прибыли.

Плюс мы хотели тестировать новые места посева контента и отслеживать их эффективность. Например, давно собирались попробовать SMM во «ВКонтакте», наняли команду специалистов, договорились об оплате. Но когда нужно было поставить KPI, возникла проблема: стандартные метрики (количество постов и привлеченных подписчиков) нам были не интересны, потому что мы рассматривали SMM как канал привлечения именно покупателей сайта, а не простых участников сообщества. Хотелось отслеживать эффективность именно по ROI, но без сквозной аналитики это было нереально.

Перед внедрением сквозной аналитики нам нужно было разобраться с основными сложностями:

1. Назначить стоимость бесплатного купона — на тот момент у нас на сайте было большинство акций с бесплатными купонами, а с партнерами мы работали по комиссии. Пользователь получал бесплатный купон, приходил к партнеру, тот отмечал купон и мы могли посчитать наш доход. Мы высчитали средний доход с каждого полученного бесплатного купона и приняли его за стоимость бесплатного купона.

2. Идентифицировать пользователей. С некоторыми крупными партнерами мы работали по CPA, где не требовалось получение купона и услуга оплачивалась на сайте партнера. Каждому пользователю с нашего сайта мы присвоили уникальные метки, интегрировались с партнерами по API, и они стали передавать нам данные о продажах вместе с уникальными метками для идентификации пользователя.

3. Освоить передачу данных в Google Analytics. Мы собирались работать на основе данных из Google Analytics — в этом случае интеграция с системой сквозной аналитики была бы быстрой и бесплатной, а если не понравится система, то можно перейти на другую без потери данных.

Я уже говорил, что не особо использовал Google Analytics, меня отталкивал интерфейс. Но пришлось углубиться и узнать о measurement protocol. Он решал все наши задачи, но на тот момент не имел подробных гайдов внедрения, применимых к нашей ситуации, на русском языке.

Принцип следующий: при каждом действии пользователя на сайте генерируются ссылки, в которых зашифрована передаваемая информация. Например, данные о том, что пользователь просматривал карточку товара или акции. Наше приложение (сайт) по ним заходит, Google Analytics видит урлы ссылок и понимает, что мы им хотели передать.

За месяц я разобрался в measurement protocol, написал задание для программиста, и он внедрил протокол. Мы перепроверили точность данных, отсеяли ботов, нашли ошибки, о которых даже не догадывались: например, некоторые пользователи в Google у нас были неразмеченными. Исправили ошибки. И наконец стали искать систему сквозной аналитики.

Я начал поиски два года назад, в конце 2018-го. По доброй традиции занимался всем сам: составил список критериев и начал смотреть предложения. Задавал менеджерам вопросы и отмечал, кто честнее ответит.

Вот технические критерии, по которым я выбирал систему:

• в нее можно передавать данные об оффлайн-покупках, совершенных не на нашем сайте;
• быстро и бесплатно интегрироваться, учитывая, что у нас самописный сайт, а система может нас не устраивать в функционале;
  
• интегрировать расходы с Яндекс.Директ, Google Ads, «ВКонтакте»;
  
• легко загружать расходы по другим источникам;
  
• работать на основе данных из Google Analytics.

Уже на этапе обзвона столкнулся с новой сложностью. Представьте, я задаю четкий предметный вопрос по функционалу, а менеджеры говорят: да-да-да, все есть. А когда начинается предметное общение с техподдержкой и изучение API для интеграции, все оказывается не так радужно и нужного функционала нет.

Чем больше я общался с менеджерами разных систем аналитики, тем больше становился насторожен по отношению к ним. То ли они просто не обладали точными данными о работе системы, то ли так сильно хотели продать, что вводили меня в заблуждение. В итоге мы даже не начинали тестировать — я отказывался еще на этапе переговоров.

Так я обзвонил все сервисы из списка. Наиболее компетентный менеджер и поддержка были в сервисе Alytics. Специалисты реально хорошо знали, как работает Google Analytics и measurement protocol. Интеграция была быстрой (1-3 дня) и бесплатной, поэтому мы и выбрали для теста эту систему. С нашей стороны требовалось только добавить скрипт в Google Tag Manager.

Внедрение заняло максимум две недели. Меня подключили к специалисту, который объяснял мне все по телефону. Я находился в тот момент в Испании, но это не стало проблемой.

Никаких особых сложностей при внедрении не возникло, бизнес-процессы компании перестраивать не пришлось.Единственной возникшей проблемой после начала работы была группировка всех наших источников. На наш сайт идет большой трафик — соответственно, и источников его много. Но Alytics изначально группирует только Яндекс.Директ, Google Ads, органику и соцсети. А остальные наши источники — сайты-агрегаторы, промокоды и т.д — оказались в разделе «неразмеченные» — то есть нужно было группировать их самостоятельно. Но это было несложно, наш специалист быстро справился:

Первые результаты появились буквально на следующий день после внедрения. Мы получили среднестатистическую массу данных и начали работать с ними. Стали считать данные по линейной и U-Shape моделям атрибуции и ясно видеть, в каких кампаниях у нас низкий ROI, какие ключевые слова приносят убыток и требуют снижения ставки, какие акции не стоит размещать на определенных площадках, а какие, наоборот, надо усилить в продвижении.

Мы слаженно работали несколько месяцев, когда пришел белый пушистый зверек в короне...

Середина марта 2020. Испания. Я иду с пляжа Тенерифе, искупавшийся и счастливый. На острове жарко, тихо, спокойно и красиво. Все рушится в один момент.

Локдаун, карантин, развлекательные заведения закрыты, наши купоны никому не нужны. Сайт не работает, а ребятам из Alytics надо платить. А денег нет. А если обслуживание прекращается, все данные система удаляет. И что, терять их и перечеркнуть несколько месяцев работы?

В общем, не буду томить: в Alytics пошли нам навстречу и сделали бесплатную приостановку обслуживания. Мы договорились: когда кризис кончится, мы опять будем сотрудничать, а пока они не будут удалять наши данные.

Это было достаточно проблемно: на сайте много пользователей, данные нужно хранить по каждому показу. Тем не менее разработчики пошли на это — спасибо им за человеческое отношение. Через 3-4 месяца, когда дела наладились, мы начали работать как раньше.

Результаты увидели сразу по нескольким направлениям:

1. Я как руководитель компании наконец-то стал понимать, насколько эффективны разные каналы маркетинга. Конечно, сейчас жизнь поменялась, многое стало непредсказуемым, и эффективность каждого канала может быть абсолютно разной каждый месяц. Если оценивать эффективность чисто по прибыли, которую приносит каждый канал, лидерами стали сайты-агрегаторы. А раньше мы думали, что самыми эффективными были емейл-рассылки.

Например, мы долгое время работали в ноль с одним агрегатором, а иногда и в минус. До внедрения сквозной аналитики я видел только, что трачу на него 70 000 рублей в месяц и получаю в виде прибыли столько же. Но я не понимал конкретики: какие именно акции принесли и сколько денег. После того как разметил все акции, понял, что, например, рестораны совсем не приносят прибыли, у них отрицательный ROI. Вывод очевиден: отказываемся от этих акций в пользу эффективных, например из категории «Развлечения».

Также я вижу, как работают первые посевы, благодаря разнообразным моделям атрибуции. Как я уже говорил, в Метрике их немного, а сейчас мы пробуем и модель по первому взаимодействию, и линейную, и U-shape.

Каждая модель хороша, каждая позволяет оценить эффективность рекламных каналов, которые привели к покупке. В самом простой — по первому взаимодействию — мы понимаем, что какая-то компания привлекает будущих клиентов, и поэтому ее не отключаем (а могли бы, если бы действовали как раньше, по интуиции).

Линейная хороша тем, что не отдает преимущество конкретному рекламному каналу. Если пользователь перед покупкой купона совершил 3 взаимодействия с сайтом (из органического поиска, из «ВКонтакте», из контекстной рекламы), то каждому из них отдается ⅓ часть выручки..

U-shape более сложная: первому и последнему каналам отдается по 40% конверсии, а остальные проценты в равных долях распределяются между другими. Особой разницы в показателях ROI я пока не увидел, поэтому продолжаем тестировать несколько моделей одновременно.

2. Руководитель SMM-команды начал отслеживать, какой доход приносят определенные посты и статьи. Как я уже рассказывал, стандартные метрики нам были не интересны: хотелось отслеживать эффективность именно по ROI. Поэтому эсэмэмщики тоже начали корректировать контент-план, чтобы посты приносили нам не только узнаваемость бренда, но и доход.

Например, раньше нам казалось, что посты-подборки (как вариант, подборка ресторанов на пятницу) приносят больше прибыли, так как дают больший выбор человеку. Но оказалось, что эффективнее сделать пост об одном ресторане — так человек сразу перейдет на страницу акции, где есть кнопка «Приобретение купона»:

Также выяснилось, что во «ВКонтакте» лучше всего работают «Товары» и постинг — когда в посте рассказываешь о товаре и прикрепляешь карточку.

А в итоге мы все равно поняли, что сообщества во «ВКонтакте», несмотря на все наши усилия, для нас убыточны, но формируют лояльную аудиторию. Поэтому мы продолжаем работу по этому направлению.

3. Специалисты по контекстной рекламе смогли увеличить ROI и общий доход. Стали отключать неэффективные кампании в низкий сезон или повышать их эффективность: снижать ставку. У тех кампаний, что хорошо работали, увеличиваем ставку, чтобы еще больше зарабатывать.

Также стали проводить эксперименты с сервисом Яндекс.Аудитории и со стратегиями в Google Ads. Они оказались неэффективными, но мы это смогли увидеть именно в Alytics. И вернулись к тому, как работали раньше.

В конечном итоге мы стали работать эффективнее и быстрее, видеть точные, а не приблизительные данные в удобном и надежном интерфейсе. А самое главное — стали больше зарабатывать. До пандемии мы увеличили прибыль с помощью Alytics на 30%. Во время пандемии сквозная аналитика помогла сократить расходы на неэффективные источники трафика и сэкономила нам тоже примерно 30%.

Самое главное — после внедрения сквозной аналитики у меня и у моей команды поменялось мышление. Мы перешли от подсчета кликов к подсчету выручки и ROI. Это то, что не хватает многим маркетологам, которые считают клики, позиции и не понимают, что для бизнеса важно одно — сколько заработано денег. Да и самим предпринимателям не помешает еще раз это уяснить.

Поэтому совет коллегам и партнерам: если для вашего e-commerce проекта не важен колл-трекинг и продуктовая аналитика, если вы хотите считать ROI и чистую прибыль по каждому каналу трафика, то я рекомендую использовать Alytics, в настройках которого разберется любой собственник бизнеса — при учете настроенной передачи данных в Google Analytics.

Июнь (а может, июль) 2021 года. На небе светит ласковое солнышко. Ноги приятно холодит морская (а может, океаническая) вода.

Я все также буду идти вдоль пляжа (а может, прогуливаться по каменной набережной) и думать о будущем своего бизнеса. Что будет дальше — покажет время. И сквозная аналитика. И уж тут безо всяких «а может».