Как улучшить конверсию на всех этапах воронки

Кейс образовательной компании MAXIMUM Education по внедрению OWOX BI Pipeline. Рассказывает Даниил Масленников, руководитель отдела организационного развития MAXIMUM Education.

Перед нами стояла задача улучшить показатели конверсии на всех этапах воронки. Для этого нужно было отследить весь путь клиента с момента первого попадания на сайт до покупки, оценить и повысить эффективность каналов трафика с разбивкой по бизнес-активностям.

Перед покупкой курса клиенты взаимодействуют с компанией как онлайн, так и офлайн: посещают ивенты, вебинары, страницы курсов, регистрируются в блогах и на мастер-классах.

Поэтому нам важно видеть, сколько шагов прошел клиент прежде, чем что-то купил, с какой рекламой он взаимодействовал, и сколько стоил контакт с клиентом на каждом этапе. Есть ли смысл несколько раз показывать рекламу одному и тому же клиенту, или ему достаточно читать рассылки, или, наоборот, его надо догонять ретаргетингом.

Все данные, которые позволяют получить ответы на эти вопросы, хранятся в разных системах, что усложняет работу с ними. Кроме того, решение о покупке курса, как правило, принимают 2 человека: школьник и родитель. Поэтому у нас есть внутреннее понятие, сущность «семья», в рамках которой, собираются все идентификаторы. Однако тесты запускаются на два сегмента (школьники и родители), так как они ведут себя совершенно по-разному.

Чтобы оценить вклад каждого канала в продвижение пользователя по воронке продаж, нужно объединить действия посетителей сайта, расходы на рекламу, офлайн-заявки и фактический доход компании с учетом исполняемости заявок. Для этого команда сделала следующее:

Шаг 1. Настроили OWOX BI Pipeline, чтобы собирать данные о поведении пользователей на сайте в Google BigQuery. Благодаря этому наши аналитики получают доступ к сырым несемплированным данным практически в реальном времени.

Шаг 2. Также с помощью OWOX BI Pipeline наши маркетологи настроили автоматический импорт рекламных расходов.

Данные из ВКонтакте, Facebook, Яндекс.Директор и My.Target передаются сначала в Google Analytics. Там они объединяются с данными из AdWords, которые попадают в GA благодаря нативной интеграции. Затем информацию о расходах из всех сервисов одним потоком OWOX BI Pipeline импортируют в Google BigQuery, чтобы объединить с данными о поведении пользователей на сайте и фактическими продажами курсов.

Шаг 3. Настроили выгрузку данных о транзакциях из своей CRM-системы в Google BigQuery.

Схематично движение данных выглядит так:

Шаг 4. Создали мультиканальную модель атрибуции в OWOX BI Attribution, используя объединенные данные в Google BigQuery.

Команда MAXIMUM использует атрибуцию Last-Non-Direct Click, которая присваивает всю ценность заказа последнему управляемому источнику. Однако пользователь перед покупкой взаимодействует с несколькими рекламными кампаниями. Чтобы оценить количество и стоимость привлеченных конверсий каждой из них, наши маркетологи выбрали OWOX BI Attribution.

На основе машинного обучения модель атрибуции OWOX оценивает рекламные кампании на уровне сессий пользователей, учитывает вклад каждой сессии в прохождение воронки, позволяет маркетологу указать управляемые каналы, конверсионное окно и подключить данные CRM.

Так наши маркетологи могут видеть вклад каждого канала в конверсию и оценить стоимость каждого касания с пользователем.

Кроме того, маркетологи компании настроили и другие модели атрибуции (First Click, Linear model, Position Based), чтобы сравнивать эффективность каналов по разным моделям.

Шаг 5. Совместно с аналитиком OWOX наша команда построила дашборд в Power BI, который обновляется автоматически.

Пользователь может оставить заявку на сайте, выставке или вебинаре. После этого команда связывается с ним и назначает индивидуальную консультацию. Выполненная транзакция в данном случае — это договор. При этом компании важно знать как стоимость привлеченного клиента (семьи), так и стоимость договора (у одного клиента в итоге может быть несколько договоров).

Основные показатели, на которые мы ориентируется при принятии решений о перераспределении бюджета на рекламу — это CR, стоимость лида на каждом этапе воронки и ROMI.

Первое, на что обращают внимание — это стоимость лида. Она зависит от типа воронки и выбранного курса, поэтому маркетологи компании определяют норму и смотрят на отклонение от нормы. Если по платному каналу этот показатель выше нормы, перераспределяют бюджет.

Дополнительными индикаторами оценки качества рекламы также выступают дозваниваемость и назначаемость. Если на начальном этапе воронки нет возможности дозвониться до лида и назначить индивидуальную консультацию, то рекламу считают некачественной и отключают. Это важно, так как если есть просадка на первых шагах воронки, компания может впустую потратить ресурс сотрудника колл-центра.

Теперь мы можем проверить на практике:

• Как влияет тот или иной канал на продвижение пользователя по воронке.
• Во сколько компании обходится привлеченный клиент на каждом этапе воронки: стоимость контакта, назначенной/проведенной индивидуальной консультации, стоимость договора.
• Какая скорость продвижения клиентов по воронке.
• Какие пользовательские пути самые оптимальные.

В дальнейшем команда планирует продолжать работать с сырыми данными, чтобы с помощью тестов и проверок гипотез получать ещё больше инсайтов касательно пользовательского поведения.