"Воронку мы и так смотрим". Конверсия упала на 25% — а что дальше?

Конверсия снизилась с 20% до 15%. На дашборде всё очевидно: минус 5 процентных пунктов, или 25% относительно прежнего уровня. Но стало ли бизнесу хуже, почему это произошло и что именно теперь нужно исправлять — из этой цифры мы пока не знаем.

В своём Telegram-канале "Механика прибыли" буквально вчера я упомянул знакомую фразу: "Воронка нам известна, аналитику мы смотрим. Что вы хотите там ещё найти?".

В комментариях мне ответили: "Знать, не равно делать, вот и весь смысл".

Отчасти согласен. Но есть ещё одна проблема: смотреть основные показатели и понимать, что делать после изменения одного из них, — совсем не одно и то же.

Допустим, сегодня на дашборде вы видите: конверсия снизилась с 20% до 15%. Что делать? Переделывать сайт, менять рекламу, проверять менеджеров, снижать цену?

Я бы начал с другого вопроса.

Представим два сегмента трафика. Первый — люди с высокой готовностью купить: брендовый поиск, возвраты на сайт, уже знакомая с компанией аудитория. Их конверсия — 30%. Второй — новая, более холодная аудитория. Она конвертируется в 10%.

В прошлом месяце этих групп было примерно поровну. Средняя конверсия составила 20%.

В этом месяце бизнес существенно увеличил приток новой аудитории. Теперь первый сегмент составляет 25% трафика, второй — 75%. Средняя конверсия стала 15%.

На дашборде — падение на четверть. Но ни один из сегментов не стал работать хуже: как было 30% и 10%, так и осталось. Изменилась только структура трафика.

Более того, если общий объём трафика за это время вырос вдвое, количество заказов увеличится с 200 до 300. Средняя конверсия упала на 25%, а заказов стало на 50% больше.

Стало бизнесу хуже?

Теперь уже нужно смотреть стоимость привлечения, средний чек, маржу и прибыль.

Поэтому иногда ещё до вопроса «почему показатель просел?» нужно выяснить, просел ли он вообще в сопоставимых условиях.

Без контекста почти невозможно сказать.

7% чего: из визита в заявку, из корзины в оплату или из заявки в продажу? Какого источника? Для новых или повторных покупателей? На смартфонах или компьютерах? В какой категории и каком регионе? За какой период?

Можно открыть бенчмарки по рынку и увидеть там, например, 10%. Но средний показатель рынка не знает вашей структуры трафика, цен, бренда, ассортимента, географии и экономики привлечения.

Поэтому фраза "у нас конверсия 7%" примерно так же информативна, как "машина едет 70 км/ч".

На трассе — одно. Во дворе — совсем другое.

Допустим, мы запустили новый рекламный канал. Получили первые 15 переходов и 5 заказов.

Конверсия — 33%. Отличный канал? Срочно увеличиваем бюджет?

Пока рано. Пять заказов — реальный результат. Но на 15 наблюдениях показатель очень нестабилен: несколько следующих покупок или отказов способны радикально изменить конверсию.

Есть и второй вопрос: насколько эти первые пользователи вообще репрезентативны для будущего трафика?

Возможно, реклама сначала попала в самую горячую аудиторию. Или первые переходы пришли от людей, уже знакомых с брендом. Или сработал один особенно сильный запрос.

33% могут оказаться устойчивой конверсией. А могут превратиться в 8% после первых нескольких сотен переходов.

Теперь другой канал.

За месяц — 38 000 переходов и всего 3% конверсии.

На фоне 33% выглядит ужасно.

Но 3% от 38 000 — это 1 140 заказов.

Отключаем?

Чтобы ответить, нужно знать стоимость этих заказов, средний чек, маржинальность, качество клиентов, возвраты и повторные покупки. Возможно, именно этот "низкоконверсионный" канал приносит бизнесу основную прибыль.

То есть к любой красивой цифре я бы добавлял ещё два вопроса:

Достаточно ли данных, чтобы делать вывод?

И хорош ли этот показатель с точки зрения экономики бизнеса?

Высокая конверсия на маленьком объёме ещё не доказывает, что канал можно масштабировать. Низкая конверсия на большом объёме ещё не доказывает, что канал плохой.

Иногда можно сильно улучшить среднюю конверсию очень простым способом — отключить весь холодный трафик.

Цифры в дашборде станут красивее, а вот результат в бизнесе — не факт.

Возьмём другой показатель — стоимость заказа, CPO. Она заметно выросла.

Начинаем раскладывать показатель. Стоимость трафика почти не изменилась, конверсия сайта тоже держится примерно на прежнем уровне. Зато конверсия заявки в продажу снизилась с 18% до 14%.

Причина найдена?

Нет. Пока мы нашли только участок, где проявилось изменение. Конверсия заявки в продажу тоже состоит не из одной цифры. Под ней находятся доля лидов, с которыми удалось связаться, время первого ответа, количество попыток контакта, квалификация, конверсия по менеджерам, назначенные встречи или консультации, выставленные счета, оплаты и отмены.

Допустим, мы обнаружили, что среднее время первого ответа выросло с 7 до 24 минут.

Вот теперь очень хочется закончить анализ: менеджеры стали медленнее отвечать — вот и причина.

Но пока мы нашли только ещё одну метрику, которая изменилась одновременно с продажами.

За тот же период могла измениться структура трафика: стало больше новой аудитории, поменялись рекламные источники, выросла доля мобильных пользователей или сместилась география.

Мог измениться продукт: закончились популярные позиции, выросла цена, поменялся ассортимент или увеличился срок доставки.

Изменения могли произойти и в продажах: один сильный менеджер ушёл в отпуск, поменялась нагрузка, часть лидов перестала нормально попадать в CRM.

Наконец, могла измениться сама система измерения: другое правило атрибуции, задвоение лидов, новый статус заказа или ошибка интеграции аналитики с CRM.

Несколько таких изменений вполне могут произойти одновременно.

Поэтому задача анализа — не найти первое правдоподобное объяснение, а выявить наиболее вероятные причины и проверить, действительно ли они объясняют наблюдаемый эффект.

Путь от показателя до решения условно выглядит так:

И всё это началось с одной цифры на дашборде.

"Конверсия упала — переделываем сайт".

"CAC вырос — оптимизируем рекламные кампании".

"Продажи снизились — нужно обучить менеджеров".

"Повторные покупки просели — запускаем программу лояльности".

Каждое из этих решений может оказаться правильным. Но сначала стоит понять, какую именно проблему оно должно исправить.

Иначе команда может месяц улучшать участок, который вообще не являлся причиной просадки.

Особенно хорошо это видно на мобильной конверсии. Допустим, на компьютерах покупают 3,8% посетителей, а со смартфонов — 1,8%. Разница больше чем вдвое. Кажется, вывод очевиден: мобильная версия сайта работает хуже.

Но представим, что большая часть десктоп-трафика (ПК) приходит из брендового поиска, где люди уже знают компанию и готовы покупать, а на мобильном преобладает более холодная аудитория из таргетированной рекламы.

Если сравнить одинаковые источники, одинаковые типы пользователей и одинаковые категории товаров, разрыв между мобильными устройствами и десктопами может существенно сократиться или вообще исчезнуть.

Тогда проблема была не в мобильном сайте. Мы просто сравнивали аудитории с разной готовностью купить.

Она хорошо отвечает на вопрос "что происходит?" и помогает увидеть отклонение.

Но дальше начинаются другие вопросы.

И только потом — что конкретно нужно исправлять.

Поэтому нормальная последовательность анализа выглядит не как:

метрика ухудшилась > что-нибудь исправляем

а примерно так:

Последний этап тоже нельзя выбрасывать. После изменения нужно убедиться, что нужный показатель действительно улучшился и при этом мы не ухудшили экономику где-нибудь рядом.

Поднять конверсию скидкой несложно. Получить после этого меньше прибыли — тоже.

Но между этими двумя точками есть ещё один слой: понимать, что именно делать и почему.

Посмотреть воронку можно за несколько минут. Гораздо сложнее пройти путь от "здесь что-то изменилось" до "вот реальная причина, вот что нужно исправить и вот как мы проверим результат".

Именно в этот момент анализ, на мой взгляд, и начинается по-настоящему.

А где обычно заканчивается анализ у вас: на KPI, на следующей просевшей метрике или уже на проверке причин?