{"id":13469,"url":"\/distributions\/13469\/click?bit=1&hash=dcec5b6e3b31a287caee6d7b8c40fce348ae8105cc77ec73f81e9a3fa844790a","title":"\u041a\u043e\u043d\u043a\u0443\u0440\u0441 \u0434\u043b\u044f \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a\u043e\u0432 \u0442\u043e\u0440\u0433\u043e\u0432\u044b\u0445 \u0440\u043e\u0431\u043e\u0442\u043e\u0432","buttonText":"","imageUuid":"","isPaidAndBannersEnabled":false}
Маркетинг
Margo Berger

Сквозная аналитика для B2B с длинным циклом сделки — кейс Северсталь Маркет

Северсталь Маркет — интернет-магазин металлопроката для малого, среднего и крупного бизнеса. Сайт обеспечивает полный цикл закупки продукции от заключения онлайн-договора до организации доставки на склад или промплощадку клиента.

В этом кейсе коллеги из Северсталь Маркет рассказали, как особенности их бизнеса влияют на маркетинг и аналитику компании. Как с учетом этих особенностей им удалось настроить систему сквозной аналитики на базе внутренних систем — контуре SAP.

Задача

Основные задачи, которые стоят перед командой маркетинга — обеспечить поток лидов, достаточный для выполнения плана продаж, и оптимизировать затраты на их привлечение. Для этого нам был нужен инструмент сквозной аналитики, позволяющий автоматически считать синтетические и бизнес-показатели эффективности (конверсию, CPL, LTV, CAC, ROMI, и ARPPU) с учетом данных о реальных продажах из наших систем.

Готовые решения с использованием внешних систем не подошли нам из-за требований к безопасности данных. Поэтому мы разработали сквозную аналитику на стороне собственных систем — контуре SAP.

Особенности нашей бизнес-модели

Наш бизнес существенно отличается от обычного B2C-ритейла, что выражается в:

  • долгом пути сделки;
  • повышенном конверсионном окне;
  • нестабильной марже из-за волатильности рынка;
  • «перетекании» клиентов из онлайн- в оффлайн-каналы и обратно.

Как эти особенности отражаются на маркетинге и аналитике

В большинстве случаев стандартного набора инструментов веб-аналитики достаточно для построения автоматической отчетности. Нам такой способ не подошёл — ведь без реальных данных об исторических продажах по каждому клиенту пришлось бы оперировать приблизительными расчётными коэффициентами без привязки к текущей ситуации на рынке.

Вторая проблема — системы веб-аналитики не заточены под работу с долгим и сложным путём взаимодействия с лидом. Из-за этой особенности для нас может быть выгодно привлекать лидов в более широком диапазоне, но с точки зрения веб-аналитики это будет выглядеть неэффективно.

Кроме того, мы продаем биржевой товар с высокой изменчивостью цены, а значит, с нестабильной маржой — поэтому приходится существенно отходить от стандартов юнит-экономики для ecommerce, смещая фокус с заказов на клиентов.

Примечание: юнит-экономика — финансовая модель, которая помогает рассчитать доходность конкретной единицы товара или услуги компании. Это позволяет оценивать масштабируемость бизнеса — то, на сколько ему можно и нужно вырасти.

Решение

Мы настроили сквозную аналитику на базе собственных систем — SAP CRM, ERP, BW и коллтрекинг, при этом не передавая данные о продажах во внешние системы:

  • С помощью OWOX BI Pipeline мы автоматически импортируем расходы из рекламных сервисов (FB, Яндекс Директ, VK, MyTarget) в Google Analytics и Google BigQuery, а также собираем сырые данные о поведении пользователей сайта
  • С помощью OWOX BI ML Funnel Based Attribution мы создали воронку, которая включает в себя данные по всем лидам. Также мы создали несколько моделей с одинаковыми настройками, но разными конверсионными окнами. Воронка настроена кастомно по триггерам, уникальным именно для нашего бизнеса
  • В Google BigQuery мы объединяем данные сайта, рекламных сервисов и результаты расчета атрибуции в одно представление (view).
  • Далее из этого представления мы забираем данные в отчётность по performance-рекламе и внутренний контур (SAP). Во внутреннем контуре мы обогащаем эти данные информацией по продажам и строим дашборды с расчётами ARPPU, LTV, ROMI, CAC, макроконверсий и других показателей в динамике по времени.

Схема объединения данных:

Результат

На данных, собранных во внутренней системе с помощью OWOX BI, мы можем считать LTV, CAC, ROMI, ARPPU и другие необходимые метрики.

Например, у нас есть отчет для рекламных агентств, с которыми мы работаем. На нем видно, сколько лидов и по какой стоимости привлекло агентство, без данных по прибыли. Этот отчет помог нам автоматизировать и сделать прозрачным подсчет KPI по привлечению лидов и для нас, и для подрядчиков.

Упростили анализ лидов

Раньше мы использовали данные веб-аналитики, которая показывала не лиды, а достижения целевых действий на сайте, и вручную дополняли их данными о звонках, продажах и прибыли. Теперь же мы видим, сколько лидов приносит каждый из источников трафика, и можем оптимизировать работу с ними.

Кроме того, внедрение сквозной аналитики позволило нам не только анализировать агрегированные данные, но и детально выстроить воронку по срезам вплоть до ключевых слов. И особенно важно — теперь это происходит автоматически и значительно быстрее, чем раньше (максимум один день на то, чтобы прогрузились вчерашние данные)

Создали статусную схему лидов

Сквозная аналитика помогла нам увидеть весь путь лида от первого касания до сделки.

На базе этой информации мы создали статусную схему жизненного цикла лида, которая помогает нам продвигать его по воронке в зависимости от того, на каком этапе он находится — с помощью звонков, email-рассылок и ретаргетинга.

Оптимизировали бюджет и работу с рекламными каналами

Раньше нам было сложно корректно рассчитать окупаемость SEO и охватной рекламы. Теперь в отчётах мы видим данные по этим каналам и можем анализировать их эффективность в разрезе продаж за длительный период, чего не может показать веб-аналитика.

Выводы

Мы полностью исключили расчётные показатели при принятии решений, заменив их конкретными числами. Также появилась возможность увидеть реальные лиды и разобрать их путь к клиенту по статусной схеме, что помогает выстроить правильное взаимодействие с ними для повышения конверсии и достижения оптимального ROMI.

Несмотря на то, что путь клиента при покупке металлопроката онлайн по-своему своеобразен, описанный подход вполне применим в B2B-проектах не только с четко выраженной юнит-экономикой, но и в условиях, когда имеется большое количество динамических факторов, затрудняющих оценку эффективности.

0
2 комментария
Петр Смирнов

Роистат тоже не подошёл из-за безопасности данных?

Ответить
Развернуть ветку
Северсталь

Да, мы не отдаем данные вовне, отчего зависит и выбор инструментария.

Ответить
Развернуть ветку
Читать все 2 комментария
null