Необходимость руководствоваться цифрами при принятии управленческих решений понятна каждому руководителю в любой сфере бизнеса. Но, чтобы пользоваться цифрами, их необходимо правильно собирать. Как показывает практика работы нашего агентства с онлайн-школами, 80% процентов школ неправильно анализируют трафик.
Проблемы и ошибки анализа платного трафика приводят к неверной интерпретации данных и, как следствие, неверным задачам, которые ставятся на основе цифр.
В одном Telegram-чате я пересекся с фанатиком, который убеждал, что аналитика ни в каком формате не может быть полезна, что аналитика не влияет по факту на задачи. Мол, пул задач для сотрудников все равно ставится не на основе данных.
В ряде случаев действительно нужно несколько цифр. Но, как только вы научитесь регулярно на них смотреть, вы захотите регулярно смотреть на более глубокие показатели.
Не иметь простейшего анализа — это как ходить по квартире с завязанными глазами. Возможно, но не так ловко и найти ключи от машины уже сложнее.
При всем разнообразии проектов, с которыми мы работали, нам удалось выявить и систематизировать несколько особенностей и проблем в сборе и понимании данных по анализу платного трафика, связанных с:
- расчетом эффективности трафика;
- сегментами пользователей по времени принятия решения;
- анализом работы подрядчиков;
- анализом трафика до объявления.
Эти особенности и трудности приводят к тому, что оценка формируется со значительной погрешностью и не дает точного понимания, какие именно специалисты, рекламные кампании и активности дают покупки с максимальными показателями конвертации.
Ниже разберем подробнее каждую из проблем и предложим способы решения и автоматизации:
1. Расчет эффективности трафика
Одним из активно используемых показателей для расчета эффективности трафика является показатель ROMI (Return on Marketing Investment), который рассчитывается по следующей формуле:
ROMI = Доход — Расходы/Расходы * 100%,
где доход – доход от продажи онлайн-курсов,
а расходы – общие затраты на рекламу.
Большинство школ считает его следующим образом: берется период, например месяц, и ROMI считается на основе данных о показателях этого месяца: сколько заработали, сколько потратили на рекламу. И на основе этих данных делаются выводы об эффективности рекламного канала или работы конкретного таргетолога.
Это неверный подход для инфобизнеса. Потому что расход на рекламу текущего периода зачастую никак не влияет на доход текущего периода.
Во-первых, это связано с продолжительностью цикла сделки, который может составлять одну-две недели от первого касания с клиентом (просмотр рекламного объявления в соцсети) до момента покупки инфопродукта. Например, при продаже курса через марафон. Поэтому сравнивать доход, полученный от продажи курса на этой неделе некорректно сравнивать с расходом на рекламу, потраченным на этой неделе.
Во-вторых, одновременно с продажей по текущей рекламе, школа может проводить распродажи курсов путем рассылки писем по существующей базе клиентов, то есть без использования рекламы. Получается, что доход от такой активности получен от трафика предыдущих периодов (месяц, год назад и т.д.).
А если в онлайн-школе несколько продуктов с разными циклами, ведется активная работа с базой, то показатели эффективности, рассчитанные вышеупомянутым способом, однозначно не соответствуют действительности.
2. Сегменты пользователей по времени принятия решения
Для того чтобы правильно сопоставить доходы и расходы от рекламы, важно выяснить сколько времени проходит до момента принятия решения о покупке. Можно разделить всех клиентов онлайн-школы минимум на две категории:
— клиенты, которые готовы купить продукт сразу, как только его увидели,
— клиенты, которые покупают через какое-то время от момента знакомства с продуктом.
Благодаря опыту работы агентства мы выявили следующие закономерности — только 20-25% от общего числа покупателей приобретают инфопродукт в течение первого месяца от момента попадания в базу школы. Далее при работе с базой еще 20-25% покупают курсы в течение периода до полугода, и остальные 50% составляют те, кто приобрел какой-либо продукт более чем через 6 месяцев с момента регистрации.
Задача верной аналитики — уметь четко сопоставлять доход и расход именно в этих случаях.
3. Анализ подрядчиков и проблема дублирования лендингов
Онлайн-школы обычно работают с несколькими таргетологами, агентствами по трафику, из-за чего возникает необходимость оценивать работу каждого из них.
Для решения этой задачи часто используют практику создания нескольких лендингов одного курса с отдельными метками под каждого подрядчика. Такая практика закономерно приводит к дополнительным временным и трудозатратам, нагромождению страниц на Getcourse, риску ошибок при работе процессов.
Кроме того, при анализе работы подрядчиков невозможно сформировать единую систему оценки эффективности их работы. Каждый таргетолог использует свой набор форм отчетности, что вызывает затруднения в попытке сопоставить разные показатели.
4. Анализ трафика до объявления
Задача оценки эффективности усложняется, если мы пытаемся анализировать не подрядчика, а конкретное объявление. При значительном числе таргетологов, рекламных каналов и креативов выделить и высчитать параметры каждого объявления вручную невозможно, поэтому расчет чаще всего ограничивается на уровне подрядчика.
Для данной задачи часто используют, например, отслеживание пикселя Facebook для подсчета количества человек, которые зарегистрировались на вебинар.
Но этот и другие способы не дают реальной оценки, так как не каждый пришедший на вебинар клиент покупает продукт или покупает, но по прошествии значительного периода времени.Решения руководителя, принятые на основании такой оценки, могут привести к потере хороших специалистов, не выявлению ранней стадии выгорания креативов, неверному выбору рекламных каналов и т.д.
Стек решений
Для решения проблем при анализе трафика необходимо в первую очередь понять суть проблемы, определить, какие есть инструменты для её решения и каким образом можно настроить и упростить процесс сбора данных.
Суть проблемы мы разобрали выше, а теперь предлагаем рассмотреть два направления ее решения: атрибуция и разметка трафика.
Атрибуция – это способ соединения данных трафика, при котором мы соединяем все события воронки продаж с какой-то конкретной датой. Атрибуции встречаются в таких системах как Яндекс. Метрика и Google Аналитика, вариантов их может быть множество. Рассмотрим два варианта, которыми можно воспользоваться для правильного расчета ROMI.
Атрибуция по регистрации
Под регистрацией мы понимаем здесь первичное добавление пользователя в базу школы (дата регистрации нового пользователя в Getcourse). По данной атрибуции доход от платных продуктов причисляется к дате регистрации пользователей в базу.
Как можно реализовать атрибуцию по регистрации в Getcourse. На скриншоте мы видим фильтрацию заказов по следующему признаку – заказ сделан пользователем, зарегистрированным в онлайн-школе с 01.09.2021 г. по 30.09.2021 года.
Используя данную атрибуцию можно увидеть как новый клиент ведет себя в базе: какие продукты покупает, через сколько времени от момента первого касания с онлайн-школой. Сопоставляя даты регистрации с датами рекламных объявлений можно понять, откуда пришли те или иные клиенты.
Использование данной атрибуции в одной из школ позволило нам увидеть, например, что один подрядчик приводит клиентов, которые чаще всего покупают продукты, но через значительный промежуток времени, а другой – клиентов, которые покупают сразу, но с низкой конверсией.
Минус метода в том, что он не учитывает клиентов, которые сделали заказ благодаря рекламному объявлению, но при этом уже были зарегистрированы в школе ранее. Такая атрибуция не будет работать при ретаргете.
Атрибуция по входу в туннель (воронку продаж)
Под туннелем в данной статье мы имеем в виду дорогу, которую проходит клиент, например: регистрация на вебинар, посещение вебинара, звонок менеджера, формирование заказа. У туннеля есть вход – регистрация на вебинар, и выход — платный заказ.
При применении атрибуции по входу в туннель, доход от платных продуктов причисляется к дате регистрации пользователей на вебинар, независимо от того, был ли он зарегистрирован в базе ранее или нет. То есть атрибуция учитывает всех клиентов, которые пришли в этот конкретный туннель.
На Getcourse такую атрибуцию можно построить, например, с помощью работы с группами. При регистрации на вебинар – клиент автоматически попадает в группу, и с помощью фильтра можно посмотреть, какие заказы сделали клиенты группы.
При работе с группой также можно использовать дополнительные фильтры по продуктам, особенно если с одним и тем же продуктом работают несколько туннелей.
Этот метод не всегда удобен и прост, потому что надо вести дополнительные таблицы для сравнения отфильтрованных данных и делать фильтрацию на регулярной основе. Это довольно сложно и требует времени.
Вторым способом ручного сбора данных по атрибуции можно является создание «нулевых заказов», которые формируются при регистрации на вебинар. Чтобы использовать этот способ надо:
- выгрузить нулевые и платные заказы в Excel;
- связать данные о заказах по идентификатору клиента с учетом даты и продуктов.
Таким образом, мы получим аналитику по туннелю. При этом предварительно необходимо расставить теги по продуктам и воронкам, правильно расставить метки по трафику.
Делать такую работу на постоянной основе сложно, если школа использует множество продуктов, туннелей и каналов трафика. Этот способ дает более корректные показатели при правильной разметке, но является более трудозатратным.
Использование автоматизации вышеописанных процессов по сбору данных позволяет онлайн-школе не превратится в компанию по сбору статистики, минимизировать риск «человеческого фактора» и затраты на содержание «отдела отчетности».
Использование платформы сквозной аналитики Монитор
Для автоматизации сбора данных сквозной аналитики наша команда разработала платформу «Монитор» (https://sedov.link/monitor), которая позволяет отслеживать основные параметры, необходимые для управленческого учета и анализа эффективности работы школы, видеть данные в разрезе каждого продукта, каждого источника трафика, каждого звонка, видеть данные когортного анализа. И все это в динамике.
Подробнее о Мониторе я написал тут:
Модель атрибуции — принцип распределения конверсий, транзакций и дохода; это способ соединения данных трафика, при котором мы соединяем все события воронки продаж с какой-то конкретной датой. Тема особенно актуальна для проектов, которые занимаются закупкой трафика в каком-либо виде: блоггеры, таргет, контекст, SEO и прочее.