Как автоматизировать маркетинговые процессы и не сойти с ума. Кейс Hoff на Callday 2018

Продолжаем делиться с вами интересными докладами с Callday 2018. Сегодня предоставляем слово Дмитрию Дворецкому, директору по электронной коммерции Hoff. Его выступление было посвящено автоматизации процессов в области маркетинга.

Исходные данные

По состоянию на 2018 год сеть Hoff насчитывала 39 магазинов. К этому моменту онлайн-трафик уже заметно превышал оффлайн: 66 млн посещений против 16 млн.

Компания активно развивает онлайн-продажи. Если в 2016 году они не превышали 2,5 млрд рублей, то к концу 2018-го достигли уже 5,5 млрд рублей, что составляет почти 16% от общей суммы продаж.

Задачи

Автоматизацию процессов в Hoff мы решили проводить в четыре этапа:

1. Автоматизация маркетинга.

2. Внедрение собственной мультиканальной модели атрибуции.

3. Усовершенствование аналитики.

4. Настройка омниканальной коммуникации с клиентами.

Распишем поэтапно эти пункты.

Этап 1: автоматизируем маркетинг

Исторически так сложилось, что наша маркетинговая активность направлена на три сегмента: оффлайн-гипермаркеты, интернет-магазин и телефонные продажи (до 20% всех заказов в интернет-магазине Hoff делаются по телефону).

Наша контекстная реклама на сегодняшний день – это более 2 млн объявлений. И мы поставили перед собой задачу автоматизировать управление ими. Она включала в себя две подзадачи: автоматизация создания объявлений и автоматизация замены цен (нам было необходимо, чтобы при изменении стоимости товара на сайте без участия человека актуализировалась его стоимость в объявлении).

Автоматизировать создание объявлений нам помогало наше рекламное агентство и команда сервиса «Яндекс.Директ». Теперь мы готовим только шаблоны, а все заголовки и тексты объявлений создаются системой. И наш опыт показывает, что это не только удобно, но и выгодно. Во-первых, такая «шаблонная» реклама более кликабельна – CTR составляет более 9%. А во-вторых, управление объявлениями обходится на 25% дешевле.

Автоматизацию замены цен мы реализовали путём внедрения специального API. Теперь каждый день (точнее каждую ночь) компания Alytics, которая занимается управлением нашей контекстной рекламой, делает запрос к нему с ID объявления, географией и текущей ценой. А дальше возможны два сценария:

• если цена отличается от указанной в объявлении, происходит замена;
• если цена соответствует указанной в объявлении, ничего не происходит.

Этап 2: внедряем собственную мультиканальную модель атрибуции

На начальных этапах нашего онлайн маркетинга мы, как многие, использовали модель атрибуции Last Click. Позже перешли на управление ассоциированными конверсиями. Наконец, мы решили, что пришло время сделать следующий шаг и запустить собственную модель атрибуции. Это и есть наша модель эволюции маркетинга к более совершенной аналитической модели.

Такая модель хороша тем, что можно более грамотно распределять бюджет между рекламными каналами, поскольку есть чёткое представление о том, какие из них наиболее эффективны с точки зрения привлечения покупателей. Мы также хотели оценивать эффект ROPO, поскольку всегда осознавали, что онлайн-продвижение влияет и на продажи в офлайне, но не могли выявить закономерность.

Внедрение собственной модели атрибуции заняло у нас девять месяцев, поскольку в процессе мы добавляли всё новые и новые данные и приходилось решать вопрос с их «склейкой».

О потраченном времени мы нисколько не пожалели, поскольку результаты оказались впечатляющими:

• кадровая оптимизация: всеми кампаниями в сфере контекстной рекламы теперь управляет один менеджер;
• снижение ДРР на 15% (по сравнению с 2017 годом);
• рост ROI;
• увеличение в 2,5 раза количества фраз с ненулевой ценностью;
• оценка эффекта ROPO:
• треть выручки в гипермаркетах Москвы приходится на посетителей сайта; клиенты, использующие несколько каналов (сайт, гипермаркеты, мобильное приложение), приносят в пять раз больше прибыли, чем те, которые используют один канал.

Этап 3: совершенствуем аналитику

В процессе внедрения собственной модели атрибуции мы собрали в одном месте огромный массив данных.

Было бы довольно расточительно ими не пользоваться – и мы решили «склеивать» данные из разных источников. На примере анализа звонков это выглядит так:

Для визуализации аналитики мы используем сервис Geckoboard, предоставляющий наглядную информацию об эффективности различных маркетинговых каналов. Сотрудники отдела довольны.

Этап 4: настраиваем омниканальную коммуникацию с клиентами

В период работы над автоматизацией маркетинговых процессов мы активно развивали программу лояльности.

Благодаря развитию технологий у компаний сегодня нет недостатка в каналах взаимодействия с клиентом: email-рассылки, СМС, push-сообщения, персонализированные баннеры и т. д. Проблема только в том, что «по умолчанию» каждый канал воспринимает одного и того же клиента как уникального пользователя.

Чтобы взаимодействие с компанией не вызывало у человека негативные эмоции, мы приняли решение перейти на омниканальную коммуникацию. А переходным этапом в этом процессе стала кроссканальная коммуникация.

Наша система анализирует огромное количество информации о пользователе:

• онлайн-поведение: действия на сайте;
• поведение в офлайне: посещение гипермаркета, получение консультации, покупка товара, оформление карты лояльности, звонок в колл-центр и т. д.;
• реакция на коммуникацию: на СМС, email-рассылки и т. д.;
• и др.

Результатом этого глубокого анализа является то, что теперь мы точно знаем любимый канал коммуникации каждого клиента и, учитывая это, уменьшаем напор других. Это позволяет минимизировать риск отписки пользователей и оптимизировать бюджет.

Планы

Автоматизация маркетинговых процессов уже принесла свои плоды, но останавливаться на достигнутом мы не намерены.

Мы планируем «автоматизировать уже автоматизированное»: развивать модель атрибуции, усилить эффект ROPO, а также автоматизировать работу с большими данными.

В общем, живём по принципу «Нет предела совершенству!»