Контекст и задача
ПИК в своей маркетинговой деятельности основывается на современных технологичных решениях. В частности, система PIK-Data, о которой мы уже рассказывали, собирает, обрабатывает, упорядочивает и склеивает данные из разных источников. Это позволяет нам анализировать и оптимизировать медийную активность.
Ещё раз коротко о том, как она работает:
Мы собираем данные из разных источников в наше хранилище DWH, затем объединяем их по разным параметрам и id и склеиваем. В результате получаем единую цепочку движения клиента по воронке.
Создав и настроив на основе PIK Data систему post-click аналитики, мы пришли к выводу, что она очень полезна, но всё же не идеальна для сферы недвижимости. Решение о покупке, во-первых, принимается очень долго, а во-вторых, как правило, становится результатом нескольких рекламных контактов. При этом post-click модель учитывает только последний перед сделкой источник перехода на сайт, тогда как он далеко не всегда является определяющим.
Так перед нами встала задача построения системы post-view аналитики, которая вместе с уже используемой post-click системой дала бы полное понимание эффективности разных источников и их вклада в каждую сделку.
Решение
Для сбора данных для post-view отчёта используем связку Campaign Manager и Google Analytics, которые обмениваются информацией. Когда пользователь заходит на сайт, Google Analytics обращается к Campaign Manager с Google client ID. После этого Campaign Manager выдаёт нам цепочку контактов этого пользователя с нашими рекламными сообщениями.
После объединения данных в PIK-Data мы видим полный профайл пользователя — от первого показа рекламы до сделки:
По итогам интеграции мы выгружаем из DCM связку Google ClientID с информацией о том, какие рекламные объявления видел клиент — источники, форматы, метки, даты показов, порядок просмотра материалов, взаимодействие с видео и другое.
При создании post-click отчётности мы создали инфраструктуру для построения воронок и различных моделей атрибуции. Благодаря этому на основании Google ClientID удалось быстро подтянуть данные о конверсиях до сделок.
Google clientID фиксируется при звонках и заявках с помощью Calltouch. Calltouch через телефонию интегрирован с CRM. Это позволяет получить связку Google ClientID с данными в CRM и воронкой.
Основная сложность связана с тем, что цикл между показами объявления зачастую достаточно длинный, за это период пользователь может чистить куки, менять устройства и браузеры. Поэтому получить 100% точность связок невозможно, но главная задача формулируется по-другому — получить достаточно данных для сравнения источников между собой и поиска наиболее эффективных.
Хотя абсолютная точность и недостижима, мы делаем всё для её повышения. Например, используем подход к единому профилю клиента, когда по накопленным данным мы собираем все Google ClientID, с которыми клиент заходил к нам на сайт, и это позволяет получить более точные цепочки показов рекламы и конверсии.
Всё это позволяет нам собирать ряд информативных post-view отчётов. Ниже — некоторые из них.
1) Основная воронка от показа до сделки
Построен по линейной модели атрибуции. Это быстрый способ оценить конверсии по источникам и сравнить их между собой.
2) Период от первого показа до перехода
Благодаря этому отчёту мы можем оценить среднее количество дней от первого контакта с рекламой до перехода на сайт ПИК. Смотрим как среднее количество дней, так и раскладываем количество переходов по дням, потому что поведение пользователей отличается на разных источниках. Это полезно учитывать, чтобы планировать отклик. То есть, если мы повысили инвестиции в какой-то канал, то важно понимать, люди с этого канала придут к нам завтра или через три месяца?
3) Частота показов до перехода
Этот отчёт важен для оптимизации бюджетов, потому что помогает определить оптимальную частоту и избежать слишком высокой.
4) Матрица источников
Из отчёта видно, в каких источниках формируются интересы, который затем по post-click модели реализуются, например, в платном или органическом поиске.
5) Модель атрибуции
Так же как для post-click модели для post-view тоже используем три основных модели атрибуции.
Выводы
Post-view аналитика — это полезный источник информации о результатах медийной активности, который даёт много уточняющих данных об эффективности разных каналов.
Только post-view аналитика может дать данные о поведении пользователя, которые невозможно получить в классических способах анализа. Например:
- Сколько в среднем дней пользователь тратит на то, чтобы принять решение перейти на сайт и ознакомиться с предложениями?
- Cколько раз в этот период мы проконтактировали с ним нашими рекламными сообщениями?
- С какой частотой и на каких площадках?
- Благодаря каким каналам пользователь в итоге к нам пришёл?
Особенно ценны эти данные для охватных кампаний, как например «Дома хорошо», которые нацелены на построение знания и не всегда дают прямые конверсии.
При этом важно понимать, что post-view не даёт определяющих данных для принятия решения об отключении или подключении той или иной площадки. Вся информация — и post-click, и post-view, и данные по звонкам и сделкам — должна оцениваться в комплексе.
Пока мы только начали использовать эти данные, но уже получаем первые результаты:
- вернули в план одну бизнес-площадку, которая была недостаточно эффективна при оценке по post-click модели, но показала очень хорошие post-view результаты;
- отключили другую площадку с эксклюзивной аудиторией и высокой частотой показов, которые не конвертируются в интересы и сделки.