Кейс: Как создать сквозную аналитику для e-com на коленке

В идеальной картине мира в компании есть классные разработчики, которые выгружают данные и собственник видит всю аналитику до копеечки. По каждому товару, заказу. Легко считает свою прибыль. В реальности существует очень мало компаний, которые могут себе такое позволить. У вас только данные по целям и доход в Яндекс Метрике, а хочется видеть доход с учетом отмененных и возвращенных заказов.

Мы попросили Елизавету Вежновец — нашего эксперта по маркетингу и рекламе, рассказать, как она реализовала схему подсчета дохода с выкупом для крупной e-com компании. Получилось свести расхождение между CRM и сквозным отчетом, ориентирующимся на Яндекс Метрику до приемлемых 5-7%.

Всем привет! Постараюсь рассказывать просто, четко и понятно.

Итак, мой клиент — ecommerce-проект с 150000+ товарными позициями и географией присутствия по всей РФ. Компания столкнулась с проблемой оценки работы рекламных кампаний по CRM.

Задача: Мы работаем с 15 городами. Ситуация может быстро меняться и отслеживать аналитику сложно. Хочется выстроить ее по маржинальности.

Кейс: Как создать сквозную аналитику для e-com на коленке

Евгений, маркетолог компании: Нам сложно получать информацию о доходе из CRM — у нас самописная система, поэтому не можем сами выгружать данные через API.
Нюансов, с которыми я столкнулась при выполнении этого кейса, был вагон и маленькая тележка:

  • Статистику для оптимизации клиент получает в лучшем случае раз в неделю, так как требуется сводить все вручную;

  • Только в рамках PPC на проект подключено 3 специалиста. Нужно было обеспечить автономность и скорость принятия решений, выработать единую логику оптимизации;

  • Сложности в доступе к данным — в целом высокие требования к безопасности, сложно получить доступ к маркетинговой информации;

  • Нужно отслеживать данные в динамике и по разным срезам максимально быстро, просто выгрузки таблиц не подходят;

  • У всех товаров разная маржинальность;

  • Клиент хочет управлять рекламой от ROI, но у него нет конкретной цифры. По всем городам проценты выкупа сильно разнятся. Из-за этого у компании отсутствует средняя цифра по выкупу, на которую она может ориентироваться;

  • 150+ тысяч товаров, много рекламных кампаний, много городов, нам сложно управлять таким объемом данных;

  • Настроить передачу выкупа из CRM в системы аналитики или облачное хранилище невозможно, так как система авторская, а разработчики клиента перегружены;

  • Любые попытки оптимизации от CPA и среднего чека нам не подходят, так как у заказов очень разный средний чек.

Так как у клиента высокая нагрузка на разработчиков, то это отрезало нам очевидные пути решения:

  • Реализация передачи оффлайн конверсий в системы аналитики (Яндекс Метрика, Google Analytics)
  • Получение данных от клиента на постоянной основе в некое хранилище данных (GBQ, Postgre, ClickHouse, Google Sheets)

Мы пришли к решению этого вопроса путем домножения дохода по целям в Яндекс Метрике на проценты выкупа товара и наценку. Клиент прогнозирует проценты выкупа на месяц по городам, заполняет файл в Google Sheets. Скрипт на Python подбирает эти данные, и они встраиваются в расчет всех KPI в сквозной аналитике. В итоге у клиента появилась возможность эффективно отслеживать данные. Вот пример отчета, который видит заказчик:

<p><i>В итоге был найден гибкий путь решения для этой задачи, который не зависел от разработки</i></p>

В итоге был найден гибкий путь решения для этой задачи, который не зависел от разработки

С помощью скрипта мы стали получать ежедневную статистику по большому количеству срезов и регионов.

Удалось наладить систему по расчету KPI с учетом данных из CRM по выкупу заказов. Таким образом, мы свели расхождение между CRM и нашим сквозным отчетом, ориентирующимся на Яндекс Метрику до приемлемых 5-7%. Такая погрешность происходит из-за проблемы сверки заказов.

Кейс: Как создать сквозную аналитику для e-com на коленке

Знайте, всегда есть запасной вариант. У вас могут быть перегружены разработчики. Вы можете не дотягивать по уровню технического или технологического стека. Но, чтобы дойти до цели — нужно к ней идти, а не просто хотеть. Сделайте что-то попроще. Постепенно можно будет дорабатывать это решение и прийти к идеалу. Через выгрузку и более глубокие подсчеты.

Подводя итоги, хочется дать пару рекомендаций:

  • Взвесьте все плюсы, минусы нужного вам решения и свои возможности.
  • Найдите грамотного партнера, который поможет вам прийти к нужному результату. Вместе вы найдете простой, гибкий и элегантный вариант выхода. Он определенно даст результат с довольно высокой точностью.

Надеюсь, я не сильно затянула и вам было полезно. Увидимся в следующих статьях блога. Подписывайтесь, чтобы не пропускать все это интересное из мира аналитики и маркетинга.

Контакты для связи:

Сайт агентства: atlant-analytics.ru

Мой telegram: @elizaveta_vezhnovets

44
Начать дискуссию