Как ошибка ценой в 3 000 000 рублей заставила настроить сквозную аналитику: эволюция от Excel к BI отчетам

Дашборды управляют эффективностью 500+ рекламных кампаний в федеральном e-commerce Русский Букет: как мы пришли к BI отчетам и почему сейчас используем их на всех проектах.

Максим Манжай, руководитель проектов в Finepromo выступил на конференции ppc-conf, где рассказал, как устроена сквозная аналитика в сервисе онлайн доставки цветов Русский Букет. По мотивам выступления сделали эту статью.

О клиенте

Русский Букет 13 лет занимается онлайн доставкой цветов по России и миру. Это более 100 стран через сеть собственных салонов и партнерские магазины.

Оборот более 25 миллионов в месяц и более 30 тысяч заказов.

Последние 6 лет мы, агентство Finepromo, отвечаем за performance-маркетинг: контекстную рекламу и веб-аналитику. Все это время нам удавалось расти:

слайд из презентации на <a href="https://api.vc.ru/v2.8/redirect?to=https%3A%2F%2Ffinepromo.ru%2Fblog%2Fecom-expo-2022%2F&postId=647142" rel="nofollow noreferrer noopener" target="_blank">Ecom Expo 2022</a>, где презентовали кейс
слайд из презентации на Ecom Expo 2022, где презентовали кейс

Аналитика – один из факторов такой эффективности. На проекте мы внедрили систему дашбордов, которые позволяют оптимизировать рекламу по реальным продажам.

Рассказываем, как перешли к BI отчетам от ручной обработки в Google Sheets.

Как было: таблички и ручная работа

Раньше, чтобы отследить эффективность рекламной кампании, мы выгружали Excel, где формировали количество заказов по каналам.

Как ошибка ценой в 3 000 000 рублей заставила настроить сквозную аналитику: эволюция от Excel к BI отчетам

Это долго: нужно настроить фильтры, просмотреть период, свести данные из Директа и данные из админки в Google Sheets. А выгружали данные каждый день.

Как ошибка ценой в 3 000 000 рублей заставила настроить сквозную аналитику: эволюция от Excel к BI отчетам

Ошибка ценой в 3 миллиона рублей

Рассказываем, как потеряли их в статистике. При оптимизации ориентировались на ласт клик, видели сверхприбыль в 3 млн и радовались, сколько мы зарабатываем.

Потом решили сверить данные с бухгалтерией клиента. Стали разбираться в цифрах, и увидели что этих денег по сути нет (хорошо что это была сверхприбыль).

Исправили ошибку и затем приняли решение переходить все-таки к нормальной аналитике.

Стало: дашборды с автообновлением

Теперь мы сводим данные из CRM и рекламных кампаний вплоть до ключей и визуализируем в Power BI.

Данные в отчетах обновляются каждые 2 часа. Это удобно, а во время праздников 14 февраля и 8 марта, когда рекламный аукцион сходит с ума – просто бесценно. Вручную мы бы никогда не смогли реагировать на изменения ставок так быстро, как получается с Pbi.

Дашборды помогли кратно повысить эффективность оптимизации и освободить время специалистов на развитие проекта. Перечислим несколько полезных функций.

Что умеют дашборды Русского Букета

Рассчитываем целевой CPO на основании средней прибыли по кампании по городу

Средний чек по городам разный и соответственно, разные значения CPO. Мы устанавливаем целевую стоимость и обучаем автостратегии по каждому городу. Если РК разбиты по товарам, также будет работать обучение для каждого товара.

Такая аналитика полезна тем, что показывает изменение CPO в динамике, вплоть до ключевых слов, и специалисту не приходится вручную высчитывать нужную стоимость заказа для каждой кампании. А у нас их более 500 штук.

Как ошибка ценой в 3 000 000 рублей заставила настроить сквозную аналитику: эволюция от Excel к BI отчетам

Выстраиваем целевую конверсию по CPC

Также в отчете мы используем CR – коэффициент конверсии для работы в плюс. Например, если стоимость заказа 1000 рублей, клик 100 рублей по конкретному городу, значит конверсия должна быть 10%. Тогда мы управляем стоимостью клика, сужаем аудиторию, смотрим, как можно сократить затраты, либо подключаем другой канал. Или ищем варианты, как увеличить конверсию.

Можем сверять CR для работы в плюс с реальным и искать пути оптимизации по фразам – выводить на первые позиции ключи с более высоким CR. Этот показатель в отчете экономит специалисту много часов, которые раньше тратились на таблички в Excel.

Сравниваем показатели

На основании когортного анализа мы сравниваем между собой 2 периода по кампаниям и можем смотреть, как изменения повлияли на эффективность.

Как ошибка ценой в 3 000 000 рублей заставила настроить сквозную аналитику: эволюция от Excel к BI отчетам

Также сравниваем сезонные периоды, и смотрим, по каким каналам есть прирост, по каким нет. Это позволяет контролировать результат по срезам: товарным группам или городам.

Повышаем ROI с динамическим ценообразованием

Вместе с клиентом можем выстраивать ценообразование от CPO. Например, мы видим что в каком-то городе он мало зарабатывает с букета. Поэтому с установленной аукционом ценой CPO не получается работать в плюс.

Договариваемся с клиентом повысить цены, и таким образом увеличиваем ROI. В итоге мы выполняем план, а клиент больше зарабатывает.

Важные моменты в реализации дашбордов

Рассказываем, что под капотом и на что обратить внимание, если хотите внедрить подобные отчеты у себя.

Используем динамическую метку ID кампаний и клеим на основании этого параметра. Этот же ID передаем в CRM вплоть до ключа, а потом визуализируем в BI.

Также внутри отчета у нас сформирован коннектор по городам.

В Директе кампании выгружаются по городам с одним наименованием, а в админке сайта выглядят по другому. Чтобы свести данные между собой, надо внутри хранилища собрать коннекторы.

Все чистые данные хранятся в CRM, оттуда грузим в BigQuery. Потому что проект международный, работает он там без сбоев.

Хранение данных

Удобнее хранить данные в облачном хранилище: Yandex Cloud, Google BigQuery. Но иногда это может быть и офлайн сервер. Например, если у вас медицинская тематика, то Роспотребнадзор требует, чтобы данные были максимально защищены.

Мы используем облако. С учетом последних событий рекомендуем использовать Yandex Cloud, особенно на отечественных проектах. Сервисы Google сейчас в РФ работают плохо, и неизвестно, сколько продержатся в принципе.

Обработка

Данные обрабатываем кодом, BI лишь визуал. Основная часть обработки должна быть на стороне хранилища. Не стоит грузить визуал BI обработкой, расчетами, склейкой. При большом количестве данных отчет будет тормозить.

Визуализация в BI разнообразна, можно экспериментировать – делать воронки, статистику, графики.

Выводы

На больших проектах необходимо автоматизировать отчетность, чтобы экономить время маркетолога и более оперативно управлять рекламой.

В статье мы перечислили не все фишки и полезные возможности дашбордов. Есть интерактивная демо версия отчетов, которые мы внедряем на проектах – посмотрите по ссылке.

Если было полезно, поставьте ❤. Спасибо, что помогаете получить больше просмотров на VC.

1313
13 комментариев

А почему PowerBI, а не DataLens, если используете в основном Яндекс сервисы.

2
Ответить

К сожалению, по богатству функций Pbi пока выигрывает, адекватно заменить нечем. Looker Studio из ближайших аналогов.
Ну и в этом кейсе система годами отстраивалась, просто так уже не переедешь + у нас зарубежных проектов с Google Ads несколько. Для новых клиентов на РФ рассматриваем и DataLens

Ответить

А используете ли какую-то сквозную аналитику? Если да, то-какую. Как понимаете, что у Вас купили, только по оформлению заказа на сайте?

1
Ответить

Этот отчет и есть наша собственная сквозная. Там данные из админки клиента по финальным статусам заказа

Ответить

Еще софт для PBI какой используете Microsoft или другой?

1
Ответить

PBI и есть продукт Microsoft. Отчеты строим на приложении PBI Desktop.
Его можно запускать на MAC OS с помощью эмулятора виндовс

Ответить

Готовы поработать для вас над визуализацией, если есть такое желание )

1
Ответить