Что такое сквозная аналитика и как она работает

Сквозная аналитика — это сбор, обработка и анализ данных об эффективности привлечения (ROMI) и удержании клиентов. Период — от момента показа рекламы до повторных покупок на протяжении всего срока жизни клиента (LTV

В этом материале от vctr CPO iProspect Ukraine Илья Денщиков объясняет, как работает сквозная аналитика, какие инструменты использовать и как ее настроить.

Зачем нужна сквозная аналитика

Задача сквозной аналитики — соединить данные о заявках с сайта и данные о продажах в CRM системе.

Например, у нас есть школа английского с рекламными кампаниями в Google Ads и Facebook. В каждой системе есть с десяток разных рекламных кампаний с разными месседжами и на разную целевую аудиторию. Нам нужно определить, какая из рекламных кампаний и аудиторий приносит не просто заявки, а реальные деньги.

Тут на помощь приходит сквозная идентификация пользователей от момента первого контакта до продажи. Мы размечаем кампании и пробрасываем данные про рекламу на следующие этапы воронки

Кому нужна сквозная аналитика

Сквозная аналитика применяется в основном в диджитале, где есть инструменты отслеживания действий пользователей в сети: UTM-метки, файлы cookie, идентификация аккаунта пользователя.

Она подойдет для онлайн-продвижения почти любого бизнеса: образование, финансы, электронная торговля, веб-сервисы и приложения.

Как работает сквозная аналитика

Есть три этапа контакта пользователя с рекламой:

- Объявления — мы видим статистику в рекламных кабинетах Google, Facebook.

- Сайт — со статистикой о посетителях (Google Analytics, Adobe Analytics).

- CRM-система (Bitrix24, Microsoft Dynamics 365).

Данные из инструментов собираются в одну базу данных. Чтобы посчитать ROMI, нам нужно определить сколько потрачено на рекламную кампанию и сколько она принесла дохода.

Можно настроить автоворонку — пошаговый сценарий, который проходит человек от первого посещения сайта до покупки самостоятельно, с транзакциями на сайте без участия менеджеров по продажам. В таком случае затраты рекламной кампании хранятся в рекламном аккаунте. Данные о доходах можно получать в Google Analytics через настройку целей с ценностью или блока e-commerce. Нам остается лишь выгрузить отчет рекламного аккаунта и аналитики, сопоставить данные и посчитать ROMI, например в Excel.

Единственный минус метода — это Excel. Множество таблиц нужно обновлять и сводить вручную.

Но в 90% случаев проблему можно легко решить импортом данных о расходах в Google Analytics. С помощью опции «импорт данных» можно импортировать данные о доходах, например через OWOX Pipeline или другие коннекторы.

К сожалению, таких бизнесов довольно мало. Как правило, у нас будет еще контакт с менеджером, возвраты и другие каналы продаж. Нам нужна более гибкая система, которая сможет захватить все стадии и варианты развития событий.

Обобщенная схема воронки выглядит так:

Чтобы аналитика действительно была сквозной, нам нужно собрать все данные в одну корзину Базы данных — набора структурированных и связанных таблиц с данными про все точки контакта с клиентом. А затем вывести в отчет/дашборд.

Чтобы в базе данных все не смешалось, нам необходима маркировка — общий идентификатор данных. На этапе перехода пользователя на сайт нашим основным идентификатором будет UTM-метка. Все онлайн-активности нужно размечать, даже если это SMS-рассылки, PR-статьи или QR-коды. После перехода на сайт появляется второй идентификатор — ClientID. Это ID пользователя, который Google Analytics присваивает ему в момент первого перехода пользователя на сайт.

Благодаря идентификаторам, мы можем совместить данные, так как аналитика будет знать UTM-метку пользователя и ClientID, а CRM-система будет знать ClientID и номер телефона или другой идентификатор пользователя.

Как обрабатывать данные?

Для начала нужно выбрать корзину, которая сможет собирать все необходимые данные, сопоставлять и обрабатывать их. Есть несколько вариантов:

- Excel или Google Sheets;

- Google Analytics;

- системы сквозной аналитики в отдельном инструменте или на базе CRM;

- кастомное решение на базе Google Big Query или MySQL.

Разберем плюсы и минусы каждого решения:

Excel или Google Sheets

Это решение подходит, если вам нужно свести небольшой объем данных или есть технические трудности с интеграцией. Например, для одного нашего клиента собираем данные в Google Sheets из рекламных платформ и Google Analytics c помощью App Scripts. Он со своей стороны подгружает данные про конверсии с указанием UTM-метки, по которой пришел клиент. Ее в свою очередь получает вместе с данными про лида. Потом мы сопоставляем данные и выводим в дашборд Google Data Studio.

Минусом здесь является ограничение в объеме обрабатываемых данных и в отслеживании повторных продаж.

Google Analytics

В Google Analytics есть две функции, которые делают ее хорошим хранилищем данных.

Первая — это «импорт расходов», о которой мы рассказывали в начале. Вторая — это Measurement protocol, с помощью которого в аналитику можно отправлять любые данные. Нам он понадобится для передачи данных о продажах из CRM-системы. Для реализации нужно настроить несколько скриптов POST-запросов, которые будут отправлять данные о том, кто, когда и сколько у нас заказал.

Если вы только начинаете путь в сквозном отслеживании, Google Analytics — отличный и главное — бесплатный способ отслеживания полной воронки. Из минусов — подключение программиста для передачи запросов из CRM и передачи ClientID в отдельное поле CRM-системы вместе с другими данными о клиенте.

Системы сквозной аналитики

На рынке есть много систем, которые позволяют свести все данные в одно место. Некоторые позволяют настраивать модели атрибуции (механизм для оценивания ценности различных усилий в маркетинге, — ред.). Вам нужно только добавить несколько скриптов на сайт и авторизоваться в рекламных аккаунтах.

Относительно быстрое и недорогое решение вопроса. Но есть несколько минусов:

- У вас нет доступа к телу данных для подготовки кастомных отчетов.

- Все отчеты в интерфейсе системы. Сложно делиться информацией в большой компании или с подрядчиками.

- Будут сложности с загрузкой не предусмотренных системой источников (SMS-рассылки, PR-статьи, CPA-сети).

Кастомное решение

Интеграция может проходить тяжело и занять от двух до шести месяцев, но результат того стоит. На этот путь стоит вставать, когда вы уже используете какой-то из способов выше, но его объективно недостаточно. Если у вас много повторных продаж с разных источников и разным путем пользователя, то вряд ли получится собрать все в сторонней системе без дополнительной атрибуции, связывания отдельных источников продаж.

Выбор оптимального пути для настройки сквозной аналитики будет зависеть от ваших маркетинговых активностей, воронки продаж, доли повторных продаж и удобства использования.

Но если у вас на сайте меньше 50 000 пользователей в месяц и расходы на рекламу меньше 100 000 грн, скорее всего, нет смысла тратиться на сложные интеграции.

Кто занимается сквозной аналитикой?

В любом из вариантов вам потребуются знания веб-аналитики: как собирать и передавать данные в разные системы. В этой теме можно разобраться и самостоятельно, но в таком случае рискуете набить много шишек, прежде чем все заработает. Если объем работ по сквозной аналитике достаточно большой — смело можно нанимать веб-аналитика инхаус, или хотя бы воспользоваться услугами консультанта. Но достаточно удобно отдавать эту часть работы на аутсорс в рекламные агентства или специалистам по веб- и сквозной аналитике.

С чего начать настройку сквозной аналитики

Сквозная аналитика — это общее понятие. Каждый вкладывает в нее свои смыслы и свой уровень детализации. Аналитика должна быть прежде всего чистой и осмысленной, данные — нормализованными.

Обогащайте свою аналитику поэтапно. Начните со сведения данных в Excel, определите погрешность между заявками и продажами и уже при необходимости подключайте сторонние сервисы. Даже эти минимальные действия могут значительно упростить работу с отчетами и понимать эффективность вашей рекламы.