Кейс Answear.ua: как оценить эффективность каналов трафика для интернет-магазина

Руководитель отдела аналитики Answear Маргарита Евтух о том, как анализировать трафик интернет-магазина, повышать эффективность и увеличивать конверсию.

Читайте українською

В материале, подготовленном для интернет-портала AIN.ua Маргарита Евтух рассказала, какие инструменты анализа трафика и поведения пользователей использует Answear, как лучше распределить рекламные бюджеты для различных каналов привлечения пользователей, почему важно внимание к деталям и применять анализ для повышения продаж. Rau.ua подготовила сокращенную версию материала руководителя отдела аналитики интернет-магазина Answear.

Рыночная стратегия Answear ориентирована, в первую очередь, на развитие мультибрендового направления, обеспечение быстрой доставки покупателям продукции качественных европейских брендов. Интернет-магазин компании представлен в шести странах: Украине, Польше, Чехии, Словакии, Румынии и Венгрии. При формировании локальной маркетинговой стратегии необходимо учитывать не только стадию развития Answear в регионе, но и особенности продвижения в конкретной стране. Например, в Украине широко распространены новостные ресурсы, и реклама на них знакомит клиентов с брендом, в то время как в Венгрии новостные ресурсы представлены всего несколькими источниками и продвигаться на них менее рентабельно. Для каждого рынка присутствия Answear работают специалисты со знанием языка и локальных особенностей.

Отправные точки

Стратегия привлечения покупателей украинского Answear направлена на знакомство новых клиентов с интернет-магазином и повышение уровня продаж, поэтому важно оценить не только начальный и заключительный канал в цепочке к покупке, но и вклад источника в продвижение пользователя по воронке продаж.

Изменения начинаются с правильно поставленных вопросов:

• Какие внутренние промоции влияют на продажи?
• Какой ценовой сегмент интересен пользователям?
• Какие категории лучше всего конвертируются в покупки?

Начиная с 500 000 посещений в месяц, мы столкнулись с сэмплированием (выборкой) данных в Google Analytics, когда отчет строится на базе не 100% имеющихся данных, а 36,6%, а недостающая информация масштабируется на основании существующей. К тому же, при сборе данных в Google Analytics ограничено число пользовательских переменных (20 в не-премиум версии) для передачи полной категории товаров на карточке продукта или количества покупок пользователя.

Данные — весомый аргумент при принятии управленческих решений в компании Answear, поэтому отдел маркетинга приступил к поиску решения, которое объединит веб-, финансовые и пользовательские данные и представит их в удобном формате.

Выбор инструментария

При принятии решения команда руководствовалась простотой настройки, ценовым фактором, техническими знаниями, которыми должен обладать специалист для работы с новым аналитическим инструментом. Как и во многих компаниях, в Answear информация о трафике, продажах после возвратов и маржинальности товаров, находится в разных местах. Поэтому выбор пал на Google BigQuery в составе Google Cloud Platform, как на безопасную базу данных в облаке с понятной ценовой политикой. Удобно и то, что Google BigQuery использует язык программирования SQL, который достаточно прост в изучении.

Для расширенного анализа был настроен импорт данных о пользователях, продажах и возвратах по API из внутренней базы в Google BigQuery. Некоторые данные приходится загружать в облачный сервис вручную, например, расходы на рекламные площадки, с которыми невозможно настроить API-интеграцию.

Особенности проекта

Внедрение аналитики через Google Tag Manager может занять от двух дней до месяца в зависимости от сложности проекта. Используя Google Tag Manager для настройки сбора аналитических данных, мы добавили скрипт OWOX BI Pipeline, который собирает данные в Google BigQuery в формате Google Analytics. Внесение изменений в уже настроенные теги занимает не более 10 минут.

Для импорта данных из внутренней базы в Google BigQuery было составлено техническое задание для разработчиков. Целью импорта был отбор данных, наиболее важных для анализа, а не создание копии базы. Обновление данных происходит несколько раз в день, частота может быть увеличена в зависимости от целей использования.

Полученный результат можно загрузить в Google Spreadsheet или же использовать в инструментах визуализации Google Data Studio.

Кейс 1: Отправка SMS пользователям, которые интересовались товарами определенного бренда

SMS-подписчики Answear получили возможность узнать о начале распродажи раньше остальных пользователей. Данные о посещаемости страниц бренда были объединены с информацией о зарегистрированных пользователях. Особенность подхода в том, что сегментация была направлена не только на пользователей, которые покупали товары данной марки, но и пользователям, которые проявляли интерес к продуктам марки, просматривая их на сайте. Расширенная сегментация увеличила охват пользователей на 32% и повысила доход мобильной кампании на 19%.

Кейс 2: Распределение рекламного бюджета в зависимости от вклада канала в цепочку продаж

Для каждого регионального представительства Answear поставлены цели, соответствующие периоду развития онлайн-магазина. К примеру, рост продаж и привлечение новых покупателей. В соответствии с поставленными целями формируется стратегия для каналов привлечения пользователей.

Пример разделения каналов:

Сравнивать каналы предпочтительно в пределах логической группы. К примеру, медийная реклама привлекает пользователя на сайт и чаще всего является первой точкой касания пользователя, в то время как брендовые кампании с ключевыми словами «Answear» приводят покупателя, уже знакомого с магазином.

Каналам необходимо поставить KPI, которые будут соответствовать поставленным целям и отведенной им роли. К примеру, это могут быть:

• продажи новым клиентам;
• регистрации в магазине;
• % новых посещений;
• микроконверсионные действия (добавление в корзину и список желаний);
• повторные продажи;
• запись на рассылку.

Каждому из KPI необходимо присвоить вес:

В Google BigQuery рассчитываем место канала в цепочке продажи. При цели «привлечение новых клиентов» наибольший вес должны получить цепочки, которые приводят пользователя.

На основании полученных данных можно оценить роль канала в цепочке продаж и получить целостное представление о ценности, которую он привносит. К примеру, рекомендации по перераспределению бюджета для примера, показанного выше:

В 2016 году Answear.ua, как и большинство интернет-бизнесов в определенном моменте своего развития, пришел к выводу, что расширенный анализ имеющихся данных может существенно увеличить динамику роста.

После года использования, мы убеждены в правильности решения развивать аналитику проекта, которая показывает новые перспективы для нашего бизнеса.

Источник – AIN.ua

Читайте также –

Майже Amazon Go: які сучасні технології використовує український рітейл