Представители меховой фабрики «Каляев» обратились к нам за помощью в аналитике. Основным источником по привлечению новых покупателей была онлайн-реклама, десятки источников, которые отправляли потенциальных клиентов на сайт интернет-магазина. Там пользователи знакомились с ассортиментом, а за покупкой единым потоком шли в салоны. В итоге компания не знала, какой именно ресурс привел покупателей в офлайн-магазин. Нужна была четкая связка рекламного источника и его конвертации в покупку. Иными словами, компании необходимо было понимать, каким образом человек пришел на сайт: из Яндекс.Директа или Adwords, кликал ли по объявлениям ремаркетинга. Это, в свою очередь, помогло бы увидеть, какая реклама наиболее эффективна.


Аналитика на сайте собиралась стандартным образом – через систему Google Analytics: в ней отражались все посещения, источники и достижения целей. Когда человек приходил в офлайн-магазин и совершал покупку, данные попадали в 1С. Главная проблема заключалась в том, что 1С никак не пересекался с сайтом, и данные хранились отдельно. Нужно было придумать систему, которая связывала бы воедино данные из 1С и с сайта. Было запущено несколько механик по сбору адресов электронной почты, предлагая пользователям взамен оставленных данных подарок или скидку, также тестировался метод закрытия каталога для пользователей, не оставивших контакт. Этот метод сработал. Сложилась следующая ситуация: человек посещал сайт, а мы, в свою очередь, знали об этом посещении все – не только то, с какого источника рекламы он пришел, но и другие дополнительные данные. После того, как клиент подписывался, в привязке к e-mail мы сохраняли его ID из Google, и все эти данные отдавали в 1С. Когда покупатель приходил в офлайн-магазин и что-то приобретал, продавец на кассе обязательно просил назвать свой электронный адрес. Это дало возможность 1С при закрытии заказа получить e-mail клиента и провести сверку с таблицей сохраненных данных с сайта. Если адрес был найден в таблице, 1С по API-протоколу Google Analytics проводил привязку к этому клиенту. А по ID клиента из Google мы могли увидеть, с какого источника он пришел на сайт. В итоге перед нами оказывалась полная картина – мы знали, какой трафик нам обеспечивает каждая рекламная кампания и насколько эффективно она конвертируется в покупки.


Имея все эти данные, мы могли построить классический отчет по возвратности инвестиций. Расчет был простой: мы знали расход на каждую кампанию и знали полученный доход от пришедших на сайт и купивших товар клиентов. Собственно, эти два показателя были необходимы, чтобы понять, насколько эффективными являются инвестиции. Мы сформировали ежемесячный автоматический отчет, который собирал статистику по всем рекламным кампаниям. Он позволил маркетологам наглядно увидеть эффективность каждого канала рекламы и понять, что плюсует, а что минусует. Зная это, компания могла отключать неэффективные каналы и, наоборот, увеличивать финансирование эффективных. Такая модель позволила за три месяца сократить маркетинговый бюджет практически на 15%.


Отчет по возвратности инвестиций мы строили по разным моделям атрибуции: по последнему клику, по первому посещению и на основе позиции. Но в основном придерживались модели на основе позиции – Position Based. Дело в том, что перед покупкой человек посещает сайт несколько раз. Он может услышать от кого-то название фирмы, найти ее в поисковике и таким образом перейти. Повторно напомнить о посещении сайта ему может ретаргетинг. А если пользователь к тому же подписался на рассылку, то письмо с информацией о новинках или спецпредложениях может побудить его совершить покупку. То есть все три источника – органика, ретаргетинг и рассылка – поучаствовали в пути конверсии. Суть модели атрибуции на основе позиции в том, что она делит доход равномерно между различными типами взаимодействия в пути конверсии – на первое и последнее посещение отдается по 40%, а на промежуточные – 20%. Это позволяет справедливо оценивать все каналы, поскольку некоторые из них в силу своей специфики никогда не конвертируются в заказы с первого клика, но при этом приводят клиента на сайт и через месяц он стабильно начинает покупать. Игнорировать эти каналы неправильно. Но для наглядности мы выстраивали отчеты по всем трем моделям – так маркетологам была видна полная картина. Делалось это через отчеты Google Analytics, не совсем, впрочем, стандартные – мы использовали ручные настройки моделей. Дело в технических особенностях: когда 1С обращается к Google Analytics, то сервис воспринимает это как последнее прямое обращение клиента с сайтом. Поэтому приходилось отсекать последний прямой клик, иначе результаты искажались.


В рамках этой же задачи мы запустили сервис по автоматическому сбору расходов на рекламные кампании. Раньше такие ключевые значения, как количество принесенных клиентами денег и потраченных на каждую кампанию средств, вносились менеджером в таблицу вручную. Нам удалось автоматизировать этот процесс. В первой итерации сервис был интегрирован с системами Яндекс.Директ, myTarget и Cfriteo. Чтобы осуществить автоматизацию, нужно было разобраться с их API, дать техническое задание разработчикам, сформировать требования, в какую таблицу и в какой последовательности складывать данные и, наконец, как на выходе должен выглядеть файл. После того, как система была нами протестирована, заказчики получили готовый инструмент для формирования статистики. Все поставленные нам задачи были успешно выполнены. Мы продолжаем работать с компанией «Каляев», разрабатываем новую отчетность и оказываем им необходимую техподдержку.

Некоторое время назад создательница магазина женской одежды Trends Brands Настя Сартан объявила о запуске Telegram-бота. Концепция основательницы заключалась в том, что базовый гардероб женщины может состоять всего из 40 вещей. Комбинируя их можно составлять наряды на все случаи жизни. Бот Epytom генерирует эти образы и выдает пользователям фотографии с частотой раз в день, неделю, месяц – в зависимости от настроек подписчика. Пользователь также может запросить, скажем, 5 образов с оксфордскими рубашками. В этом случае бот присылает ему пять товаров со ссылками на магазины, где их можно купить онлайн прямо сейчас. Приложение получает комиссию от продаж, а пользователь, согласно концепции, постепенно формирует те самые 40 вещей. Довольно скоро создателям потребовались данные аналитики: воронка действий внутри приложения, когорты активных пользователей, возвратность аудитории, ценность клиента.


Мы начали с консалтинга. Один из первых вопросов, с которым мы столкнулись, касался расчета LTV – сколько человек приносит прибыль за время своего жизненного цикла в приложении. Было понятно, выяснить нужные данные у Telegram невозможно. Мы предложили действовать через партнеров: собирать статистику о продажах с конкретных переходов из Telegram-приложения и связывать это со ссылкой редиректа, которая генерируется для каждого пользователя. Это позволило посчитать LTV и выделить целевую аудиторию, которая готова тратить деньги, используя приложение. Одна из задач была решена. После этого мы перешли к более трудной части работы – внутренней аналитике.


Сложность в получении данных заключалась в том, что Telegram – это максимально зашифрованный мессенджер, по сути – черная коробка. Главная его идея состоит в том, чтобы ничего не отдавать вовне. Мы изучили вопрос и оказалось, что достать нужные цифры все-таки можно, но для этого нужно разработать особую систему, которая будет собирать данные на уровне серверного приложения. А это приложение, в свою очередь, должно обрабатывать запросы пользователя из Telegram. Нам предстояло сформировать для заказчика список отчетов, в которых должны быть указаны данные по пунктам: «Общая воронка», «Активные пользователи в день/неделю/месяц», «Возвратность» – показатель того, насколько часто люди после подписки возвращаются в приложение. Последний пункт нужен был и для того, чтобы понимать, как подписчики воспринимают образы и нужно ли их менять на другие. Для того, чтобы начать работу над формированием отчетов, нам нужно было точно понимать, какие действия пользователей предусмотрены в приложении. Заказчик предоставил нам список: человек может нажать «старт», подписаться, выбрать пол, запросить последние образы прямо сейчас – всего несколько десятков действий, которые порождали различные пользовательские сценарии. На каждое из этих действий мы поставили особый код-трекер. Вызов этого кода создавал определенное событие, которое отправлялось в систему Google Analytics через measurment protocol, и мы могли видеть, например, сколько человек за последний день нажали «старт» и сколько из них запросили прислать образы, не дожидаясь рассылки. При этом мы фиксировали, кто из пользователей вернулся, то есть повторно нажал «старт». Была разработана система сбора всех этих данных, которые дальше помещались в отчеты. Мы сделали общий документ, так называемую карту приложения, в которой фиксировали все действия пользователя. В этой карте было отражено абсолютно все, что может делать человек в приложении.


Дальше нам предстояло определить вид и интерфейс отчетов, в которых мы будем отображать все собранные данные. Информация с сервера по API-протоколу отправлялась в Google Analytics. Поскольку нам предстояло получать данные по сегментам той аудитории, которая совершала определенные действия, а потом из этих действий составлять воронку, то использование стандартных настроек Google Analytics не подходило. Кроме того, отчет по возвратности требовал цифр одновременно по нескольким расчетным периодам, и этого Google Analytics тоже не мог выполнить в своем стандартном режиме. Поэтому мы решили выгружать сырые данные в Google-таблицы. Это не требовало дополнительных ресурсов разработки – мы использовали готовую интеграцию между инструментами Google. В итоге были собраны готовые удобные формы. Отчеты выгружались ежечасно в автоматическом режиме. Мы задали по умолчанию несколько периодов, в которых всегда были актуальные данные, а также оставили возможность быстро получать информацию за любой интересующий клиента промежуток времени. В отчетах была отражена общая воронка, количество новых пользователей за последние семь дней, количество вернувшихся пользователей, сколько пользователей воспользовалось функцией «старт», сколько подписалось на день/неделю/месяц, сколько посмотрело магазин «40 товаров» и сколько попросило показать образы прямо сейчас. Конверсия считалась по всем сессиям. На основании этих данных можно было сделать сравнение: приросли или упали показатели ко вчерашнему дню. Таким образом, маркетологи могли анализировать ситуацию и корректировать свои действия. Например, когда была проведена массированная рекламная рассылка о скидках в магазине-партнере, то на этой же недели пошли массовые отписки от приложения. Вывод был сделан сразу – такая реклама слишком агрессивна.


Таким образом, все поставленные задачи были выполнены, и мы оказались первыми, кто сделал полноценную аналитику для закрытого Telegram. Также, позднее мы создали систему аналитики для чат-бота в среде Facebook мессенджера. Наше сотрудничество с Epytom продолжается.

После запуска обновленной версии сайта магазина женской одежды Trends Brands аналитика показала заметное снижение конверсии в участках воронки продаж «Просмотр карточки товара» – «Добавление товара в корзину». Это повлекло за собой снижение выручки – ситуацию нужно было выравнивать. Увеличить продажи предстояло при сохранении прежних затрат на маркетинг и сохраняя неизменным штат сотрудников (web-разработчик, дизайнер и digital-маркетологи). Мы изучили проблему и выделили два стартовых направления работы: 1. провести базовый анализ сайта (чтобы убрать недоработанные элементы, которые могут негативно отражаться на показателях); 2. провести детальный анализ трафика сайта. Потребовались несколько исследований. Во-первых, мы проанализировали сегменты аудитории и выяснили, кто достигает исследуемых страниц с помощью поисковых запросов и выполняет действия на сайте с применением фильтров. Во-вторых, определили самые конверсионные действия и страницы, сегмент по которым можно расширить. Наконец, мы сравнили все исследуемые сегменты в процентах от числа общей аудитории сайта «до» и «после» редизайна. После этого приступили к разработке способов увеличения конверсии: как итоговой – в оформленный заказ, так и в промежуточные шаги.


Мы начали с базового анализа сайта. Выяснилось, что страница карточки товара «заточена» только под большие мониторы с горизонтальным разрешением 1920 px, хотя общий процент пользователей, заходящих на сайт с таких мониторов, равен всего 8,08%. Основная же часть пользователей заходит на сайт с устройств с небольшими экранами. Исследования подтвердили нашу гипотезу. Исходя из этого было подготовлено первое техническое задание – верстка страниц карточек товаров должна быть оптимизирована с учетом новых данных.


Проблемы возникли и с навигацией сайта. После обновления в хедере осталось только три ссылки, остальные разделы были скрыты в выпадающем списке. Мы решили выделить равные по объему сегменты по месяцам с одинаковых источников трафика (основное ядро – органические переходы из поиска). Поведенческие метрики показали, на сколько процентов упала средняя глубина просмотров, продолжительность сеансов и как сильно возрос показатель отказов. Мы провели исследования сегментов аудитории и выяснили, что после обновления сайта количество тех, кто дошел до интересовавших нас разделов сайта снизилось относительно общего числа посещений. Однако поведенческие показатели внутри сегментов остались прежними. Эти данные стали показанием к изменению вида меню.


После этого мы приступили ко второй части работы – детальному анализу трафика. Она сводилась к пяти необходимым шагам: 1. выделению основных каналов трафика, 2. построению поведенческих отчетов в рамках сегмента по каждому отдельному каналу, 3. выявлению закономерностей поведения в рамках каждого канала, 4. выделение сегментов аудитории по типам устройств (десктоп, планшет, смартфон), 5. построение поведенческих отчетов в рамках сегмента по типу устройства.


Проведенные исследования позволили нам установить ключевые задачи. Прежде всего, необходимо было выровнять плохие показатели аудитории, заходящей со смартфонов: сайт не имел мобильной версии, хотя 30% трафика приходились именно с телефонов. Это задача решалась созданием мобильной версии сайта. Для удешевления проекта было решено сделать шаблон сайта в разрешении, которое универсально подходило бы под большинство популярных смартфонов. После этого показатель конверсии заказов мобильной аудитории увеличился более чем на 20%. Вторая задача – остановить отток подписчиков из базы email-рассылки. Поскольку текущие инструменты сбора контактов не давали необходимого результата, мы разработали более 10 новых механик с различными сценариями работы. Рост базы подписчиков возобновился.


Все предложенные нами корректировки были применены на сайте. По результатам работы итоговое увеличение конверсии заказов составило 11,7% (данные приведены за период с сентября по февраль 2014, исключая традиционный месяц высоких продаж – декабрь). Большая часть обновлений проходила через а\б тестирование, результаты которого для подтверждения достоверности в свою очередь также проходили через статистический калькулятор.