Чтобы понимать, как на самом деле обстоят дела у компании, многие предприниматели используют сквозную аналитику. Она позволяет узнать истинное значение данных: довольны ли клиенты, не снизился ли размер среднего чека и стоила ли последняя рекламная кампания своих денег.
Долгое время мы были сапожниками без сапог: Ingate настраивал сквозную аналитику клиентам, но связать воедино все данные по собственному сервису руки не доходили. Чем дальше мы шли, тем больше понимали, что наш кругозор ограничен.
Имеющиеся данные не помогали принимать бизнес-решения, просто потому что не были для этого предназначены, а других инструментов не было. Так появилась задача построить сквозную аналитику. Мы ее решили, попутно увеличив средний чек на 20%, и качественно перестроили работу над продуктом, удовлетворив и свои потребности, и интересы клиентов.
Внедрили сквозную аналитику в два этапа
В системах аналитики сервиса были настроены события. Продуктовая команда регулярно смотрела, где конверсия увеличилась, а где – просела. Но не было единой аналитики, которая связывала бы цифровые показатели сервиса (регистрации и пополнения баланса) с затратами на рекламу и бизнес-данными (LTV, CAC, ARPU). И мы перешли к решительным действиям.
Первый этап
Мы воспользовались тем, что наша компания – это онлайн-сервис, и отправили в Google Analytics данные по продажам из внутренней системы. В этом нам помог инструмент Measurement Protocol – он позволяет передавать необработанные статистические данные, чтобы связать онлайн- и офлайн-действия клиентов. С его помощью мы собрали всю аналитику в едином месте, а потом визуализировали ее в Google Data Studio.
Сразу стало понятно, из каких рекламных источников у нас закрываются лиды, из каких – получаются самые дешевые клиенты, из каких – клиенты платят.
Второй этап
В обычной ситуации первого шага было бы достаточно, но нам нужно было больше – мы хотели видеть картину в комплексе и иметь возможность смотреть на нее под разными углами в любых разрезах. Поэтому мы связали сквозную аналитику сервиса с бизнес-статистикой холдинга с помощью Microsoft Power BI.
Эта сквозная аналитика стала оптимальным решением, мы совместили воедино все данные, начиная с результатов контекстной рекламы, заканчивая маржинальностью всего сервиса.
Прокачали развитие продукта
Прозрачное отображение данных позволило полностью перестроить работу продуктовой команды. Раньше проверка любой гипотезы занимала часы работы нескольких человек: аналитика, менеджера по продукту и маркетолога. Им нужно было сначала оценить, насколько эффективна их гипотеза, чего ожидать от ее внедрения и покроет ли реализация новой идеи затраты на исполнение.
Они регулярно анализировали данные из Google Analytics и «Яндекс.Метрики», настраивали системы аналитики под себя, чтобы делать это максимально эффективно, но связывать их с показателями сервиса нужно было уже вручную – на этом терялось много времени.
Теперь же все данные находятся в едином поле, их можно комбинировать и анализировать в различных сочетаниях. Например, соотнести недельную стоимость работы всей команды (включая налоги, расходные материалы) и предполагаемую выгоду от нового функционала, который будут разрабатывать в течение этой недели.
Новый подход позволил отделить зерна от плевел: отмести заведомо провальные гипотезы. А возможность следить за данными в режиме реального времени и в разных срезах позволила генерировать больше гипотез.
Отследили эффективность рекламы
Новое представление данных позволило принимать быстрые решения по рекламным каналам.
Мы отслеживаем в режиме реального времени все изменения и перераспределяем бюджет на наиболее выгодные направления в этих условиях.
Стали более осознанно тестировать посылы. Детальная аналитика позволяет синхронизировать рекламные посылы с остальным живым миром, причем не просто со всей аудиторией, а именно с той, которая наиболее интересна сервису. Мы сразу замечаем, что пользователям нравится больше, а что, наоборот, отталкивает.
У нас был тест с двумя посылами. Первый – «Сервис по закупке ссылок», второй – «Сервис №1 по закупке ссылок» с результатами опроса пользователей. Оказалось, что второй вариант эффективнее – с ним рекламные кампании запускают на 15% чаще, причем средний LT клиентов с этого лендинга выше.
Когда у продуктолога есть данные нескольких разрезов, у него появляется возможность оценить ситуацию со всех сторон и не делать поспешные выводы.
Например, можно запустить новый лендинг и радоваться, что конверсия увеличилась на 15%. Но без связи с финансовыми показателями быстро отследить, что при этом средний чек просел в три раза, не получится. А сквозная аналитика сразу покажет, что действия были ошибочны.
Увеличили средний чек
И, наконец, самое важное: благодаря новому подходу к управлению продуктом мы повысили средний чек на 20% без значительных изменений рекламного бюджета.
За этот год мы добавили возможность закупать ссылки у доноров с высоким ИКС (индексом качества сайта), запустили триггерные рассылки и календарь услуг, и это помимо других доработок сервиса.
Стоит сказать, что клиенты начинают платить больше только тогда, когда видят для себя качественные изменения. Поэтому все гипотезы формулируются с позиции «что получит клиент» и только потом ранжируются по трудозатратам, эффективности и, наконец, выгоде для нашего бизнеса.
