Как построение Data WareHouse на 25% увеличило окупаемость маркетинговых вложений омниканальному ритейлеру
eye

Клиент: Омниканальный ритейл. Сеть HOLZ – инновационный формат магазинов напольных покрытий, дверей и клиентского сервиса.
Время сотрудничества: 2 года (по продукту “Аналитика”)
Проблема

Бизнес имеет ряд особенностей, которые существенно влияют на отслеживание эффективности различных маркетинговых коммуникаций. А именно:

  • Период принятия решения о покупке – до 6-ти месяцев.
  • Период выполнения заказа – до 3-х месяцев.
  • Пользователи выбирают товар на сайте, но в 90% случаев для совершения покупки звонят или приходят в магазин.
  • Различные системы хранения данных, которые использует бизнес.

Учитывая эти особенности бизнеса, недостаточно использовать только Google Analytics для анализа эффективности маркетинга. Тут необходим комплексный подход.

Задача

Бизнес использует омниканальную стратегию развития (стратегия, при которой маркетинговые коммуникации сети салонов и интернет-магазина работают в комплексе для увеличения прибыли и роста бизнеса в целом, а не в каком-то конкретном направлении).

В интернет-маркетинг вкладывается много ресурсов. Вследствие этого возник один большой вопрос, на который бизнес хотел знать ответ: КАК интернет-маркетинг влияет на продажи на уровне всего бизнеса.

Для того, чтобы получить ответ на этот вопрос, необходимо:

  • Иметь доступ ко всей имеющейся информации о взаимодействиях компании с клиентами и продажами в одном месте.
  • Оценить влияние интернет-маркетинга на продажи в целом.

Как результат – использовать полученные данные, например, для оптимизации рекламных кампаний по фактическим продажам.

Решение

Было решено построить Data WareHouse (база данных, которая хранит в себе информацию с различных сервисов и имеет связи между этими данными).

Решение принято на основании трех главных факторов:

  • Омниканальность бизнеса.
  • Большой период принятия решения о покупке.
  • Использование различных систем сбора и хранения данных.

Инструменты и сервисы, используемые при создании: Google BigQuery, Google App Script, Google Sheets, Google Analytics, Bitrix API, Binotel.

Создание Data WareHouse состоит из следующих этапов:

pic_1.png

Discovery (исследование)

Изучение бизнес-процессов клиента.

Позволяет построить хранилище данных и инфраструктуру, которая будет полезна бизнесу на различных этапах.

Данный этап предполагает следующие виды работ:

  • Выявление потребностей бизнеса – определяем, его цели и нужды.
  • Изучение бизнес-процессов.
  • Изучение отчетности, которую использует бизнес.
  • Бизнес-сценарий использования будущего Data WareHouse (use cases).
  • Моделирование бизнес-процессов.
  • Бизнес-описание системы хранения данных.

Ниже приведен фрагмент подсхемы процесса работы с клиентом и продажами через интернет:

pic_2.png

Результат. Понимание концепции хранилища данных на высоком уровне (без технических подробностей):

  • Что должно храниться в базе.
  • Кто, как и на каком этапе получает доступ к данным.
  • Рекомендации по доработке бизнес-процессов.

Анализ

Глубокая проработка данных, полученных на предыдущем этапе.

На данном этапе создается модель данных и согласовывается функционал с клиентом:

  • Подбор метрик, параметров, ключей для связывания данных из различных систем. Например, CallTracker и СRM можно связать по номеру телефона. А Google Analytics и СallTracker можно связать при помощи clientID.
  • Создание концептуальной модели данных – понятная для не технического специалиста схема данных и их взаимосвязей.

Ниже приведена подсхема связей различных сущностей в Базе данных:

pic_3.png

  • Подбор инструментов для реализации.
  • Создание технического задания.
  • Согласование проекта.

На этом этапе важно оценивать экономическую составляющую, ведь можно построить базу данных, которая будет хранить в себе все данные (даже те, что не использует бизнес), быть идеальной с точки зрения теории, но если цена ее обслуживания больше, чем вклад для бизнеса, это неэффективно.

Результат. Согласование проекта.

Проектирование

Этап глубокой технической проработки и создания архитектуры хранилища данных:

  • Создание трехуровневой архитектуры базы данных:
    • концептуальная схема данных – серце Data WareHouse, является связующим звеном между внешней и внутренней схемой БД.
    • внешние схемы данных – создаются под каждую группу пользователей для ограничения и преобразования данных в необходимый вид. Например:
      • Отдел продаж – получает доступ к данным о клиенте и откуда он пришел, но не видит маркетинговые бюджеты.
      • Отдел маркетинга – видит число продаж, доход от них в разрезе источников трафика. Имеет доступ к LTV пользователей, но не видит их контактные и персональные данные.
    • Внутренняя схема данных – включает важные для реализации технические аспекты, которые не важны конечным пользователям.
  • Подбор алгоритмов для реализации.
  • Регистрация и настройка проекта BigQuery.

Результат. Готовая информационная база и описание работ и процессов для следующего этапа – реализации.

Реализация

На данном этапе создается Data WareHouse:

  • Интеграция с различными сервисами (Google analytics, Binotel, Bitrix и т. д.):
    • Преобразование данных – в разных система данные могут быть в разном формате, простой пример – дата, где-то это будет в формате “год-месяц-день”, где-то “день-месяц-год”. В одних системах дробные числа идут через точку, а в других через запятую (например, 1.01 или 1,01). Все это может привести к ошибкам подсчета.
    • Создание скриптов и механизма по отправке данных в BigQuery – многие сервисы могут брать программно данные из них, но способ этот у каждого из них отличается друг от друга, поэтому под каждый сервис создается отдельный скрипт.
    • Автоматизация процесса.

  • Создание скриптов и механизма отправки данных о фактических продажах в Google Analytics.
pic_4.png

  • Создание запросов для получения ответов на вопросы бизнеса.
  • Визуализация данных.
  • Тестирование корректности работы настроенных процессов.

Результат. Бета-версия Data WareHouse, так как до момента начала внедрения сложно оценить все подводные камни, которые могут возникнуть в процессе эксплуатации.

Внедрение

На данном этапе созданная База данных начинает интегрироваться в бизнес-процессы компании. Проводятся следующие работы:

  • Инструкция по использованию.
  • Корректировка бизнес-процессов на основании более оптимального и эффективного использования ресурсов.
  • Сопровождение при освоении работы с построенной системой.
  • Выявление и исправление дефектов.
  • Выявление дополнительных потребностей.
  • Доработка, обновление и создание дополнительного функционала.

Результат. Стабильная система хранения данных, внедрение системы в бизнес.

Эксплуатация

На этом этапе, по необходимости, ведется поддержка отлаженных процессов работы хранилища данных и прикладных программ.

Здесь в основном внедряются дополнительные функции.

Результат:

  • База данных в BigQuery с интегрированными и связанными данными.
  • Возможность делать SQL к связанным данным из различных систем одновременно.
  • Автоматическое обновление базы данных. Минимизация задействования людей в создании отчетности.
  • Техническая документация. Описание архитектуры и процессов.
  • Google Analytics с новыми целями в привязке к реальным продажам.
  • Визуализация данных при помощи дашбордов, таблиц.
  • Созданы цели в Google Analytics, отражающие фактические продажи.
  • Рекламные кампании Google Ads, которые оптимизируются по фактическим продажам.
pic_5.png

Пример визуализации данных:

pic_6.jpg

Вопросы, на которые отвечает дашборд:

  • Как отличается для интернета в зависимости от типа отслеживания?
  • Какие каналы способствуют лидогенерации?
  • Распределение лидов по регионам?
  • Воронка продаж
Общие результаты по проекту

Использование информации о фактических продажах позволило бизнесу:

  • На 10% увеличить конвертацию из заявок в продажи.
  • На 25% увеличить окупаемость маркетинговых вложений.
  • На 50 % увеличить точность информации, которой располагают специалисты для оптимизации рекламных кампаний.

Для этого было сделано следующее:

    • Отслеживание всех этапов воронки продаж.
    • Отслеживания ROPO-эффекта.
    • Возможность создавать рекламные кампании, которые оптимизируются по данным о фактических продажах.
    • Глубокий анализ поведения пользователей.
    • Анализ эффективности работы менеджеров.
    • Внедрение процесса сквозной аналитики.
Вывод

Признаки того, что бизнесу необходим Data WareHouse:

  • Покупка происходит не на сайте.
  • Период принятия решения о покупке – более 90 дней.
  • Большой объем данных.
  • Большое количество систем учета и коммуникации, которые использует бизнес.
  • Большое количество типов маркетинговой коммуникации.

Когда вы начинаете строить систему хранения данных важно ответить на главный вопрос “Какая окупаемость создания БЗ и за счет чего она происходит?”. Для бизнеса важен рост прибыли, потому любые действия при работе с данными должны привести к тому, что это позволит в каких-то местах экономить бюджет, а в каких-то – расти за счет использования дополнительных данных.

Создание хранилища данных требует изменения и доработки бизнес-процессов. Также необходимо вовлечения владельцев бизнеса или их доверенных лиц. В противном случае, построенный инструмент будет пылиться на просторах облачных сервисов.

При создании хранилища данных важно найти баланс между полнотой используемых данных, стоимостью создания/обслуживания системы и ее пользой для бизнеса.