Файл: Процессы принятия решений в организации (принципы управления на основе данных).pdf

Эти меры быстро принесли результаты. По сравнению с предыдущим годом цена за конверсию на мобильных устройствах понизилась на 80%, а доля конверсий по последнему клику на мобильных устройствах в общей структуре дохода увеличилась. При этом количество конверсий за год выросло на 112%.

2.4 Компания OZON.ru в два раза увеличила показатель конверсии при ремаркетинге благодаря интеграции данных из CRM

Один из ведущих игроков российского рынка электронной коммерции компания OZON.ru решила использовать данные из собственной CRM для повышения рентабельности инвестиций в рекламу при ремаркетинге. Благодаря моделированию ожидаемого LTV (Lifetime Value — это совокупная прибыль компании, получаемая от одного клиента за все время сотрудничества с ним) [17], которое позволило предсказывать прибыльность покупателей и в соответствии с этим ранжировать рекламные затраты на их привлечение, ей удалось удвоить показатель конверсии, а объем рекламных кампаний вырос в 2,5 раза [16].

LTV — это одна из важнейших метрик в бизнесе (особенно E-commerce). Девид Скок, известный венчурный инвестор, в своей статье говорит, что большинство стартапов умирает из-за того, что стоимость привлечения нового клиента (CAC) превышает пожизненную стоимость клиента (LTV).

Как показывает практика, чаще всего такой перевес происходит из-за того, что компаний фокусируется на осуществлении сделки и зачастую забывает об опыте, который получает клиент после конверсии.

Знание LTV помогает:

1. Определить реальный ROI по стоимости привлечения нового клиента - LTV помогает сфокусироваться на тех каналах, которые приносят лучших клиентов. Лучше оптимизировать свои маркетинговые каналы на основе прибыли, которую приносит клиент за всё время, нежели на доходе от его начальной покупки. Следовательно, можно максимизировать пожизненную ценность клиента по отношению к стоимости привлечения нового (CAC).
2. Улучшить стратегию удержания клиента - значение маркетинговой кампании (например, той, что превращает покупателя, однажды совершившего покупку, в постоянного клиента) не должно быть основано на текущем доходе. Оно должно оцениваться во влиянии на средний LTV в сегменте потребителей, на которых происходит таргетирование.
3. Создать более эффективными обмен сообщениями, таргетинг и информирование клиентов - сегментирование своих клиентов по LTV. Это помогает усовершенствованию релевантности маркетинговых кампаний при помощи более персонифицированных сообщений. Важная переменная, используемая здесь — это типы продуктов, которые вы продаете клиентам из разных сегментов.
4. Усовершенствовать поведенческие триггеры - используя кластерные техники, открываются новые поведенческие триггеры, которые простимулировали клиента сделать свою первую покупку. Дублирование этого поведенческого фактора с новыми потенциальными клиентами подтолкнет их к первому приобретению.
5. Улучшить производительность за счет поддержки клиентов - фокус времени на оказание особого внимания к самым ценным клиентам.

CRM хранит огромный пласт ценной информации о покупателях и тех действиях, которые они совершали на сайте компании, особенно, когда речь идет о таком крупном игроке рынка e-commerce как OZON.ru. Именно поэтому для увеличения эффективности ремаркетинга и корректировки затрат на привлечение отдельных клиентов, было принято решение использовать данные из CRM. Это позволило ранжировать пользователей, которые уже взаимодействовали с сайтом OZON.ru в прошлом, по ожидаемой прибыли для компании и настроить ремаркетинг таким образом, чтобы более высокие ставки автоматически выставлялись на более прибыльных клиентов.

 Методология интеграции данных из CRM

На первом этапе была настроена ежедневная обработка данных в CRM компании OZON.ru. Специальное приложение оценивало всех пользователей, совершивших действия на сайте, на основе RFM-модели по трем показателям: как давно (Recency) и с какой частотой (Frequency) они делали покупки, а также по величине чека (Monetary Value) и их географии. Приложение предсказывало ожидаемый LTV каждого покупателя в течение года и передавало эти данные в Google Analytics, где пользователи группировались в списки аудиторий на основе предсказательных сигналов их дальнейшего поведения по отношению к компании и вероятности совершения покупок. И наконец, на последнем этапе эти аудитории экспортировались в Google AdWords, где по ним настраивался ремаркетинг, автоматически ранжируя значения рекламных ставок исходя из разницы в ожидаемой прибыльности этих списков.

После интеграции данных из CRM в онлайн-рекламу, OZON.ru получил видимые результаты: показатель конверсии кампаний ремаркетинга увеличился в два раза. Кроме того, в два с половиной раза вырос объем кампаний, а коэффициент возврата инвестиций (ROI) стал выше на 55%. Также данный подход был одним из драйверов улучшения когортного поведения покупателей, помогая поддерживать покупки и уменьшать отток (customer churn) у повторных покупателей. Ощутив эффект от данного подхода, OZON.ru начал использовать его не только в контекстно-медийной сети Google, но и в поисковой рекламе.

2.5 Использование данных для оценки влияния поисковой рекламы на посещаемость магазинов IKEA

За 75 лет, прошедшие с момента основания компании IKEA, легко узнаваемые желто-синие фасады появились более чем в трехстах городах мира. Ежегодно ее магазины посещают более 770 миллионов покупателей, которых привлекают современный дизайн, широчайший ассортимент и дружелюбная атмосфера. И несмотря на стремительное развитие электронной торговли, обычные магазины по-прежнему являются основой бренда IKEA. Бизнес IKEA невозможно представить без магазинов и шестигранных ключей. Однако это не означает, что компания не заинтересована в электронной торговле. IKEA не только занимается развитием своего интернет-магазина, но и проводит различные маркетинговые кампании, чтобы привлечь онлайн- и офлайн-покупателей. Особое место в этой стратегии занимает сервис “Google Покупки”. Поскольку рентабельность инвестиций в рекламу (ROAS) является одним из ключевых показателей бизнеса, маркетологам компании было важно понять, как объявления в Интернете влияют на покупки офлайн. С этой целью в июне 2015 года они начали использовать данные отчетов AdWords о посещении магазинов. Такие отчеты доступны рекламодателям с широкой сетью розничных точек, активно размещающих рекламу в Интернете. В них обобщенные анонимизированные данные о местоположении пользователей сопоставляются с данными о кликах по объявлениям. Это позволяет отслеживать, сколько пользователей посещает магазин после просмотра рекламы [18].

Конверсии в результате посещения магазинов

Функция отслеживания конверсий в AdWords позволяет узнать, как клики по объявлениям влияют на посещения розничных магазинов, отелей, ресторанов, автосалонов и т. д.

Возможность учета конверсий в результате посещения магазинов доступна ограниченному кругу рекламодателей. Конверсии в результате посещений магазинов доступны ограниченному кругу рекламодателей AdWords.

Для использования этой функции необходимо:

• быть владельцем нескольких обычных магазинов в определенных странах;
• получить тысячи кликов по объявлениям и множество посещений магазинов;
• связать аккаунт сервиса "Google Мой бизнес" с аккаунтом AdWords;
• создать запись о каждом филиале своей компании в аккаунте сервиса "Google Мой бизнес".

Данные по посещениям магазинов основаны на анонимной обобщенной статистике. Система моделирует значения с помощью текущих и прошлых сведений о количестве людей, которые нажимают на объявления, а затем посещают ваш магазин.

Данные по посещениям магазинов не могут быть привязаны к отдельным пользователям или кликам по объявлениям.

Результаты анализа данных по конверсиям в результате посещения магазина компанией Икеа

Благодаря отчетам AdWords маркетологи IKEA смогли сразу оценить, как реклама в Интернете влияет на посещаемость. Согласно полученным данным, 10,6% пользователей, нажавших на платные объявления в Интернете, пришли затем в магазины. Кроме того, оказалось, что посетители обычных магазинов после просмотра такой рекламы приносят компании в три раза больше дохода, чем те, кто под ее влиянием делает покупки онлайн. Данные о поведении пользователей, полученные на более ранних этапах, уже помогли маркетологам IKEA скорректировать стратегию: теперь на компьютерах чаще показывается реклама интернет-магазина, а на мобильных устройствах – реклама обычных магазинов. Данные о посещении магазинов оказались настолько полезными, что теперь их включают во внутренние отчеты компании и учитывают в долгосрочной стратегии оптимизации.

Перечень рассмотренных выше кейсов включает в себя два кейса из практики на российском рынке и три кейса зарубежных компаний, а также были описаны различные индустрии бизнеса, такие как финансовые технологии, производство материалов, интернет продажа товаров, услуги логистики и доставки, производство и продажа мебели. В таблице 1 приведена информация для сравнительной характеристики используемых данных, поставленных целей, метрик, подходов, а также достигнутых результатов в рамках выполнения определенной бизнес-задачи.

Таблица 2.1. Сводный перечень характеристик рассмотренных компаний

После изучения информации, приведенной в Таблице 1, можно подвести итог, что у разных компаний в разных индустриях и при разных бизнес-целях могут использоваться разные бизнес-метрики. Но важно соблюдать баланс при выборе этих метрик, не более двух, для большей точности при принятии бизнес-решений.

При постановке задач в сфере маркетинга наиболее подходящими данными будет информация о клиентах. Огромная база данных создается пользователями при работе в интернете, поэтому при оптимизации своей маркетинговой кампании стоит использовать данные из аккаунтов своих систем контекстной рекламы, например, геоданные, показатели конверсий. При совмещении подобных измерений с показателями данных CRM можно сформировать определенную картину того, как функционирует бизнес, и составить план бизнес-решений.

В большинстве случаев целью компаний является оптимизация и увеличение эффективности определенного процесса. В маркетинге в качестве метрик для определения эффективности могут быть выбраны такие показатели, как количество конверсий или возврат от инвестиций в рекламу. Последний наиболее предпочтителен, так как мы можем отследить финансовую составляющую процесса. Например, для финансовой оценки показателя NPS, который использует компания «Фабрика Окон», его можно модернизировать с помощью использования информации о стоимости привлечения клиента. Если оценивать количество клиентов с высоким NPS, как соотношение с новыми клиентами, которые обратились по рекомендации, учитывая стоимость привлечения, то можно рассматривать показатель потенциальной прибыли от привлечения.

ЗАКЛЮЧЕНИЕ

Путь к верным решениям и выдающимся результатам лежит через анализ данных. Однако следовать этому направлению совсем непросто: прежде всего необходимо наладить сбор и систематизацию информации.

К сложностям использования подхода принятия решений на основе данных в большинстве случаев относится сложность получения или интеграция данных. Эта проблема будет дальше оставаться актуальной, так как объемы данных продолжают расти с огромной скоростью. Для ее решения необходимо заручиться поддержкой руководства и привлечь к работе нужных специалистов.

По результатам опросов, к сложностям внедрения культуры, основанной на данных, все меньше является отсутствие необходимых инструментов и технологий. Большой и сложной проблемой будет являться не приобретение инструментов, а использование их полного потенциала для анализа данных. Цель данной работы состоит в описании методологии перехода и внедрения управления на основе данных, которая может использоваться компанией в качестве руководства к использованию.