Проверяем данные на валидность, составляем текущую модель потока данных и проектируем новую, составляем прототипы отчетов.
За год сервису по приему платежей в интернет-магазине присвоилось 9 млн рублей выручки, по этой причине все остальные каналы недооценивались. Причина в неверном редиректе пользователей с сайта платежной системы.
Смотреть модель аналитики в результате аудита.
Исследуем текущие системы аналитики, сверяем данные и предлагаем корректировки.
Проектируем и предлагаем модель.
Проектируем макеты будущих дешбордов для клиента, чтобы ожидания совпали с реальностью.
Агрегируем пользователей, отслеживаем LTV, показатели в разрезе новых и постоянных клиентов, собираем профили.
Интегрируемся c CRM, CDP, системами лояльности и прочими сервисами, которые содержат данные о клиентах, и сопоставляем их по контактным данным, устройствам, поведению на сайте.
То есть это не «телефон=телефон», а многофакторная система, которая склеивает пользователей на базе вероятностей. На практике реально склеить 50-80%.
Например, на скрине в январе мы потратили 87 т.р. на Яндекс Директ, где клиенты января принесли нам 210 000 р. выручки в январе, 92 000 р. в феврале и 79 000 р. в марте.
То есть мы сопоставляем общую выручку с клиентов, которые были привлечены в январе с расходами на их привлечение.
Но ведь среди них есть и постоянные клиенты? — Верно, смотрите следующий слайд!
Расходы теперь делятся на привлечение новых клиентов и удержание старых!
Но эти 210 т.р. выручки состоят из 165 т.р., от новых клиентов, на привлечение которых мы потратили 68 т.р. и из 45 т.р. старых клиентов, на удержание которых мы потратили 19 т.р.
Детально исследуйте действия каждого клиента, ищите закономерности.
Все данные о клиенте подтягиваются и объединяются в единой карточке.
Клиентов можно объединить в аудитории и выгрузить в сторонние сервисы по API или Excel.
Модели атрибуции на базе кастомной воронки и отслеживание оффлайна .
Помимо стандартных моделей атрибуции первого клика и последнего непрямого используется автоматическая модель, которая присваивает конверсии на базе обученной модели.
Например, клиенту было отправлено письмо со скидкой 30%, после которого он принял решение о покупке, то есть письмо было основным триггером, но модель учитывает, что клиент является новым, и если бы не Facebook, то он бы не узнал о магазине, поэтому основную ценность присваивает Facebook.
Исследуйте каждый рекламный канал или регион в разрезе продвижения пользователей по воронке.
Можно добавлять собственные этапы воронки, например Посетил блог , он является необязательным этапом, но показывает релевантность трафика.
Авторизуем клиента на сайте через формы обратной связи, регистрацию для программы лояльности и т.д.
Сопоставляем данными, которые удалось получить при оплате в магазине.
В лучшем случаем удается отследить 20-40% оффлайн-выручки.
Строим дешборды и экспортируем конверсии в рекламные кабинеты и системы аналитики .
Пример отчета Power BI для проекта по услугам.
Стриминг сырых данных в BigQuery, к которому вы сможете подключиться через системы визуализации данных для построения дашбордов.
Помимо сырых данных делаем интерактивные отчеты для менеджеров по категориям и для менеджеров.
Экспорт лидов и транзакций в Яндекс Директ, Google Ads и прочие системы.
Внутри рекламных кабинетов вы увидите расходы и выручку со сделок по кампаниям, ключевым словам и прочим параметрам, аналогично и для других систем.
При отправлении транзакций и лидов в рекламный кабинет можно использовать автоматические стратегии управления ставками.
Интегрируемся c командой клиента в Asana.com.
Каждый запрос от клиента пропускаем через оценку времени на выполнение и экономического эффекта от реализации. Из этих запросов составляем задачи на итерацию.
Помимо общего чата в Telegram создаем проект в системе управления задачами Asana, добавляем команду клиента и регламентируем взаимодействия.
Интеграции с CRM
Интегрирую все источники лидов: корзины, коллтрекинг, формы, чаты с CRM-системами, чтобы передавались все необходимые данные, сделки не дублировались, и все данные стримились в Big Query. Проектирую data flow модели для проектов, слежу за исполнением.
Сергей Курепин , Интегратор, teamlead проектов
Проектирование моделей атрибуции
Собираю все данные в таблицах Big Query или Azure, связываю их SQL-запросами и обучаю модели для присвоения конверсий каналам. Есть несколько интересныъ кейсов по учету ROPO транзакций и событий.
Евгений Егошин , Web-аналитик
Менеджер проектов
Интернет-магазин спортивной экипировкиболее 7000 товаров!
Мнение клиента
«Реклама у нас уже была настроена, работали с другим агентством. Все как-то работало, но до конца сами не понимали, что именно влияет на выручку. Доход не менялся, расходы увеличились. В 1jam помогли разобраться с нашими рекламными кампаниями и запустили новые. В итоге, за несколько месяцев расходы стали меньше до 30% при прежней выручке. Сейчас каждые 100 тыс. бюджета приносят до 1,3 млн. выручки, и мы уверены, что есть куда расти. Своего времени на контроль и составление отчетов не тратим, получаем быструю обратную связь. Довольны процессом и результатом.»
Натяжные потолки в Москве и областиВысококонкурентный рынок
В Москве 1000 компаний по натяжным потолкам: от частных мастеров до федеральных компаний, но в контекстной рекламе всего 10 мест, которые выкупают 80% всего трафика, а остальные собирают «крошки». Что отличает успешные компании? Это отнюдь не случайность и волшебные рецепты, мы расскажем свое видение на примере реального кейса.
До и после сотрудничества
Интернет-магазин детских игрушек30 000 товаров
В проекте >30 тысяч товаров и вручную все семантическое ядро собрать просто невозможно, поэтому мы автоматизировали сбор ключевых слов и разработку рекламных кампаний, подробности внутри.
Воронка продаж
Рекламный бюджет на Х период Х кампаний
CTR
Кликов с поиска
Транзакций
Выручка
Мнение клиента
«Активная работа над контекстной рекламой велась в течение полугода, за это время специалисты 1jam.ru испробовали несколько основных подходов к разработке рекламных кампаний и настроили полноценную аналитику. В итоге мы нашли сегменты ключевых слов и товаров, которые работают в плюс, точные наименования и цифры сказать не могу из-за соображений безопасности, но никакого чуда в них нет. Во многих категориях товаров мы столкнулись с серьёзной конкуренцией, что заставило по-новому посмотреть на свой ассортимент, цены и увидеть множество ошибок в юзабилити сайта - теперь работаем над их исправлениями.
В плане сотрудничества хочу отметить основательность и глубину подхода специалистов, по большей части все делалось точно и в сроки. На текущий момент мы взяли паузу, чтобы доработать дизайн и ассортимент, но позже снова вернемся к работе.»
Интернет-магазин запчастей Apple
Дано: 7 моделей айфонов, 60 моделей макбуков и 20 категорий запчастей. Итого: 67х20=1340 страниц. Внутри кейса развернутое описание хронологии рекламной кампании.
Воронка продаж
Рекламный бюджет на Х период Х кампаний
CTR
Кликов с поиска
Конверсия
Транзакций
Доход
Мнение клиента
«Работаем с Jam уже год, в частности, с Павлом, могу рекомендовать данного специалиста, у него действительно высокий уровень экспертизы. Павел помогает не только с настройкой контекстной рекламой, но и со всеми процессами, которые ее касаются, вместе, мы реализовали нестандартные решения с каталогом, YML и ретаргетингом. Также хочу отметить, что мы постоянно улучшаем рекламную кампанию и опираемся в своих решениях на реальные цифры, вроде, ROI и LTV, сейчас делаем расширение на весь рынок России. Результаты позитивные, спасибо!»