Кейс Маруси и Rick.ai: в 2,5 раза увеличили конверсию в заказ из ретаргетинга, подняли продажи в городах на 100-300%. Рассказывает performance-маркетолог

Продолжаем общаться с нашими клиентами и узнавать, как маркетологи, директора по маркетингу, собственники используют сквозную аналитику и Rick.ai.

В прошлый раз мы пообщались с Ириной Семенок, CMO Нетологии. В этот раз поговорили с Вячеславом Митягиным — performance marketing manager VK. Вячеслав отвечает за продажи умной колонки Капсула с Марусей.

Узнали, как получилось посчитать конверсию рекламы у блогеров, увеличить продажи в конкретных городах на 100-300%, поднять конверсию в ретаргетинге в 2,5 раза. А также выяснили, как устроена команда, воронка привлечения, и не только.

Статья будет полезна тем, кто думает о внедрении сквозной аналитики, либо уже активно использует сквозную аналитику и хочет подсмотреть опыт коллег 👀

С Вячеславом пообщались Ксюша Максимова, CMO Rick.ai, и Оля Стратанович, менеджер продукта в Product Heroes.

Быстрая навигация:

Пообщались с Вячеславом Митягиным, performance marketing manager VK

Задачи:

  • Видеть путь пользователя к покупке, иметь сырые данные по конкретному пользователю, соединенные с CRM.
  • Анализировать каналы в разных моделях атрибуции.
  • Фиксировать события Google Analytics и привязывать их к пользователю.

Бизнес: умная колонка Капсула с Марусей

Результаты:

  • Сегментация пользователей для ретаргетинга повысила CTR с 1,06% до 1,30%, а также в 2,5 раза увеличила конверсию в заказ — с 1,5% до 3,8%.
  • Сэкономили значительную часть рекламного бюджета, который многие бренды инвестируют в CPA-каналы. Рик помог связать реальные конверсии с продажами и увидеть, что почти все заказы были отменены.
  • Увеличили продажи в конкретных городах — на 100-300% выросли заказы, понедельная конверсия выросла на 0,1 п.п.
  • С помощью промокодов определили реальную конверсию из рекламы блогеров, которая оказалась 0,24%, а не 0,17%. В масштабах большого количества трафика разница в продажах по таким каналам ощутима.

Регулярные задачи, которые клиент решает с помощью продукта:

  • Оценка эффективности каналов
  • Оценка конверсии на сайте в разрезе по каналам
  • Поиск закономерностей и аномалий при покупке на сайте
  • Контроль подрядчиков
  • Защита бюджета перед ЛПР-ами и анализ сезонности для распределения бюджета по месяцам

Кто в команде использует Рика:

  • Performance marketing manager
  • Команда, которая работает с рекламными кабинетами
  • Рекламные подрядчики

Расскажи о продукте и воронке привлечения в общих чертах


Продукт — умная колонка Капсула с Марусей.

Капсула Мини из кейса Маруси и Rick.ai
Фото Капсулы Мини https://capsula.mail.ru/

На вопрос о воронке сложно ответить однозначно. Нас интересуют пользователи, которые в первый раз слышат о колонке; пользователи, которые интересуются умными устройствами; и пользователи, которые уже о нас что-то знают.

В какой-то момент появилась потребность в brandformance-маркетинге — когда компании необходимо понимать связку медиа-инвестиций с продажами во всех каналах, в том числе на сайте. Например, в performance-каналах не будет продаж, если не будет активности в медиа. Мне надо активно участвовать в медиа, чтобы в performance-каналах люди попадали в воронку, и я продавал. В двух словах, эта связка выглядит так:

За медиа отвечает команда бренд-маркетинга. Их задача — строить знание, привлекать внимание к новым функциям, повышать лояльность, создавать устойчивые ассоциации и обращаться к ярким эмоциям потребителя. Я предоставляю бренд-маркетингу экспертизу по настройке рекламных кабинетов, чтобы медиа-размещения были максимально эффективными. Начиная с того, в каком месте ролика лучше разместить логотип и произнести название бренда, заканчивая тем, в каком плейсменте и при каких настройках будет показана реклама.

В контексте использования Рика — а именно той части, которая относится к performance-маркетингу — воронка привлечения выглядит так:

Пользователь видит рекламу — например, в социальной сети у блогера. После первого посещения на сайт он попадает в коммуникационную воронку, которую мы формируем для этого сегмента целевой аудитории.

Для нас важно видеть первое посещение этого пользователя и его дальнейшие взаимодействия по другим рекламным источникам. После мы оцениваем эффективность как первой рекламной кампании, так и последующей коммуникационной цепочки.

За что ты отвечаешь в компании и какие метрики тебе важно оптимизировать?

Я отвечаю за продажи умных колонок на сайте и за brandformance-подход в продвижении бренда на рынке — когда необходимо понимание связки медиа-инвестиций с продажами во всех каналах.

Моя задача — это привлечение продаж. Если обобщить, то можно выделить такие основные метрики:

  • стоимость привлечения продажи
  • конверсия на сайте в продажу и в целом конверсии по сайту
  • конверсии на сайте в разрезе по каналам

И самое главное — важно спрогнозировать, что будет, если мы протестируем гипотезу с таким-то каналом: получим Х кликов, эти клики перейдут на сайт, и мы получим такое-то количество пользователей, и т.д.

Соответственно, в рамках этого важны:

  • анализ продаж и трафика week-to-week
  • поиск закономерностей и аномалий при покупке на сайте
  • проведение AB-тестов и гипотез в рамках сайта

Какая у тебя команда?

В команде есть 5 человек, каждый из которых отвечает за главные источники трафика. И также присоединяются коллеги из бренд-маркетинга, если мы тестируем какие-то гипотезы, например в TikTok. По другим гипотезам и задачам — коллеги из аналитики, разработки, инфлюенс-маркетинг и отдел продаж.

В какой момент вы поняли, что нужна сквозная аналитика?

То, что нужна сквозная аналитика, я понял с самого старта проекта. Из моего опыта работы в агентстве я уже понимал, что у брендов возникает вопрос эффективности относительно той или иной гипотезы или канала продаж — когда размещаешь рекламу по одному инструменту, а покупают из прямых переходов «direct none» источников или органики.

Какие задачи было важно решать с помощью сквозной аналитики?

Первое, что хотели — видеть путь пользователя до покупки и иметь сырые данные по конкретному пользователю, соединенные с CRM.

Это позволяет видеть, например, время от первого посещения до финального, среднее количество каналов до покупки. Так мы понимаем, сколько раз с человеком надо контактировать, чтобы он купил у нас на сайте. А также видим примерный набор каналов до покупки: видеоролик на Youtube, а потом контекстная реклама и продажи? Или это должен быть блогер, социальная сеть, ретаргетинг, контекст, еще какая-нибудь статья и потом продажи? И так далее.

Второе — нужно было анализировать канал в разных моделях атрибуции.

Как performance-маркетолог я хочу оценивать результат работы своих коллег: видеть, что эта гипотеза, например, направлена на привлечение внимания и первый контакт с аудиторией. Соответственно, она не должна привлекать сразу продажи. Но дальше мне нужно видеть: пользователь, пришедший с этой рекламной кампании, потом приходил к нам еще? Переходил ли он по другим источникам, или нет? Я хочу видеть продажу в разрезе всех рекламных кампаний, которые я запускаю. Вот для этого нужна была сквозная аналитика, и без нее никак.

Третий момент очень важный — это фиксировать события Google Analytics, которые для нас являются целевыми, и привязывать их к пользователю.

Это позволяет в дальнейшем строить сегменты пользователей по событиям и выявлять группы пользователей, которые, например, покупают с большей конверсией.

Предположим, мы увидели, что пользователи, которые проводили больше 30 секунд на сайте, в ретаргетинге проявляют конверсию выше, чем остальные пользователи. Что я делаю — проверяю сначала гипотезу через Google Analytics по тем данным, которые там есть на уровне выполненных целей. Мне важно увидеть, что между событиями есть стат. значимая разница.

Если есть отличия, то уже настраиваю событие в GTM — оно срабатывает через 30 секунд после посещения. И уже в Рике смотрю отдельно пользователей: конверсию по ним и сегмент пользователей с событием 30 секунд. Дальше я сегментирую ретаргетинг — возвращаю не всех пользователей, а только тех, кто был на сайте больше 30 секунд.

В результате, на уровне CTR у нас получились значимые различия. Пользователи из группы «30sec+» (провели на сайте больше 30 секунд) кликали чаще. CTR составил 1,30% против 1,06% у всех посетителей сайта. Это также отразилось и на финальной конверсии в лида. Пользователи из группы «30sec+» закрывались в заказ с конверсией в 3,8% против 1,5%:

Рост конверсии в лида в 2,5 раза в кейсе Маруси и Rick.ai
Отчет «за период» из Rick.ai

Почему остановили свой выбор на Рике, что было критично при выборе сервиса?

Во-первых — это простота интеграции. Нет непонятной сквозной аналитики — есть четкий и очень понятный Google Analytics, который стоит у всех на сайте. И есть логичный принцип работы, который можно прочитать на сайте.

Во времена моей работы в агентстве, я сталкивался с одной проблемой. Мне приходилось настраивать расширенную электронную торговлю Google Analytics для одного из клиентов, чтобы посчитать нормальные показатели для электронной коммерции: ROMI и т.д. И тогда я столкнулся с тем, что я не могу объяснить некоторые задачи программистам, чтобы они внедрили на каком-то этапе код. Мне приходилось прибегать к помощи аналитиков с пониманием и опытом программирования — то есть возникали даже сложности в интеграции расширенной электронной торговли.

В этом смысле у Рика есть четкая понятная команда, которая не просто помогает настроить продукт, но и разобраться в том, как это сделать самостоятельно. В какой-то момент этот вопрос можно было делегировать и просто получить результат. Нравится, что у Рика есть доработка интеграции, и с разработчиками на нашей стороне можно найти контакт и верное решение ситуации.

Во время подключения и настроек у нашей команды разработки не возникло вопросов. Я в этом не участвовал, и это хорошо. Ведь я занимался тем, чем я должен заниматься — непосредственно каналами продаж. А Рик с разработчиками этот вопрос самостоятельно закрыл, что радует.

Вторая причина — внимательная поддержка со стороны сервиса и очень приветливая хорошая профессиональная команда. Можно задавать вопросы, если есть какие-то аномалии в статистике.

Что бы отметил важное для себя в решении сквозной аналитики?

1.
Видеть отдельно каждый канал по продажам в разрезе пользователей. Без Рика я бы не мог сказать, что, например, мы привлекли пользователей с помощью email-рассылки, а дальше они купили.

2.
Возможность сказать, что конкретная рекламная кампания помогла привлечь определенное количество новой аудитории. Дальше эта аудитория пришла в другие каналы и купила.

Буквально недавно мы тестировали историю с промокодами. И увидели, что по одному и тому же промокоду один пользователь купит через прямую ссылку от блогера, второй — пойдет в поиск и купит через контекст и т.д. Как мы это поняли: мы привязывали к каждому пользователю промокод при покупке, а в Рике делали разбивку промокод-канал. Получалось, что количество промокодов, которое было использовано, разбивалось на разные каналы:

Отчет «за период» с разбивкой по промокодам и каналам в Rick.ai
Отчет «за период» из Rick.ai

В столбце «coupon» есть одинаковые промокоды, у которых разные каналы.

3.
Отдельно отмечу возможность анализировать эффективность рекламы у блогеров по промокодам — эта возможность появилась по нашему запросу, когда мы уже использовали Рика.

В чем была проблема:

Если, например, смотреть конверсию в лида по utm-метке блогера, то мы видим условно 0,17%. Нас эта цифра никогда не устраивала. Мы понимали, что рекламное размещение блогера влияет на многие каналы: пользователи могут не сразу купить, могут прийти по ссылке из шапки профиля Instagram, из контекстной рекламы, organic search и т.д.

Соответственно, когда у нас не было возможности анализировать метрики по промокодам, мы дополнительно анализировали такие каналы, как «Шапка профиля»: смотрели, как дальше люди видели рекламу Facebook и покупали через нее и т.д. — хотя первый раз видели рекламу у блогера. Мы делали это всегда ручным способом. Тем самым удавалось выявлять, что конверсия с таким анализом точно не 0,17%, а уже ~0,19%.

И только после того, как совместно с командой Рика ввели переменную «промокод», смогли оценить ту часть продаж, которая обычно есть после рекламы блогера, но ее не видно. Это позволило оценить нам канал и посчитать приближенную к реальности конверсию — 0,24%. В масштабах большого количества трафика разница в продажах по таким каналам ощутима.

4.
Еще отметил бы возможность анализировать каналы в разных моделях атрибуции.

Иногда есть такие гипотетические фразы: «Вот этот канал влияет на привлечение пользователя на сайт. Поскольку он работает на привлечение — этот пользователь купит». Зная среднее время покупки по этому каналу (например, 3 недели), я с помощью Рика могу сказать, что прошел месяц с момента, как пришел пользователь по этому каналу, в течение 3 недель ничего не произошло. Соответственно, я могу сказать, что гипотезу с этим каналом пока можно не масштабировать или попробовать что-то изменить.

Каналы я оцениваю либо по атрибуции top score, либо по first click. Таким образом, я могу в любом разрезе посмотреть канал и ни по одному разрезу не увидеть продажи.

Top score — модель атрибуции в Rick.ai для оценки максимально возможного вклада канала в продажу. Позволяет не занизить вклад кампании и убедиться, что кампания неэффективна. Подробнее о моделях атрибуции Рика можно почитать в этой статье.

5.
Если пользователей из канала не так много, я могу в Рике нажать на пользователя, и откроется таблица со всеми касаниями. Можно увидеть, было ли событие покупки purchase, было ли событие добавления в корзину basket. То есть было ли что-то с этими пользователями, возвращались ли они из каких-то каналов? Я в целом могу посмотреть всю информацию по пользователю.

Можешь еще поделиться примерами, в каких еще моментах тебе помог Рик?

Пример 1. Когда мы тестировали CPA-модель

Наблюдали примерно одну и ту же картину: мы привлекали сначала своими средствами пользователя, закупая трафик. Через некоторое время видели повторные посещения, а дальше человек в поисках более выгодного предложения приходил на агрегаторы купонов и скидок, и покупал со скидкой. Получается, на этапе привлечения мы заплатили за пользователя Х рублей, затем еще по другим каналам снова Х рублей, а дальше давали скидку пользователю, где тоже тратили Х рублей с товара, и плюс заплатили вознаграждение CPA-партнеру за «продажу».

Рик нам сэкономил большое количество денег, которые многие бренды инвестируют в CPA-каналы. Из CPA-каналов была, может, пара продаж, где пользователь пришел в первый раз, но это были считанные единицы. В основном это классическая воронка: пользователь пришел по нашей рекламе, походил — посмотрел, а через неделю решил купить, но нашел агрегатор со скидкой и купил:

Весь путь пользователя в Rick.ai, пример 1
Отчет со всеми касаниями пользователя из Rick.ai. Пример 1
Весь путь пользователя в Rick.ai, пример 2
Отчет со всеми касаниями пользователя из Rick.ai. Пример 2

То есть агрегатор здесь ничего не сделал, для того чтобы нам увеличить продажи, просто мы заплатили еще больше за продажу.

Рик помог связать реальные конверсии с продажами — на примере отчета видно, что канал привлек 96 заказов, из которых почти все были отменой:

Отчет «за период» из кейса Маруси и Rick.ai
Отчет «за период» из Rick.ai

То есть на первом этапе Рик позволил нам определить реальные продажи и отсеять все отмены по каналу за счет возможности видеть сквозную аналитику. Мы определили каналы, по которым мы уже заплатили за пользователя на этапе привлечения, но при этом этот пользователь купил через канал CPA. Такие продажи мы не засчитывали.

Пример 2. Когда мы увеличивали конверсии в продажу

Мы хотели понять, почему из 100 заказов подтверждено только 50? То есть я в Facebook потратил деньги на привлечение этих 100 заказов, и только 50 стали продажей.

Соответственно, с помощью Рика у меня есть возможность проверить каждого пользователя. Поскольку у меня есть связка с CRM-системой, я могу зайти в конкретный заказ и посмотреть, почему пользователь не купил. Или я могу выгрузить данные этих пользователей и провести на них качественные или количественные исследования.

Например, удалось выяснить, что одной из проблем у потребителей была доставка. Многим колонка нужна была в ближайшее время. Тогда доставка у партнеров ничем не отличалась от доставки на сайте (1-2 дня). В каких-то городах-миллионниках, наоборот, на сайте доставка была даже дольше, чем у партнеров.

В результате, мы реализовали экспресс-доставку в ряде городов, сделали подсветку «Доставим сегодня» на главной странице и в корзине:

Пример роста конверсии в продажу, кейс Маруси и Rick.ai
Пример роста конверсии в продажу, кейс Маруси и Rick.ai

Это позволило нам увеличить продажи в конкретных городах. Заказы там выросли на 100%-300%. Конверсия подросла тогда на 0,1 п.п. к предыдущей неделе.

Пример 3. Увидели проблему с ошибкой атрибуции после релиза на сайте, когда появилась аномалия передачи данных в Рика.

На скриншоте видно, как в определенный момент событий purchase стало больше, чем заказов:

Отчет «в динамике» по месяцам и неделям в Rick.ai
Отчет «в динамике» по месяцам и неделям из Rick.ai

Это говорит о том, что либо идет какой-то аномальный трафик с канала, и мы видим тестовые или ботовые срабатывания события, при этом заказов никаких нет. Либо же заказы все-таки есть, но вот в CRM не попадают. Так и оказалось — с нашей стороны нарушилась в определенные моменты логика передачи данных после одного из релизов сайта. Мы это быстро поправили.

Помогает ли Рик в коммуникациях с ЛПР-ами внутри компании?

Да, помогает в бюджетировании — помогает объяснить, почему именно Facebook принес 50% продаж, а не какой то другой канал. Я один раз показал всем, как работает Рик: как он объединяет продажи с каналами. Все один раз согласились, что это работает так, и это правильно. Дальше ни у кого не было вопросов, повлияла ли какая-то другая реклама на продажи? Это позволяет защитить бюджет на следующие свои активности и объяснить, почему нам нужен именно этот трафик, чтобы выполнить план продаж.

Рик еще хорошо помогает в том, что в нем есть агрегированные данные по месяцам, и в планировании продаж у меня есть понимание сезона. Мы понимаем, что в каком-то квартале сезон низкий, продажи низкие, или в какие-то месяца конверсия по сайту в целом низкая — и лучше, например, исключить большое инвестирование денег. Нам важно спланировать активности на следующий год, учитывая эту сезонность.

Один из способов подтверждения сезонности — это данные из Рика:

Отчет «в динамике» по месяцам в Rick.ai, подтверждение сезонности
Отчет «в динамике» по месяцам из Rick.ai

Рик здесь как вспомогательный инструмент. Из него можно тянуть уже сформированные данные, периодически обращаться и смотреть исторические данные.

Кто и как в команде использует Рика

Во-первых, мне очень удобно работать с коллегами, кто непосредственно работает в кабинетах. Очень удобно прислать отчет людям, и просить их оптимизировать рекламные кампании по Рику, а не по Google Analytics. Ко мне первое время восторженно приходили коллеги и делились, что вот эта кампания привлекла столько заказов, столько «purchase-ов». А по факту из 10 продаж подтвердилась только 1. Почему такое происходит — пользователи генерируют, например, рассрочку. Им рассрочку не одобряют, а заказ в системе у нас уже появляется.

Удобно коллегам, кто работает с конкретной рекламной площадкой, скинуть ссылочку на отчеты Рика, чтобы они посмотрели каналы уже непосредственно в разрезе заказов. Мне не приходится им ничего выгружать, поскольку каждый имеет отдельный доступ в свою папку: папка VK, папка myTarget, папка Facebook и т.д. В этом смысле такая группировка мне очень помогает передавать информацию по разным специалистам. Рик позволяет дать отдельный доступ с нужными ограничениями к отдельному каналу без понимания, что происходит в других каналах. Особенно удобно передавать доступ с нужными ограничениями сторонним подрядчикам.

Как стать клиентом Rick.ai

Начните пробовать Рика самостоятельно на сайте, или запишитесь на демо. Чтобы узнать больше о возможностях продукта — смотрите демо-видео.

Автор статьи — Ксюша Максимова, CMO Rick.ai.

В подготовке материала помогли:

  • Оля Стратанович, менеджер продукта в Product Heroes
  • Ирина Платунова, контент-маргетолог Rick.ai
  • Оля Герасимова, продуктовый дизайнер Rick.ai
  • Ксюша Саратовская, продуктовый дизайнер Rick.ai
  • Саша Селиванова, помощник Rick.ai

Подписывайтесь на наш телеграм-канал @rick_ai 👋

Кейс Маруси и Rick.ai: в 2,5 раза увеличили конверсию в заказ из ретаргетинга, подняли продажи в городах на 100-300%. Рассказывает performance-маркетолог