Задача сквозной аналитики состоит в том, чтобы показать, как работает маркетинговая воронка и какой реальный эффект (в виде лидов, заказов и выручки) дает реклама на разных каналах. Если упростить — именно благодаря аналитике вы можете увидеть, что, скажем, Instargam регулярно приносит вам прибыль, а Яндекс.Директ только зря съедает бюджет. Для этого модули СА сводят данные с рекламных площадок, CRM, телефонии и других ресурсов в одну систему. Посмотрим, как именно это работает.

Зачем нужен Client ID

Ключевым элементом любых аналитических сервисов является Client ID — уникальная метка, которая присваивается каждому новому посетителю. Когда пользователь заходит на сайт, счетчик фиксирует переход, «назначает» ему значение Client ID и сохраняет в базе данных.  

Системы аналитики сохраняют его в cookies, так что после их чистки пользователя уже нельзя идентифицировать с его предыдущими действиями на сайте, а при очередном посещении сайта ему присваивается новый Client ID. 

Именно поэтому точность аналитики всегда будет чуть ниже, чем 100%. Но этот факт — скорее данность, и при грамотном анализе погрешность будет незначительна. В рамках одного сервиса аналитики вы, скорее всего, ее даже не заметите — если только не сравнивать в лоб показатели вроде количества заказов в системе аналитики и CRM.

Допустима разница и по учету сессий и целевых действий разными системами аналитики. Причин для этого может быть несколько: разное место установки счетчиков аналитики на сайте, разный их размер (а значит, скорость загрузки), разные способы расчета сессий и многое другое.

Вдобавок к этому, в последнее время браузеры начали ограничивать возможность отслеживать cookies: так, в Safari эти файлы сейчас хранятся от одного до семи дней. Это значит, что если пользователь, пришедший на сайт с рекламного источника, сделает покупку на восьмой день, система аналитики будет идентифицировать его заново как нового посетителя, а сделка не будет соотнесена с рекламой. Все это ставит аналитиков перед необходимостью искать новые способы идентификации клиентов.

Пара слов об атрибуции

Client ID, присвоенный в момент перехода на сайт, используется для фиксации остальных действий пользователя. Когда он отправляет заявку через форму или делает заказ в интернет-магазине, сервис аналитики регистрирует все это под общим идентификатором — именно так формируется история действий одного человека на сайте. А источник перехода можно отследить по UTM-меткам. Например, мы видим, что посетитель, заказавший доставку пиццы, попал на наш сайт через объявление в Яндексе по запросу «доставка пиццы коптево круглосуточно». Если переходов по этим ключевым словам много, можно делать вывод об их эффективности.

Но один человек может зайти на сайт несколько раз, а совершить покупку лишь единожды. Чтобы понять, какой источник привел к покупке, используется такое понятие, как атрибуция — то, какой из переходов мы будем считать успешным.

Атрибуция по последнему взаимодействию

Часто возникает необходимость настроить атрибуцию иначе — например, по первому переходу. Для примера немного изменим ситуацию: представим, что пользователь сразу вбил в поисковик «Domino’s Pizza Москва» и кликнул по первому же объявлению. Если у нас не один такой пользователь, мы можем решить, что брендовые запросы в контекстной рекламе отлично работают и надо вкладывать в них больше денег.

Но для привлечения новой аудитории это будет бесполезно: дело в том, что с продвижением клиента по воронке он проходит длинный путь от этапа незнания до решения о покупке, а его поисковые запросы и взаимодействие с рекламными каналами меняются. Иначе говоря, до того, как вбить имя компании в поисковик, наш пользователь сначала искал доставку пиццы в Москве, каким-то образом пришел к Domino’s, ему понравилось и теперь он всегда заказывает в этой компании. И если мы хотим понять, как он узнал про компанию и впервые попал на сайт, нужно изменить атрибуцию с последнего взаимодействия на первое.

Атрибуция по первому взаимодействию

Если речь идет о более дорогостоящих товарах — например, о машине или недвижимости — здесь работает другая схема. На решение о покупке и выбор у нас могут уйти месяцы или даже годы, во время которых мы то откладываем вопрос в долгий ящик, то вновь к нему возвращаемся. Такие временные отрезки, когда мы вспоминаем о своих забытых мечтах, принято называть периодом интереса. В разных тематиках его средняя продолжительность будет отличаться, поэтому его можно настраивать — например, так, чтобы сделка атрибутировалась не по самому первому первому посещению сайта или звонку из десяти, а скажем, по первому за последние три месяца.

От API к выручке

Но чтобы видеть реальную эффективность рекламы, недостаточно отслеживать только лиды. Часто случается, что реклама с хорошей конверсией в реальности не окупается, поскольку затраты на нее превышают прибыль. Например, один из наших клиентов, сеть медицинских центров «Ист Клиник», проводила кампанию по запросу «ударно-волновая терапия», которая на первый взгляд казалась успешной: при стоимости 15 тысяч рублей она принесла 16 лидов ценой меньше тысячи рублей за каждый, а CTR составил 7,61%. Но когда аналитики соотнесли эти данные с выручкой, оказалось, что из шестнадцати лидов услугу приобрели всего трое, и в сумме они принесли клинике 9550 рублей. Таким образом стало очевидно, что кампания себя не окупает.

Интеграция с CRM

Именно эту задачу соотнесения сделок с рекламными источниками и выполняют сервисы сквозной аналитики. Для этого они сопоставляют контактные данные клиента или номер заказа с информацией в заявке или с номером телефона звонящего. Подтянуть эти сведения можно несколькими путями: вручную, добавив сделку в личный кабинет, через импорт XLS-файла, с помощью API или так называемых вебхуков.

Все эти способы позволяют связать действия на сайте не только с CRM, но и со многими другими сервисами. Например, если дилер продает автомобили через свой сайт, Авито и Авто.ру, ему важно, чтобы данные со всех этих площадок отображались в едином окне — а для этого нужно настроить их интеграцию с модулем СА. Большинство коробочных инструментов аналитики уже предоставляют автоматическую возможность интеграции с популярными сторонними сервисами, но в отдельных случаях это можно сделать и вручную.

В систему сквозной аналитики попадают и данные о телефонных звонках — разумеется, при условии, что у компании подключен коллтрекинг. Принцип его работы связан с подменными номерами: когда пользователь заходит на сайт, ему показывается уникальный телефон, присвоенный его сессии — то есть если он закроет вкладку и зайдет на сайт через полдня, он увидит уже другой номер. Делается это для того, чтобы во время звонка можно было соотнести телефон с идентификатором сессии и понять, откуда пришел человек. Если разговор с менеджером заканчивается заказом, эти данные фиксируются в CRM и соотносятся с источником перехода. Так мы можем понять, какие рекламные каналы дают больше всего покупок.

Казалось бы, все просто, но здесь есть свои нюансы. Так, у одного клиента может быть несколько номеров телефона: например, если речь идет о покупке квартиры семьей, когда с менеджером разговаривает иногда жена, а иногда муж.

В этом случае клиент получает идентификатор, который содержит в себе все контактные телефоны, email-адреса и другие способы связи, относящиеся к конкретной сделке. В этом случае распознавание пользователя происходит методом перебора всех идентификаторов. Но чтобы это произошло, нужны грамотные настройки импорта сделки и правильная информация в CRM.

Искусственный интеллект на проводе

Кроме того, некоторые платформы аналитики предлагают опцию распознавания звонков — то есть автоматическое определение их темы. Это бывает необходимо, чтобы отделить контакты, связанные с покупкой, от вопросов о сроках доставки, возврате товаров и других организационных моментах. В медицинских клиниках звонки часто компонуются в группы по записям к конкретным специалистам, чтобы эти данные можно было оценивать в разрезе рекламных кампаний. Для автоматизации этих процессов используются технологии распознавания речи на основе машинного обучения, а по наличию в расшифровке тех или иных ключевых слов определяется тема разговора. 

Кроме того, ИИ может по голосу определить, какой из менеджеров ответил на звонок, чтобы оценить эффективность сотрудников отдела продаж. Так, у нас в Calltouch есть отдельный отчет по менеджерам, где можно посмотреть, сколько каждый из них обработал лидов, сколько завершили сделок и на какую сумму.

Выбор сервиса

Все это общие принципы работы сквозной аналитики, однако разные сервисы имеют свои отличия и спектр доступных опций. Так, не везде есть возможность подключить коллтрекинг «из коробки», а у каждого инструмента разное количество автоматических интеграций со сторонними площадками. Есть и более тонкие нюансы: например, в интернет-магазине важно не просто связать расходы и доходы, но также понять, с какими товарами человек взаимодействовал на сайте и что дальше произошло с заказом — перешел ли он в обработку после оформления, был ли оплачен и доставлен. Чтобы настроить такой процесс, нужно подключить программиста или аналитика, которые внесут корректировки в код сайта для отслеживания взаимодействий с товарами. Но есть и другие варианты: например, у нас в Calltouch события e-commerce можно передать через контейнер данных DataLayer.

Кроме того, аналитические сервисы отличаются между собой количеством отчетов и их вариативностью. Платформы не просто собирают данные, а компонуют их в виде графиков и отчетов —  например, у нас в прошлом году появился отчет «когортный анализ» и отчет по работе менеджеров. Чем больше готовых отчетов — тем меньше работы маркетологу.

Чтобы выбрать конкретный инструмент, нужно отталкиваться от бизнес-задач. Так, если компания не занимается продажами через звонки, ей нет смысла тратиться на коллтрекинг. Тем, кто активно пользуется сторонними сервисами (например, анализирует post-view конверсии с помощью DoubleClick Manager), имеет смысл поискать платформу аналитики с возможностью автоматической интеграции с ним — и так далее.