Кейс бизнес аналитика пример

Привет, на связи Таня. Я занимаюсь аналитикой более 6 лет. Сегодня хочу поделиться кейсом, как я со своей командой реализовала схему подсчета дохода с выкупом для крупной e-com компании. Получилось свести расхождение между CRM и сквозным отчетом, ориентирующимся на Яндекс Метрику до приемлемых 5-7%.

В идеальной картине мира в компании есть классные разработчики, которые выгружают данные и собственник видит всю аналитику до копеечки. По каждому товару, заказу. Легко считает свою прибыль.

В реальности существует очень мало компаний, которые могут себе такое позволить. У вас только данные по целям и доход в Яндекс Метрике, а хочется видеть доход с учетом отмененных и возвращенных заказов.

Итак, мой клиент — ecommerce-проект с 150000+ товарными позициями и географией присутствия по всей РФ. Компания столкнулась с проблемой оценки работы рекламных кампаний по CRM.Задача: Мы работаем с 15 городами. Ситуация может быстро меняться и отслеживать аналитику сложно. Хочется выстроить ее по маржинальности.

Как Решать Кейсы на Примере Кейс-интервью в McKinsey

Евгений, маркетолог компании-заказчика: Нам сложно получать информацию о доходе из CRM — у нас самописная система, поэтому не можем сами выгружать данные через API.

Нюансов, с которыми я столкнулась при выполнении этого кейса, был вагон и маленькая тележка:

Статистику для оптимизации клиент получает в лучшем случае раз в неделю, так как требуется сводить все вручную;
Настроить передачу выкупа из CRM в системы аналитики или облачное хранилище невозможно, так как система авторская, а разработчики клиента перегружены;
150+ тысяч товаров, много рекламных кампаний, много городов, нам сложно управлять таким объемом данных;
Клиент хочет управлять рекламой от ROI, но у него нет конкретной цифры. По всем городам проценты выкупа сильно разнятся. Из-за этого у компании отсутствует средняя цифра по выкупу, на которую она может ориентироваться;
У всех товаров разная маржинальность;
Нужно отслеживать данные в динамике и по разным срезам максимально быстро, просто выгрузки таблиц не подходят;
Сложности в доступе к данным — в целом высокие требования к безопасности, сложно получить доступ к маркетинговой информации;
Только в рамках ppc на проект подключено 3 специалиста. Нужно было обеспечить автономность и скорость принятия решений, выработать единую логику оптимизации;
Любые попытки оптимизации от CPA и среднего чека нам не подходят, так как у заказов очень разный средний чек.

Так как у клиента высокая нагрузка на разработчиков, то это отрезало нам очевидные пути решения:

Реализация передачи оффлайн конверсий в системы аналитики (Яндекс Метрика, Google Analytics)
Получение данных от клиента на постоянной основе в некое хранилище данных (GBQ, Postgre, ClickHouse, Google Sheets)

Self-service аналитика: как 1 аналитик заменяет 10 программистов. Кейс компании ТБМ

Как силами одного аналитика внедрить data driven подход во все подразделения b2b бизнеса с миллиардными оборотами. Практический кейс компании ТБМ — крупнейшего российского поставщика комплектующих и фурнитуры для производства окон, дверей, стеклопакетов, мебели.

Компания ТБМ — торгово-производственный холдинг, крупнейший поставщик комплектующих и фурнитуры для производства окон, дверей, стеклопакетов, мебели. На протяжении 28 лет компания осуществляет поставки высококачественной продукции по России и странам СНГ.

Компания ТБМ в цифрах:

8 дивизионов, 58 филиалов и 78 представительств формируют региональную сеть компании в России и странах СНГ;
более 30 000 товаров — формируют ассортимент компании;
125 000 кв. м — общая площадь логистических комплексов.

Ситуация до старта проекта

До старта проекта в компании присутствовало четкое осознание необходимости data-driven подхода в организации бизнес-процессов. Для оценки эффективности необходимо учитывать все ключевые показатели, проводить их анализ и сравнивать результат.

Требовался инструмент, который позволяет в короткие сроки получать необходимые показатели и проверять гипотезы.

Результатом проверки гипотез должно стать выявление «узких мест» и поиск точек роста для компании, то есть разработка мероприятий по оптимизации бизнес-процессов на основе анализа объективных данных.

До сотрудничества с Loginom cпециалисты ТБМ решали все вышеперечисленные задачи с помощью следующих инструментов:

Собственная учетная система — обилие несистематизированных данных от различных департаментов затрудняло поиск нужной информации.
Excel — использовался по мере необходимости для относительно простых расчетов.
Запросы в департамент информационных технологий — использовались при необходимости реализации сложных расчетов. Требовали обязательного написания развернутого ТЗ или прямого привлечения бизнес-аналитика для разъяснения задачи. Длительный срок обработки запроса часто нивелировал потребность в нем.

Проблема

В компании была сформулирована проблема: отсутствие всестороннего анализа и оперативного получения информации для принятия решений и оптимизации бизнес-процессов. Ситуацию усугубляли следующие факторы:

наличие большого объема несистематизированных данных, качество, ценность и применимость которых нуждались в предварительной оценке;
невозможность привлечения IT-специалистов из-за их высокой загруженности;
отсутствие опыта в организации аналитической работы;
необходимость выстраивания процесса анализа данных для различных департаментов компании, с учетом специфики работы каждого из них;
ограничения трудовых ресурсов — задачи предстояло решить силами одного специалиста.

Решение

Вместе с формулированием проблемы появилось и решение: внедрить в бизнес-процессы компании универсальный аналитический инструмент, не требующий специальных знаний для использования. С помощью этого инструмента систематизировать аналитическую работу, настроить регулярную отчетность для всех подразделений компании.

Для решения аналитических задач был выбран Deductor — платформа предыдущего поколения, впоследствии в компании осуществили переход на Loginom.*

С помощью платформы Loginom реализован ряд прикладных задач для различных департаментов компании:

прогнозирование финансового результата;
расчет регулярности спроса;
RFM-анализ клиентов;
моделирование грузопотоков;
разработка системы рейтингов сотрудников и т.д.

Далее рассмотрим пример типичной задачи в Loginom по расчету рекомендованных цен для различных категорий клиентов и различных товаров.

Практический кейс «Расчет рекомендованных цен»

Задача сформулирована следующим образом: на основании данных о продажах товаров и объемах закупки клиентов определить рекомендованные цены для каждого клиента. На этапе постановки задачи были выявлены ограничения: рекомендованные цены не должны выходить за пределы рыночных, сложившихся в каждом филиале. Клиенты с наибольшим объемом закупок должны получить наилучшие цены. Однотипные товары должны иметь одинаковые, либо различающиеся на заданную величины цены.

Алгоритм решения задачи расчета рекомендованных цен в Loginom:

расчет прайс-листа для каждого филиала;
расчет скидок в каждой ценовой категории, в каждом филиале, в каждом товарном кластере;

Результаты

Современное состояние анализа данных в компании ТБМ:

Разработано 700 аналитических отчетов для различных подразделений компании.
Активно используется более 500 отчетов.
Простая процедура постановки ТЗ для разработки отчета: достаточно порядка расчета показателей и минимальных комментариев.
Среднее время разработки отчета по запросу – 1 день. Аналогичную задачу IT-департамент реализовывал до 1 месяца.
Сформирована база отчетов, доступная для управленческого и коммерческого персонала всех департаментов.
Все многообразие работ реализовано и поддерживается силами 1 аналитика, без привлечения IT-специалистов.
Процесс анализа данных выстроен с помощью одного инструмента — платформы Loginom.

Универсальность — формирование отчетов для любых подразделений компании: финансы, логистика, продажи, маркетинг, HR. Один инструмент для бизнеса.
Оперативность — время разработки отчета составляет 1 день.
Масштабируемость — сформировано 700+ аналитических отчетов, их количество не конечно.
Эффективность — процесс анализа данных реализован силами 1 специалиста.

*Отличия Loginom от Deductor приведены в статье. Дополнительные отличия указаны также в данном материале.

Подробнее о формировании базы аналитических отчетов силами одного специалиста в выступлении Владимира Троцюка, заместителя начальника отдела маркетинга компании ТВМ:

Если вы тоже хотите применять low-code платформу Loginom для решения задач бизнеса, свяжитесь с нами.

Другие материалы по теме:

Источник: loginom.ru

Кейс. Построение сквозной аналитики на примере компании «Фабрика окон»

30 октября система сквозной аналитики Alytics провела в Москве вторую конференцию «День сквозной аналитики». Материал подготовлен на основе выступления Андрея Зайко, руководителя отдела аналитики агентства performance-маркетинга Adventum.

На примере одного из клиентов Adventum — «Фабрики окон» — Андрей показал, как построить систему сквозной аналитики для компании с длинным циклом продаж.

Как устроена сквозная аналитика в Adventum

Свою систему сквозной аналитики в агентстве построили на облачной инфраструктуре Google. Скрипты, загруженные в Google Compute Engine, подключаются ко всем источниками данных и загружают полученную информацию в Google BigQuery. Вся информация передаётся в том виде, в котором её отдают системы. Потом данные приводятся к единому формату, стандартизируются и склеиваются по идентификаторам. На них накладываются модели атрибуции, после чего готовые таблицы отгружаются в систему визуализации, Excel или систему аналитики.

Масштабный спортивный фестиваль для IT-специалистов RUNIT в этом году пройдет 18 июня в Измайловском парке

И если вы читаете этот текст — вы приглашены. Участвовать можно в личном или командном зачете на дистанции от 3-х до 25 км или собрать команду и пробежать эстафету. С организаторов футболка и крутая медаль для каждого участника, вода, еда, отличная трасса и множество развлечений. В один день в одном парке соберутся 3 000 айтишников. И мы уверены, что пропускать такое событие нельзя. Приглашаем вас стать частью события! →

Как построить систему сквозной аналитики на облачной инфраструктуре Google

Для чего нужна сквозная аналитика

Представим идеальную схему покупки товара: пользователь увидел рекламу, зашёл на сайт, заинтересовался предложением и приобрёл товар. На деле так бывает далеко не всегда. Пользователь может перейти на ваш сайт по рекламе, затем уйти на сайт конкурента, что-то сравнить, после чего — вернуться к вам с другого источника (например, соцсети).

Проанализировать такое поведение намного сложнее. Здесь и приходит на помощь сквозная аналитика. Рассмотрим распространённые проблемы анализа и варианты их решения.

Проблема учёта нескольких обращений

прошло 90 дней с последнего звонка или посещения сайта пользователем;
прошло 30 дней с последнего посещения сайта (при этом кроме захода на сайт никаких других коммуникаций не было).

В каждом периоде интереса можно посмотреть, из каких источников пришёл клиент, и оптимизировать маркетинг. Для этого необходимо собирать и объединять в пользовательскую историю данные о поведении в офлайне и онлайне: составлять карточку пользователя, тегировать целевые обращения в CRM и колл-трекинге, прослушивая звонки.

Проблемы разных источников

Итак, клиент обращался в компанию с разных источников. Допустим, в цепочке участвовали медийная реклама, Facebook, органический поиск, потом он позвонил, после его догнал ремаркетинг, он снова позвонил и купил. Какому источнику в этом случае отдать ценность покупки — одному или распределить между несколькими?

В каждой компании этот вопрос решают по-своему. В Adventum решили использовать собственные модели атрибуции с учётом особенностей каждого бизнеса — распределять источники по степени важности в каждом из периодов интереса отдельно.

Если вы ранее не использовали модели атрибуции и только приходите к такому решению, но уже научились собирать все данные по пользователю, в первую очередь стоит попробовать построить такие модели атрибуции:

конверсия присваивается последнему платному источнику до первого контакта в периоде интереса. Каждый раз, когда после рекламы пользователь будет заходить с бесплатного источника, станет понятна роль платного;
конверсия присваивается первому источнику в периоде интереса, так как он привлекает новых пользователей, которые ещё не были на сайте.

Проблемы на длинной воронке продаж

Для оптимизации рекламы важно знать, на каком этапе воронки возникают проблемы. Например, часто появляются сложности с заполнением формы: люди заходят на сайт, просматривают его, нажимают кнопку «оставить заявку», но форму не заполняют. Значит, здесь и кроется проблема. Это может быть слишком большое количество полей для заполнения или сложная капча.

включить сбор данных Вебвизора в Яндекс.Метрике;
настроить цели аналитики;
выгрузить через Logs API Яндекс.Метрики сырые данные о визитах и достижении целей в них;
построить дашборды по воронке во всех доступных срезах: типы устройств, браузеры, ОС и другие характеристики;
сделать сегмент пользователей, которые сталкиваются с проблемами при продвижении по воронке продаж;
зайти в карточку каждого пользователя из этого сегмента и просмотреть записи Вебвизора для выявления причины проблемы;
устранить найденную проблему;
каждый день оптимизировать конверсию сайта по методике, описанной выше.

Проблемы долгого принятия решения

Рассмотрим трёх клиентов компании «Фабрика окон». Первый пришёл в январе 2018 года и в этом же месяце купил пластиковые окна. Двое других купили только в феврале. Не каждая реклама имеет одинаковое время принятия решения. Как понять, хорошо ли сработала рекламная кампания или акция?

Для этого нужно знать длительность цикла продажи, причём в разбивке по рекламным кампаниям.

Решение: использовать когортные отчёты для оценки эффективности рекламных кампаний.

Когорта — совокупность людей, у которых в один и тот же период времени произошло определённое событие, например, первое посещение сайта.

Рассмотрим график: по когортному отчёту в Google Analytics за первую неделю после акции — с 9 по 15 сентября — было заработано 1 100 000 рублей, в остальные 6 недель — ещё 1 000 000. Если бы агентство оптимизировало рекламу только по первой неделе, то не увидело бы почти половину продаж. А в период с 7 по 13 октября были другие акции. В первую неделю было заработано 600 000, а во вторую — только 29 000. Таким образом, результат может зависеть от различных периодов времени и от различных рекламных кампаний.

Используемые нами модели расчёта эффективности рекламных кампаний и акций:

когорта по первому клику — первому посещению сайта в период интереса. Все остальные последующие действия в CRM-системе атрибуцируются на этот первый день;
когорта по первому контакту в период интереса, так как приход на сайт и первый контакт могут различаться по времени;
без когорт.

Проблемы отчётности

При создании отчёта мы хотим видеть данные по всем источникам информации: рекламным системам, внутренним медиапланам, из системы колл-трекинга, из систем аналитики и другим. Одна из проблем сведения данных — это различные названия одних и тех же источников в разных системах. Например, в медиапланах у нас есть разбивка на Яндекс/поиск и Яндекс/сети, в рекламных системах увидим русскоязычные названия кампаний, в системах аналитики — utm-метки, в колл-трекинге — названия, которые менеджер вбил руками. Нужно объединить все названия, чтобы в отчётах это отображалось одной/двумя строками.

Решение: в Adventum мы создали единый справочник, в который вносятся все названия. Как только появляется новое наименование, оно автоматически вносится в справочник, и менеджер вручную присваивает источнику название, которое хочет видеть в системе сквозной аналитики.

Ещё одна проблема отчётности — корректность суммы расходов, про которую многие забывают. Что нужно помнить? Расходы обязательно складываются из нескольких частей: непосредственно расходы, НДС, агентская комиссия (если вы запускаете рекламу через агентство) и возврат за недействительные клики. Из-за расхождений в суммах нередко данные при сравнении не сходятся: например, в одной системе их выгрузили с НДС, в другой — без. Важно обращать на это внимание и предусматривать заранее варианты решения при сборе и агрегации данных и построении отчётности.

Бонус: три примера анализа данных

1. Онлайн-консультант каннибализировал заявки с других источников коммуникации

После добавления на сайт онлайн-консультанта конверсия обращений выросла. Но когда построили воронку продаж и сегментировали клиентов по методу обращения, заметили, что при обращении с онлайн-консультанта итоговая конверсия значительно ниже. Консультант каннибализировал трафик, забрав часть обращений с других каналов коммуникации — стало меньше звонков и меньше отправки форм, а качество обращений с онлайн-консультанта гораздо хуже. Поэтому важно смотреть на итоговые продажи.

2. Из-за сложных акций снизилась конверсия

При запуске сложной акции у пользователя могут быть проблемы с её пониманием или принятием решения. В «Фабрике окон» был такой случай: после запуска акции с хорошей скидкой конверсия в звонок и обращение выросла, но дальше по воронке клиент не продвигался. Из-за сложности условий участия в акции пользователи дольше думали и в итоге не соглашались на выезд замерщика.

3. Разный СРО по товарам с разной маржой

Допустим, есть пластиковые окна за 60 000 рублей и деревянные за 200 000 рублей. Время принятия решения о покупке у клиента разное. Компания может тратить больше, чтобы привлечь тех, кто готов купить более маржинальный товар. Реализовать это можно, используя данные CRM-системы по каждому пользователю: каким продуктом он интересовался и с каких источников приходил.

Как видим, сквозная аналитика помогает в решении серьёзных задач: систематизации и объединении данных из разных источников, составлении отчётов, оптимизации рекламных кампаний и в целом повышает эффективность бизнеса.

AppMetrica Post API в Едадиле: сбор ценных офлайновых сигналов и аналитика
Зачем косметологической клинике сквозная аналитика и CRM-система
Выстроить сквозную аналитику для реальных результатов, а не для отчётов: кейс мебельной компании Hoff
Руководство для новичков: сквозная веб-аналитика для бизнеса
Сквозная аналитика заявок для руководства с помощью Документов, Таблиц и Google Analytics
Мнение. Почему пора перестать измерять эффективность рекламы лидами

Источник: www.cossa.ru