Решение бизнес кейс по аналитике

Заказчик Литрес — крупнейший интернет-магазин по продаже цифровых книг. Он включает в себя сайт litres.ru и его поддомены, два приложения Литрес Читай (Andriod и iOS) и приложения Литрес Слушай (Andrid и iOS). Задача Создать систему предиктивной аналитики, которая была бы способна достоверно предсказать вероятность совершения покупки каждым посетителем веб-ресурса клиента.

Каждый владелец бизнеса ищет способы увеличения прибыли. Идти к этой цели можно разными путями, каждый из которых сложен в реализации, по-своему эффективен и трудозатратен. Но мы знаем, как создать волшебную кнопку, которая автоматически и на постоянной основе будет увеличивать эффективность вашей компании.

Рассказываем про нее в статье на примере построения предиктивной аналитики для ЛитРес. В рамках проекта StreamMyData мы разработали систему, которая способна достоверно предсказать вероятность совершения покупки в будущем каждым из посетителей интернет-ресурса. При этом горизонт предсказания будет связан со сроком принятия решения о покупке, который характерен для конкретного бизнеса. Например, клиенту на рынке недвижимости требуется значительно больше времени, чтобы решиться на покупку, чем покупателю книг.

Как Решать Кейсы на Примере Кейс-интервью в FMCG

Данная статья является логическим продолжением рассказа о построении сквозной аналитики для ЛитРес, лидера рынка цифровых книг в России и странах СНГ, и обогащает её новой главой о предиктивной аналитике.

Первым шагом было построение системы сквозной аналитики, которая детально описана в кейсе в кейсе «Объединили экосистему сайта и приложений с многочисленными рекламными каналами и системами аналитики» на нашем сайте medianation.ru.

Зачем нужна предиктивная аналитика?

Система с предсказаниями была необходима для разработки индивидуальных стратегий в отношении каждой группы целевой аудитории и увеличения общей эффективности маркетинга.

Существует множество вариантов использования этих данных — ремаркетинг на поиске и рекламных системах, push-уведомления, email-рассылки, специальные предложения на веб-сайте или в приложении, персональные скидки и обзвоны и другое специфическое для каждого бизнеса применение.

Например, мы можем использовать предсказания в реальном времени и корректировать стоимость товара или услуги в зависимости от вероятности покупки, или создать аудитории в Яндекс.Аудитории, Google Analytics или VK и использовать их в таргетированной рекламе, варьируя величину корректирующей ставки таким образом, чтобы добиться поставленных целей, которыми могут быть:

• Увеличение количества и/или доли конверсий
• Увеличение эффективности рекламных вложений
• Увеличение прибыли

Во время работы с ЛитРес мы использовали предсказания для ремаркетинга в Яндекс.Директе. Для каждого из сегментов использовалась своя корректирующая ставка, которая позволяла эффективно расходовать бюджет и увеличивать процент конверсии.

В данной статье мы рассмотрим фактическое качество работы системы и сегментацию на основе поведенческих факторов на примере аудитории сайта крупнейшего книжного сервиса в России и странах СНГ ЛитРес. Модели обучались на данных о действиях пользователей за два месяца. Тестовая выборка состоит из двух миллионов уникальных пользователей, которые посещали сайт в течение последней недели. Мы предсказали вероятность совершения покупки на семь дней в будущем для каждого из них, наблюдали в течение месяца и теперь готовы поделиться результатами.

Этапы предиктивной аналитики

Силами StreamMyData можно реализовать методы предиктивной аналитики. Мы собираем данные, анализируем их и делаем какие-то предположения для каждого пользователя или для групп пользователей. В процессе работы системы можно выделить пять главных этапов (рис. 1):

• Сбор данных — выгрузка данных из систем аналитики, рекламных систем, внутренних CRM-систем и любых других источников, которые находятся в доступе клиента и хранят полезные данные (рис. 2). Осуществляется при помощи собственных коннекторов StreamMyData от агентства MediaNation. Данный этап подробно расписан в кейсе по сквозной аналитике для сервиса ЛитРес.
• Анализ данных — интеллектуальный анализ данных, который включает в себя исследование данных на наличие ошибок и аномалий, выдвижение гипотез и их проверку, поиск и конструирование потенциально полезных параметров для моделей. В ходе разработки системы предсказаний для ЛитРес мы изучили и обработали сотни миллионов действий пользователей.
• Обучение (разработка) моделей машинного обучения — создание ансамбля моделей машинного обучения, которые работают с данными разного характера и направлены на выявление собственных признаков, обучение и валидация результатов. Для вычислений мы используем выделенные сервера с конфигурациями по восемьдесят ядер CPU и 128 ГБ оперативной памяти на каждом.
• Создание предсказаний и сегментирование результатов — использование обученных моделей для создания предсказаний и разбивка пользователей на группы. Выгрузка — отправка полученных предсказаний и групп пользователей в CRM-системы, рекламные системы и тому подобные. У некоторых систем есть ограничения на размеры сегментов. Например, Яндекс.Аудитории не позволяют создавать сегменты, в которых меньше 100 человек.

Рисунок 1. Предиктивная аналитика

Процесс цикличный: данные постоянно загружаются, анализируются, используются для обучения и предсказания, а затем выгружаются для применения в различных сторонних системах. В статье мы частично затронем этап сегментирования и проанализируем результаты.

Рисунок 2. Сбор данных

Сегментация пользователей на основе вероятности покупки

Итак, для каждого пользователя было сделано предсказание и сопоставлена группа в зависимости от предполагаемой вероятности покупки. Всего таких групп пять:

• Очень высокая вероятность покупки
• Высокая вероятность покупки
• Средняя вероятность покупки
• Низкая вероятность покупки
• Околонулевая вероятность покупки

Именно такое количество групп обусловлено двумя факторами:

• Удобство работы и размер отдельно взятой группы: с одной стороны, такие системы, как Яндекс.Аудитории, имеют ограничение на минимальное количество людей в одной группе, а с другой — там, где с созданными сегментами нужно работать вручную, будет проблематично оперировать, например, сразу пятьюдесятью группами.
• Наилучшее разбиение пользователей по группам: чем меньше вероятность каждого из пользователей в группе отклоняется от среднего значения вероятности в группе, тем более однородны пользователи в группе, тем лучше выполнено разбиение.

Намерение каждого отдельно взятого человека совершить покупку определяется по его поведенческим факторам. Помимо очевидных признаков, вроде глубины просмотра или количестве визитов за месяц, существуют сотни параметров, которые помогают выявить реальные намерения пользователя, даже, если он еще сам о них не знает. Какие действия совершает пользователь, в каком порядке и с какой скоростью он их делает, а также насколько регулярно — всё это позволяет нам определить паттерн или шаблон его поведения. Поведение пользователя будет представлено как последовательность чисел в огромном пространстве признаков, каждый из которых будет влиять на конечную оценку готовности пользователя совершить интересующее нас действие.

Сегментирование позволит нам посмотреть, как средняя вероятность покупки внутри каждой группы соотносится с фактическим процентом людей, совершивших покупку в этой группе.

Оценка качества предсказаний для каждого сегмента

Диаграмма 1 дает ответ на вопрос о точности предсказаний в каждом из пяти сегментов пользователей. Мы можем посмотреть, выше или ниже реальный процент людей, совершивших покупку за первую неделю, по сравнению с тем, что предсказала наша система. По оси X отложены группы пользователей, по оси Y — вероятность покупки, выраженная в процентах. Эта диаграмма подтверждает нашу гипотезу — пользователи из группы с высокой вероятностью покупки, в самом деле, совершают покупки значительно чаще, чем пользователи из группы с низкой вероятностью покупки.

В среднем наши предсказания ошибаются в группах всего на 3,6 процентных пункта, что говорит о высокой точности прогноза. Такой результат обеспечивается в том числе тем, что система постоянно обучается, используя новые данные, которые поступают в нее ежедневно.

Диаграмма 1. Сравнение предсказания и факта о покупке в группах за первую неделю

Корреляция между фактом и предсказаниями видна невооруженным глазом. Также стоит отметить, что между каждой из групп есть значительная разница в относительном количестве купивших людей. Сегментирование пользователей — это опция, которая позволяет нам работать единым образом сразу с большим количеством клиентов. Однако к каждому клиенту, будь их тысяча или миллиард, можно подходить индивидуально, например, варьируя величину скидки в зависимости от величины предсказания. В данном случае мы пошли по пути сегментации, поэтому и оценка эффективности происходит в группах.

Анализ консистентности данных

Выше были рассмотрены сходства и различия пользователей, настало время анализа консистентности данных во времени. Мы уже убедились в согласованности данных на целевом горизонте предсказания, одной неделе. Но что происходит с фактическим процентом купивших пользователей внутри групп дальше?

Ниже представлена диаграмма 2, на которой отражено изменение доли пользователей, которые совершили покупку, начиная с первой недели и заканчивая четвертой. Данный показатель является накопительным. Например, формулировка вопроса относительно второй недели будет звучать следующим образом: «Какая доля пользователей совершила покупку к концу второй недели?» То есть учитываются люди, которые совершили покупку и первую неделю, и во вторую. Аналогичным образом задаются вопросы для третьей и четвертой недели.

Диаграмма 2. Изменение процента купивших в течение месяца по группам

Loginom и Yandex DataLens для быстрого анализа и визуализации данных. Кейс компании БиоВитрум

Опыт использования аналитической low-code платформы Loginom и BI-инструмента Yandex DataLens в облаке для решения повседневных бизнес-задач. Пример создания проектов «с нуля» и внедрения их в бизнес-процессы компании всего за три месяца.

БиоВитрум — производитель и поставщик диагностического медицинского оборудования и расходных материалов для лабораторий. У компании более чем 20-и летняя история — работает на российском рынке с 2001 года. В команде БиоВитрум более 250-и сотрудников.

Основные клиенты компании:

• b2b-сегмент (business-to-business, «бизнес для бизнеса») — торговые отношения между частными юридическими лицами: медицинские центры, лаборатории, санатории, клиники;
• b2g-сегмент (business-to-government, «бизнес для государства») — торговые отношения между бизнесом и государственным органам: поликлиниками, больницами, травмпунктами, государственными учреждениями отдыха и рекреации и т.д.

Ситуация до старта проекта

До старта проекта в БиоВитрум использовали иностранный программный продукт Tableau для решения задач бизнес-аналитики, в частности, ETL-обработки и визуализации данных. По мнению специалистов компании, ключевое преимущество Tableau — возможность легко обмениваться построенными дашбордами между сотрудниками.

Проблема

В связи с уходом компании Tableau с рынка РФ остро встала проблема поиска альтернативного решения среди отечественных продуктов.

Решение

В качестве замены Tableau было принято решение использовать сочетание двух продуктов: аналитическую low-code платформу Loginom и BI-инструмент Yandex DataLens.

Yandex DataLens — бесплатный облачный BI-инструмент для визуализации данных. С его помощью можно подключиться к источнику данных (файлы, базы данных), построить модель данных и визуализировать результаты (чарты, диаграммы, таблицы, дашборды).

Концептуальная архитектура совместного использования аналитической low-code платформы Loginom и Yandex DataLens представлена на схеме.

Технологический стек, используемый в БиоВирум приведен на схеме.

Технологический стек БиоВитрум состоит как из продуктов, которые расположены в облаке, так и из решений, которые размещены on-prem — на собственных мощностях компании:

1. Облачные решения:
2. аналитическая low-code платформа Loginom;
3. BI-инструмент Yandex DataLens;
4. виртуальный офис Яндекс 360.
5. Серверные решения:
6. учетная система 1C;
7. СУБД PostgreeSQL, Microsoft SQL Server, MySQL;
8. сервис для управления бизнесом Битрикс24;
9. пакет приложений для работы с офисными документами Р7-Офис;
10. отдельные микросервисы.

Используя указанный технологический стек, в компании БиоВитрум было реализовано несколько кейсов решения повседневных бизнес-задач.

Кейс 1: Бизнес-аналитика

В отделе продаж существует потребность мониторить динамику взаимодействия с клиентами (встречи, звонки, письма, задачи) на ежедневной основе. В качестве источника данных выступает crm-система на базе Битрикс24.

В рамках решения задачи необходимо разграничить доступы для пользователей разных ролей, настроить агрегацию в разрезе подразделений компании по регионам, реализовать сквозную аналитику по разным сущностям (письма, звонки, встречи, задачи). Стандартных компонентов Битрикс24 было недостаточно для формирования необходимого отчета.

Для решения задачи было настроено подключение баз данных компании на MySQL к Loginom. С помощью low-code платформы происходила агрегация данных из разных БД (очистка, маппинг полей).

Далее агрегированные и чистые данные загружались в хранилище данных на PostgreeSQL. Хранилище напрямую было подключено к Yandex DataLens, с помощью которого строились рейтинговые чарты.

Кейс 2: Очистка данных в рамках планирования

Для решения задач планирования существует потребность объединить множество разнородных Excel-таблиц из 1С, очистить данные и вычислить необходимые показатели и метрики.

В рамках решения задачи необходимо было настроить показ промежуточных результатов вычислений ограниченному кругу пользователей и реализовать подключение к Р7-Офис. Также желательно, чтобы решение было простым и интуитивно понятным, как таблицы Google Sheets.

Для решения задачи было настроено подключение 1С и Р7-Офис к Loginom, далее происходила обработка данных, итоговые результаты выгружались либо в Excel, либо в хранилище данных на PostgreeSQL в зависимости от настроек. PostgreeSQL было подключено к Yandex DataLens для визуализации расчетов.

Кейс 3: «Табло» заказов для клиентов

В компании БиоВитрум было решено сформировать «личный кабинет» — настроить онлайн-сервис по мониторингу заказов дилеров с описанием перечня товаров и текущего статуса.

Для настройки личного кабинета необходимо спроектировать сценарий, который объединяет множество разнородных Excel-таблиц из 1С и различных БД, производит очистку данных и визуализирует конечный результат. В рамках решения этого кейса крайне важно правильно задать настройки доступа к информации, чтобы один дилер не мог видеть заказы другого.

Для решения задачи было настроено подключение 1С к Loginom. При этом одна часть данных из 1С проходила ETL-обработку с помощью low-code платформы, а другая нет — информация передавалась напрямую в базу данных на PostgreeSQL. Оба потока данных затем соединялись в один дашборд в Yandex DataLens.

Результаты

В качестве преимуществ Loginom пользователи БиоВитрум выделяют следующее:

1. Понятная low-code архитектура — позволяет радикально снизить порог входа для специалистов, решать сложные аналитические задачи силами непосредственно бизнес-пользователей, не привлекая ИТ.
2. Дружественная интеграция с различными источниками данных — можно работать с файлами, веб-сервисами, бизнес-приложениями, базами и хранилищами данных, ODBC-источниками.
3. Облачная версия — дает возможность реализовывать масштабные проекты, не загружая собственные серверные мощности и рационально оплачивая пользование платформой.
4. 100% российская разработка, входит в Единый реестр отечественного ПО — платформа не уйдет с рынка РФ, обеспечиваются стабильная техническая поддержка продукта и обновление версий, стоимость ПО не зависит от колебаний валют.

По мнению специалистов компании БиоВитрум Yandex DataLens обладает следующими ключевыми преимуществами:

1. Развитая экосистема — позволяет реализовать комплексные задачи в едином контуре безопасности Yandex Cloud, DataLens интегрирован в популярные сервисы Яндекса.
2. Гибкость — поддерживает работу с разными источниками (csv, ClickHouse, Greenplum, Postgres, MySQL, MS SQL, Oracle) с возможностью объединения в облаке или на сервере клиента.
3. Коллективная работа — позволяет делиться с командой графиками и дашбордами, размещать их в сети Интернет, встраивать визуализацию в интерфейс сайтов.
4. Безопасность — продукт соответствует российским и международным стандартам безопасности и обработки чувствительных и персональных данных, например, банковских транзакций.

Подробнее о совместном использовании Loginom и Yandex DataLens в выступлении Дмитрия Гуреева, директора по цифровой трансформации компании БиоВитрум, и Павла Дубинина, менеджера продукта Yandex DataLens:

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

Другие материалы по теме:

Источник: loginom.ru

Увеличили прибыль в 3 раза, а ROMI — до 2 796%: кейс компании «Медицинские системы и технологии»

Как с помощью сквозной аналитики компания «Медицинские технологии и системы» за год увеличила прибыль в 3 раза, а ROMI — до 2 796% и получила полностью контролируемый маркетинг.

Подпишись на Telegram

Привет! Меня зовут Виталий Кабышев. Я руководитель направления e-commerce в компании «Медицинские системы и технологии» . В этом кейсе расскажу, как сквозная аналитика помогла изменить подход к маркетингу компании и как мы теперь рассчитываем возврат инвестиций в рекламу ещё на старте работ.

Подключите сквозную аналитику

О клиенте

МСТ — официальный дистрибьютор медицинского и косметологического оборудования мировых производителей с глубокой экспертизой в реализации комплексных проектов на частном рынке. С 2007 года компания выполняет функции аудитора, генерального проектировщика, поставщика и сервисного координатора проектов в сфере здравоохранения.

Хотите освоить
сквозную аналитику?
Посетите регулярный мастер-класс
по аналитике от Roistat

Обычно компании медицинской тематики вкладывают рекламный бюджет в классический PR: выставки, публикации в отраслевых СМИ. МСТ сейчас продвигается с помощью digital-каналов: таргетированная и контекстная реклама, SEO.

Как работали с рекламой до апреля 2021

До апреля 2021 года доля рекламных сделок в компании была столь мала, что ею можно было пренебречь. По SEO работы не велись. Контекстную и таргетированную рекламу настраивал сторонний подрядчик. Он вёл трафик «по своему усмотрению» — не погружался в специфику бизнеса, не продвигал важные для компании услуги.

На тот момент были попытки внедрить разные сервисы сквозной аналитики, но удобство, скорость и актуальность получения данных оставляла желать лучшего. Все расчёты в итоге сводились к Excel. Вручную собирали данные из Яндекс.Метрики, рекламных кабинетов и сторонних сервисов, заносили в таблицу и пытались работать с этими данными. При этом были проблемы в аналитике: видели с одного перехода большое количество заявок, а также любой лид считался успешной сделкой, даже если он завершился отказом.

Остальная работа маркетинга была более классической: принимали участие в выставках, размещали публикации в журналах. Эффективность такой рекламы было сложно считать. При этом компании важен частный рынок (частные клиники, медучреждения) с точки зрения стратегии — было необходимо понимать, что компания получает от таких размещений, насколько рентабельны маркетинговые активности.

Сейчас ситуация совершенно изменилась. Компания чётко контролирует все рекламные кампании, расходы, выстраивает приоритеты, отслеживает конверсии на каждом этапе.

Что нужно было сделать

1. Распределить рекламный бюджет по приоритетам компании, запросу рынка.

2. Оптимизировать рекламные каналы.

3. Отделить прямые заявки — с прямых визитов на сайт и звонков на статичные номера — от заявок с рекламы.

4. Начать отслеживать все ключевые показатели рекламных кампаний.

Как решали задачи

Этап 1: расчёт экономики маркетинга и максимальных значений метрик

В апреле 2021 года я начал работать в МСТ. В первую очередь занялся самым важным — расчётами экономики маркетинга, сегментацией и формулирование основных сегментов целевой аудитории.

Собрали список должностей, которые принимают решения со стороны медицинских учреждений и/или участвуют в процессе выбора подрядчика. Получилось 9 основных сегментов: от медсестер до директоров клиник, финансистов и строителей. По каждому тезисно прописали, на что они обращают внимание при выборе подрядчика — что им важно при принятии решения?

Получилась подробная таблица:

После рассчитали предельные стоимостные показатели: стоимость перехода, стоимость заявки, стоимость привлечения клиента, прибыль и другие бизнес-метрики.

Рассчитывали на основе данных по маржинальности каждого продукта в портфеле компании, доли маркетингового бюджета, AOV в каждой категории и общий показатель по компании. Также учли показатели по конверсии в заявку из Яндекс.Метрики — данные на тот момент.

Посчитали рентабельную ставку для каждой категории продукта, например:

Распределили цели и всю деятельность по каналам:

Этап 2: работа с заявками

Далее подключили коллтрекинг, чтобы понимать, откуда приходят клиенты, и разделить прямые и рекламные заявки.

Что такое «прямые» и «рекламные» заявки в нашем случае:

1. Прямые — это те, кто напрямую обратился к нам. Например, позвонил по телефону, указанному на визитке (статичный номер). Скорее всего, они с нами уже общались.
2. Рекламные — это те, кто обратился к нам с рекламы. Это представители частных клиник и/или организации-посредники, которые торгуют медоборудованием, но у них нет своего склада. Вторые обращаются к нам с целью дальнейшей перепродажи.

Заявки с рекламы и прямые заявки требуют разного подхода. Решили распределить их по разным отделам уже «на входе». Те, что пришли с рекламы — уходят в отдел e-commerce, прямыми заявками занимаются территориальные отделы.

Этап 3: оптимизация рекламы и отслеживание ключевых показателей

До мая 2021 года пытались использовать разные системы коллтрекинга. Одни были неудобны, другие — считали все лиды по умолчанию успешной сделкой или показывали с одного перехода сразу несколько заявок.

Параллельно тестировали разные системы аналитики, чтобы отслеживать показатели РК. В итоге нами была выбрана сквозная аналитика Roistat. Этот сервис удобный, понятный. Ранее уже работал с ним, поэтому перейти было легко.

Подключите сквозную аналитику

Одной из задач было отслеживать ключевые показатели РК и не выбиваться из посчитанных значений максимальных стоимостей по каждому продукту. В этом нам помогли отчёты. В них мы смотрели данные по разным срезам, следили за следующими метриками:

• конверсия в заявку;
• конверсия из заявок в продажи;
• средний чек;
• средний цикл сделки.

Отслеживали, считали и продолжаем считать все метрики с точностью до ключевого слова:

С помощью подробных отчётов увидели, насколько эффективными были настройки контекстной рекламы:

Сквозная аналитика Roistat дала нам возможность точнее отслеживать эффективность рекламы. Нужный отчёт можем построить в разных разрезах. А значит, компания может расти. Решили полностью отказаться от услуг сторонних подрядчиков и собрали свою инхаус-команду.

Когда были подключены нужные инструменты и появилась возможность для гибкого управления рекламными процессами на основе данных, мы пошли дальше.

Где отваливаются клиенты?

Отдельно хочется сказать про отчёт «Воронка статусов». Он показал, нам, где:

• отваливаются клиенты;
• некорректно работают менеджеры;
• нужно дополнительно «прогревать клиента».

Конверсии на разных этапах оставляли желать лучшего, как и стоимость лида. На входе мы не превышали заданных значений и оставались в рамках допустимой стоимости привлечения клиента CAC. Но в целом из этапа в этап узкие места сразу было видно в отчётах сквозной аналитики.

Подключите сквозную аналитику

Здесь, кроме создания индивидуальных рассылок и других активностей, мы начали работать над актуализаций сделок с помощью дополнительных прозвонов и встреч с клиентами.

Аналитика «классического» продвижения в сфере медицины

Ранее в компании делали упор на «классическое» продвижение в медицине — тематические выставки, публикации в отраслевых журналах. Несмотря на то, что мы начали работать с digital-рекламой, полностью отказаться от классических активностей не можем.

Сейчас мы также выступаем на мероприятиях, присутствуем на выставках, участвуем в конкурсах, но начали анализировать и эти активности. Расходы, например, на выставку, могут быть колоссальными и их нельзя не учитывать. Все траты вручную добавляем в Roistat. Дополнительно арендуем статичные дополнительные номера под оффлайн-активность. Это позволяет видеть усредненные значения CAC и ROI по этим каналам.

Кстати, по SEO мы также учитываем расходы. Например, добавляем, сколько денег потратили на закупку ссылоку или на доработку сайта по запросам SEO-специалистов.

Сквозная аналитика: что изменилось с появлением инструмента?

Сквозная аналитика даёт нам данные, которые помогают спрогнозировать, через сколько дней и месяцев нам вернутся инвестиции на рекламу.

Мы перестали играть — получится/не получится. Стали опираться на цифры.

Даже больше: разработали формулу, которая буквально показывает, что нужно сделать для окупаемости вложений.

Формула подсчёта довольно проста. У нас составлен медиаплан минимум на год. По каждому каналу известны все ключевые точки. Расчёт начинаем с бюджета, далее — декомпозируем до CPL, конверсии (CR1) в лид, количество лидов, конверсии (CR2) в продажу + средний цикл сделки по выбранному для инвестиций каналу.

Сейчас мы вкладываем бюджет в легкопрогнозируемые каналы, например, в Яндекс.Директ. Мы знаем, что через определённое количество времени инвестиции в этот канал принесут нам прибыль и достигнем нужного ROI.

Подключите сквозную аналитику

В марте 2022 года отключили важные для нас каналы. По нам очень сильно ударило отключение Facebook* и Instagram*.

Сейчас время тестов и экспериментов, я не готов ещё делиться результатами. Но уже сейчас понятно, что данные, которыми мы обладаем, позволяют не сокращать маркетинговые бюджеты, а увеличивать, и расти дальше. Из российских рекламных каналов сконцентрировались на Яндекс.Директ, также вкладываемся в SEO.

Главный результат

Многие цифры и данные являются коммерческой тайной, показать в кейсе можно не всё. Самое главное, что помогла сделать сквозная аналитика Roistat — построить performance-маркетинг так, что мы не рискуем, инвестируя в рекламные каналы, знаем о каждом потраченном рубле и сколько этот самый рубль принесёт прибыли. Можем учитывать расходы с точностью до стоимости аренды рабочего места!

Подключите сквозную аналитику Roistat
Получайте больше клиентов, не увеличивая рекламный бюджет

В 2021 году прибыльность вложений в маркетинг выросла в 3 раза, по сравнению с 2020 годом. Показатель ROI вырос до 392%, ROMI — до 2 796%.

Кроме этого, отдел маркетинга «МСТ» вырос численно: с 3 человек — меня, PPC-специалиста Марка Швецова и SEO-специалиста Владимира Буточникова — до 12 человек со своим отделом продаж, далеко идущими планами и прозрачной аналитикой на каждом этапе работы.

Анализируйте, друзья, копайте глубже, подходите к маркетингу как к математике.

*Meta Platforms Inc., которой принадлежат Instagram и Facebook, признана экстремистской организацией и запрещена на территории РФ.

На Telegram-канале Roistat делимся полезными материалами по маркетингу и аналитике, кейсами клиентов, собираем познавательные дайджесты и анонсируем бесплатные обучающие вебинары. Подписывайтесь, чтобы ничего не пропустить.

Источник: roistat.com