Работа с любыми данными начинается с анализа пользователя, поскольку он — ключевая фигура. Понять мотивы и цели потребителя помогает форма обратной связи на сайте. По ней очень просто отследить реакции пользователя и сопоставить их с результатом — продажей товара.
Миссия санкт-петербургской компании «Балтийская жемчужина» — создание пространства повышенного комфорта с недвижимостью высокого класса, доступной для широких слоев населения.
Вопрос в том, как понять потребности клиентов, которые переходят на сайт, но ничего там не покупают и не совершают целевых действий. Эти же клиенты через какое-то время могут прийти в магазин или в офис продаж, чтобы совершить сделку. Как тогда сопоставить онлайн-действия пользователей с итоговой сделкой в магазине? В этом кейсе мы расскажем о простой механике трекинга онлайн- и офлайн-действий без сложных технических интеграций и подключения дополнительных сервисов аналитики. Кампанию проводило агентство «Риалвеб».
Задачи
Объединить онлайн-конверсии со всеми взаимодействиями пользователя с брендом в офлайне
Определить эффективность источников трафика с точки зрения вклада в конечную продажу, которая состоялась в офисе продаж застройщика
Выявить наиболее эффективные онлайн-пути пользователя, совершивших сделку
Как выглядит схема, когда пользователь совершает конверсионные действия не на сайте, а в офисе продаж?
Когда у нас есть данные об онлайн-активности, мы можем изучить портрет пользователя, проанализировать паттерны поведения, разбить аудиторию на кластеры и спрогнозировать вероятность конверсии в офлайн для каждого из них. Но всё это не позволят нам выйти за онлайн-рамки и шире взглянуть на цепочку взаимодействия с брендом.
Решение
Чтобы отследить связь между взаимодействием пользователя с сайтом и покупкой в офлайне, мы ответили на эти вопросы:
- Сколько раз пользователь переходит на сайт перед тем, как уйти в офлайн и совершить сделку?
- Через сколько дней после первого онлайн-касания с брендом пользователь приходит в офис продаж?
- Какая роль модели атрибуции в рекламном трафике?
После того, как клиент отгрузил нам лиды из CRM-системы со статусом «Продажа», мы загрузили все данные в Big Query, обогатив их параметрами по продажам:
- стоимость сделки, комнатность квартиры
- метраж квартиры
- дата сделки
- условия сделки (ипотека / оплата полной стоимости)
- имя менеджера, совершившего сделку.
В качестве уникального идентификатора для объединения данных по онлайн- и офлайн-активности мы взяли Client ID пользователя.
Реализация
Потом мы сопоставили тех пользователей, которые были на сайте до сделки, с теми покупателями, которые совершили сделку в офлайне. Для этого мы вернули в онлайн аудиторию, совершившую сделку, с помощью email-рассылки.
После того, как пользователь получал письмо, он переходил на сайт и проходил краткий опрос. В этот момент в счетчик аналитики передавались Client ID и параметры сделки в зашифрованном виде. Параметр Client ID (CID) позволил нам объединить онлайн-активность до сделки с офлайн-сделкой и ее параметрами.
Параметры сделки, которые передал нам клиент, мы зашифровали в UTM-метке.
Чтобы мы могли все данные свести к единому формату и агрегировать их в дашборде, мы утвердили с клиентом единый стандарт будущей UTM-разметки:
То есть, когда на сайт переходили пользователи, мы получали полную статистику по активности онлайн-переходов и агрегировали эту информацию с информацией из CRM-клиента, которая была зашифрована в UTM-разметке.
Все пользователи, которые купили квартиру, получили на email письмо с поздравлением и просьбой оценить работу отдела продаж.
На этапе обработки информации в хранилище Big Query мы выгружали данные из Google Analytics. Ответить на вопросы, которые мы изначально перед собой ставили, помогли показатели:
- Сессии
- Дата сессии
- Источник/канал трафика
- Рекламная кампания
- Показатели качества визитов
- События: заполненные формы обратной связи, звонки, взаимодействия с виджетами обратной связи
- Параметры сделки
Результатом работы в Big Query стала единая таблица пользовательских сессий с датой первого визита за период и датой сделки. Чтобы было удобнее анализировать агрегированные данные, мы вывели на разные страницы дашборда в Data Studio срезы по сделкам однокомнатных, двухкомнатных и трехкомнатных квартир для всех жилых кварталов застройщика с фильтрацией по менеджерам продаж.
Смогли:
- установить эффективную частоту взаимодействия до продажи в зависимости от стоимости квартиры и комнатности;
- оценить долю источников, имеющих наибольший объем сессий в зависимости от параметров в последующей покупке;
- определить срок принятия решений и его корреляцию со стоимостью сделки.
Выводы
- С точки зрения практического применения данная интеграция поможет оптимизировать рекламные кампании после оценки вклада рекламных источников во всю пользовательскую цепочку от первого клика по рекламе до фактической офлайн-сделки.
- Интеграция позволит создать аудиторные списки в системах аналитики на основе параметров сделки. Компания сможет передавать события с тегом «Продажа» в пиксели социальных систем, чтобы настроить LAL-кампании и отминусовать пользователей в рекламе, которые уже совершили сделку и в ремаркетинге не нуждаются.
- Основные преимущества интеграции «онлайн+офлайн» — простота, быстрота исполнения и отсутствие необходимости подключения дополнительных разработчиков и сторонних сервисов.
1 комментарий
Оставить комментарий