Как отследить путь клиента из онлайна в офлайн

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:

  1. Сколько раз пользователь переходит на сайт перед тем, как уйти в офлайн и совершить сделку?
  2. Через сколько дней после первого онлайн-касания с брендом пользователь приходит в офис продаж?
  3. 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

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *