Кейс justfood: как мы собрали всю аналитику в единую систему и увеличили активные подписки в 2 раза

Когда justfood обратилась к нам в 2020 году, бизнес находился в стадии масштабирования и активного роста, уже были найдены Product-Market Fit, Product-Channel Fit и привлечены инвестиции.

Клиент пришёл с проблемой: сбор аналитики был сложным и долгим. Специалисты вручную вытаскивали всю информацию из разных каналов, а потом формировали отчёт по каждому каналу отдельно. Это занимало много времени и данные быстро теряли актуальность. Нас попросили собрать всю аналитику в одном месте, автоматизировать этот процесс и увеличить количество активных подписок в два раза.

Результат: сделали систему аналитики, которая помогла быстро отсеять ненужные рекламные каналы

Внедрили новую систему отчётности: все цифры, которые раньше собирали в сервисах вручную и размещали в Google Sheets, теперь находятся в одной большой маркетинговой базе данных. Сейчас каждое утро компания получает актуальный отчёт по каналам. Это сильно упростило аналитическую работу и принятие решения, например какой канал эффективнее на данный момент.

Спустя год после внедрения сквозной аналитики, активных подписок стало в 2 раза больше.

Как мы это сделали

Провели этап проектирования: наша команда детально изучила все бизнес-процессы, историю и всё, что поможет понять маркетинговую ситуацию клиента на момент обращения. На этом этапе мы определили проблемы в аналитике. Это важный момент, потому что так мы сразу видим, куда направить ресурсы в первую очередь, а что отпадёт само собой после решения ключевых задач.

Какие проблемы мы обнаружили у клиента

Валовые отчёты оценивались в разрезах LastClick. Что с точки зрения финансовой отчетности было верно, но со стороны маркетинга — нет. При этом в рамках существующей аналитики в Exсel строить когортные отчеты было трудозатратно.

Неподходящие атрибуции. Использовались атрибуции LastClick и FirstClick. Эти модели неэффективны, если речь идёт о нескольких каналах продвижения. LastClick не покажет, как клиент принимал решение о покупке до ключевого перехода. А FirstClick показывает только первое касание, которое почти не играло роли в принятии решения о покупке. Каналы, которым присвоят конверсию эти модели атрибуции, могут быть слабыми, и при попытке их масштабировать, компания потеряет деньги.

Ошибочные выводы из-за атрибуций. Каждая покупка отслеживалась по атрибуции LastClick, поэтому покупка приписывалась последнему источнику. Хотя на окончательное решение о покупке могло повлиять что угодно из следующих касаний.

Некорректно оценивалась эффективность рекламных каналов. Основное продвижение шло через таргетированную рекламу в Инстаграм* и Facebook*. Кроме этого использовался канал блогеров, но в аналитике эффективности инфлюенс-маркетинга факт участия блогера терялся. Так происходило, потому что кроме этого канала было ещё множество источников перехода к покупке. А эффективность оценивали по LastClick и FirstClick атрибуциям без участия промокода.

Расхождения с подрядчиками. В сервисе, где закупили рекламу всё выглядит отлично, а в отчёте компании результаты сильно хуже. Это мешало принимать решения.

Стандартные расчёты. Аналитику каналов собирали двухнедельными периодами, а итоговые цифры — каждый месяц. Такой подход не показывает, какие каналы приносят прибыль, а какие бесполезны.

Отсутствие профилактики. Не было регулярных проверок здоровья данных: не проводилась проверка unknown source, разбор не привязанного, отслеживания корректного прокидывания параметров в СRM-систему.

Кроме проблем, которые я описал выше, была еще одна сложность — бизнес клиента отличается от стандартных моделей. Чтобы понимать всю ситуацию с рекламными кампаниями важно учитывать: количество новых подписок и LTV на одного клиента, эффективность каналов продаж и всю воронку в целом.

Как решали эти проблемы

Начали с того, что внедрили настраиваемые модели атрибуции, которые учитывают все точки касания клиента. Конверсии теперь присваиваются не только поиску по бренду и каналам коммуникации, но и другим источникам, которые можно масштабировать: партнёркам, блогерам, соцсетям.

Из-за ошибок в аналитике данных в отчётах неверно определялись и присваивались конверсии различным точкам контакта с клиентом. Мы нашли эту ошибку и исправили.

Для сотрудничества с блогерами внедрили систему уникальных промокодов. В отчётах настроили атрибуцию с приоритетом промокода. Это прояснило эффективность канала — кто из блогеров больше приводит клиентов. В итоге канал удалось успешно масштабировать.

Для соцсетей вывели на дашборд сразу три атрибуции: как видит результат рекламы подрядчик и как видит СМО, с учётом новой модели, где собраны все точки касания клиента.

Принимать решение о масштабировании стало проще, и рекламный канал в соцсети вырос в шесть раз без потери эффективности.

Далее мы сделали клиенту систему аналитики, и атрибуцию для основных этапов воронки на основе регистраций. Это упростило оценку эффективности: каналы привлечения новых клиентов оцениваются по тому, как они приводят новых клиентов. А каналы коммуникации — по тому как они дожимают привлеченных клиентов до покупки.

Мы углубили ежемесячную аналитику до ключевых слов, адсетов, креативов и привязали её к когортам, а не к месяцам, как было раньше. Сразу стало видно, какие каналы для привлечения работают лучше, а что можно отключить. Внедрение такого анализа помогло прогнозировать доход от клиентов на ранних этапах.

После работы с аналитикой каналов, мы разобрали взаимодействие с клиентами. Оказалось, что клиенты на рынке доставки рационов имеют свои особенности поведения: после небольшого периода, стандартные схемы работы реактивации перестают работать. Поэтому было принято решение: после определенного периода менеджеры считают таких уснувших клиентов новыми и соответственно с ними и работать.

В рамках прежней аналитики это было невозможно. Сейчас — вопрос секундного переключения модели атрибуции.