Руководитель отдела маркетинга Flowwow Олег Егоров и UA-аналитик Flowwow Ярослав Кобозев рассказали, как пришли к нужным отчетам и какие проблемы это решило.
16 декабря 2022
Идеальный дашборд CMO: как искать гипотезы в отчетах и за 3 года увеличить выручку с 1,2 до 4 млрд рублей. Опыт Flowwow
C 2020 по 2021 год выручка Flowwow выросла с 1,2 до 2,4 миллиарда рублей, а к концу 2022 года превысит 4 миллиарда. Последние два года компания активно развивала направление аналитики и пришла к маркетинговым дашбордам, которые помогают находить гипотезы для увеличения продаж.
Руководитель отдела маркетинга Flowwow Олег Егоров и UA-аналитик Flowwow Ярослав Кобозев рассказали, как пришли к нужным отчетам и какие проблемы это решило:
- переизбыток данных — какой набор метрик помогает увидеть перспективные рекламные площадки;
- одномерное планирование — как многомерные отчеты позволяют получить максимум от каналов привлечения;
- данные вне контекста — какие пояснительные метрики влияют на оценку выручки;
- неточная атрибуция каналов привлечения — о каких допущениях договорились внутри команды (и как из-за проблем атрибуции «поломалась» юнит-экономика);
- ошибки в данных — как повышают доверие к отчетам.
В конце статьи — инструмент для тех, кто регулярно ищет точки роста и новые гипотезы в отчетах. Сохраните его себе и покажите команде: чек-лист для оценки эффективности рекламы.
Проблема 1: переизбыток данных
Какой набор метрик помогает увидеть перспективные рекламные площадки
В маркетинге на выручку влияет огромное количество факторов:
Если пытаться анализировать все сразу, то получается нечитаемая таблица:
Отчет Flowwow по каналам привлечения трафика. Посмотреть в полном размере
Сложно принять решение, куда инвестировать бюджет и ресурсы команды. Поэтому для начала мы определили, что важно измерять в первую очередь.
Выделили три наиболее важные группы метрик:
Группа метрик
Метрика
Пояснение метрики
Количество новых пользователей
Постоянный приток новых покупателей — один из главных факторов роста маркетплейса.
Конверсия в первую покупку
В случае рекламы приложения мы смотрим на отложенную конверсию в покупку после установки: через 7, 14, 30, 60 дней.
1. Объем трафика и его качество
Когортная созреваемость (потенциал аудитории к повторным покупкам)
Например, в одном канале мы возвращаем клиентов, у которых первая покупка — цветы. В другом канале — клиентов, которые сначала купили живые растения. В дальнейшем эти группы клиентов могут по-разному конвертироваться в повторную покупку. Эту метрику оцениваем раз в год.
2. Деньги
Общая выручка
Сейчас активно развиваем нецветочный сегмент — доля продаж «нецветов» составляет уже 8%.
Доля выручки в нецветочных категориях
3. Эффективность и объем расходов
Расходы в абсолютных значениях
Средняя стоимость привлечения клиента (customer acquisition cost, CAC)
Доля маркетинговых расходов (cost revenue ratio, CRR)
Отчет стал более читаемым:
Отчет по каналам привлечения трафика
Теперь мы понимаем, сколько денег потрачено, каковы стоимость привлечения и доля рекламных расходов.
Таким же образом мы можем оценить долю продаж нецветочной категории по новым клиентам:
Отчет для оценки доли нецветочных категорий и количества новых клиентов
Количество метрик сократилось, но оценивать ситуацию в маркетинге все еще сложно — каналы привлечения излишне детализированы и на верхнем уровне непонятно, какие способы продвижения эффективнее. Например, нельзя сделать вывод, какая реклама лучше — ведущая на сайт или в мобильное приложение.
Так мы пришли к группировке рекламных сегментов:
Веб-трафик
App-трафик (iOS, Android)
Органический или бренд-трафик:
— SEO;
— прямой трафик;
— SMM;
— другое.
— SEO;
— прямой трафик;
— SMM;
— другое.
Органический или бренд-трафик:
— App Store optimization;
— web_to_app_organic;
— SMM.
— App Store optimization;
— web_to_app_organic;
— SMM.
Рекламный трафик:
— «Яндекс.Директ»;
— Google Ads;
— инфлюэнсеры;
— медийная реклама;
— геосервисы;
— другое.
— «Яндекс.Директ»;
— Google Ads;
— инфлюэнсеры;
— медийная реклама;
— геосервисы;
— другое.
Рекламный трафик:
— MyTarget;
— «ВКонтакте»;
— Google Ads.
— MyTarget;
— «ВКонтакте»;
— Google Ads.
Такая группировка позволяет увидеть проблему на уровне типа канала и трафика:
Отчет по группам каналов привлечения трафика
Благодаря этому мы можем заметить неэффективную группу каналов, а после — оценить конкретные каналы внутри этой группы, чтобы понять, где именно проблема и какая команда маркетологов должна ее решить. Или, наоборот, мы находим сверхэффективные группы каналов и кампании, в которые стоит инвестировать больше.
Например, в отчете ниже видно, что у приложения стоимость привлечения клиента (CAC) больше, чем у сайта:
Отчет по группам каналов привлечения трафика: сравнение CAC между мобильным приложением и сайтом
Но если мы посмотрим на долю рекламных расходов (CRR), то увидим, что в рекламе сайта этот показатель гораздо выше:
Отчет по группам каналов привлечения трафика: сравнение ДРР между мобильным приложением и сайтом
У приложения CRR оказался ниже, поскольку в нем большой объем повторных заказов (CRR считается от общей выручки, а CAC учитывает только новых клиентов).
Объясняем это тем, что часть пользователей сначала делает первый заказ на сайте — так удобнее познакомиться с товаром или срочно что-то купить. Позже эти же клиенты видят рекламу приложения и с хорошей конверсией заказывают повторно. Таким образом, мы усиливаем бюджет на привлечение новых клиентов на сайт и на ретаргетинг в мобильное приложение.
Условное форматирование помогает заметить перспективные или проблемные каналы
С помощью опции «условные форматирования» мы настроили подсветку. Она автоматически подкрашивает выполнение плана: красный — плохо, зеленый — хорошо. Такое простое решение позволяет вовремя увидеть проблемы: мы сразу замечаем направления, которым стоит уделить внимание в первую очередь.
Например, в отчете ниже есть два «красных» канала — brand и partners:
Отчет по группам каналов трафика с условным форматированием
По каналу brand мы выполнили план всего на 64%. Детализируем его до типов кампаний:
Детализация по группе каналов brand
Видим, что проблема в направлении инфлюэнс-маркетинга, — детально разбираем причину со специалистом по работе с инфлюэнсерами.
Благодаря такому отчету мы заметили рост по группе paid_apps. В детализации по каналам увидели, что план продаж через Unity (платформа для продвижения приложений) выше прогнозируемого. Так мы увеличили бюджет на эту платформу на 20–30% в месяц.
И наоборот: этим летом мы заметили проблемы в «Яндекс.Директе» — он не дотягивал до плановых значений и давал 60% от плана. Мы понимали, что у канала большой потенциал, поэтому решили серьезно его доработать. Этим занималась команда, отвечающая за «Яндекс.Директ»: оптимизировали конверсионность ключей, позиций, CTR, группы объявлений, расширили семантику. Сейчас ситуация выправляется: улучшили CRR, CAC и получаем рост выручки в канале месяц к месяцу и год к году.
Проблема 2: одномерное планирование
Мы распределяем бюджеты не только между каналами привлечения, но и между товарными категориями, регионами, типами пользователей (новыми или повторными), платформами iOS и Android.
Если оценивать только канал или кампанию, то реклама может казаться эффективной. Но так есть риск упустить проблемы: на деле в одном регионе канал может работать лучше, а в другом — в несколько раз хуже. Или, например, в определенном городе какая-то категория товаров может расти на 1000%, потому что она там неразвита. Мы понимаем, что, если мы выделим небольшой бюджет, рост будет колоссальным.
У нас пока нет автоматизированного ML-алгоритма, который определял бы оптимальный набор и порядок параметров. Но есть наиболее часто используемая иерархия:
Продуктовая категория находится в самом верху, поскольку нам важно расти за счет нецветочных товаров и увеличивать их долю (сейчас это 8%). Так мы можем искать точки роста внутри каждой категории.
Например, мы выбираем цветочную категорию и хотим увеличить отношение выручки к прошлому году:
Видео-пример поиска точки роста в цветочной категории в Google Data Studio
- Детализируем до городов и видим, что красным подсветился Воронеж.
- Смотрим данные по Воронежу — замечаем, что просела контекстная реклама, и ставим задачу руководителю по контекстной рекламе, чтобы он оптимизировал канал в этом регионе.
На основе прогнозов мы корректируем наши плановые значения
Если мы хотим увеличить выручку в два раза, то сначала разбираемся, за счет чего эта выручка вырастет: стоимости трафика, конверсии, среднего чека. Это мы выясняем с помощью вычисляемых полей (поля, значение которых мы меняем, чтобы оценить, как рост или падение метрики повлияет на выручку).
Модель расчета коэффициентов: Coef_CRR — доля рекламных расходов и Coef_Mar_Cost — выручка
Например, аналитики делают прогноз: в Санкт-Петербурге по категории «живые растения» мы заработаем в следующем месяце 400 тысяч рублей.
Управленцы же могут увидеть потенциал роста до 600 тысяч рублей, скажем, за счет роста конверсии на 5 п.п. или роста бюджета в определенной категории (если CRR это позволяет). Тогда план на рост выручки в Санкт-Петербурге может увеличиться на 50%.
Проблема 3: данные вне контекста
Вернемся к отчету и посмотрим на выручку:
Отчет по группам каналов привлечения трафика
Непонятно, 334 миллиона рублей — это плохо или хорошо? Нужны пояснительные метрики.
Сравнение с периодом в прошлом
Все KPI нашего бизнеса рассчитываются исходя из целей роста. Сейчас цель — это кратный рост год к году, и каждый месяц нужно продавать в два раза больше, чем в аналогичном месяце в прошлом году.
Поэтому мы сравниваем выручку и темпы роста с прошлыми периодами. Если мы работаем с каналом давно, например «Яндекс.Директ» мы используем с 2014 года, то сравниваем себя с аналогичным периодом прошлого года.
Для каналов, которые только запускаются (Telegram Ads, Unity Ads) или для новых регионов (сейчас мы выходим на рынки Европы, закупаем рекламу в Лондоне), сравниваем динамику по месяцам.
Кроме того, у нас сезонный бизнес, и подобная оценка позволяет избежать ложных выводов: месяц к месяцу мы можем вырасти на 170%, а год к году — всего на 70%. К примеру, из-за Дня матери в ноябре объем продаж на 40–50% выше, чем в октябре.
Эластичность бюджета
Чтобы планировать скорость роста выручки, на более детальном уровне мы оцениваем эластичность бюджета: например, на сколько процентов нужно увеличить рекламный бюджет по сегменту, чтобы выручка увеличилась на 1%.
Такой анализ позволяет понять, где прирост бюджета был наиболее эффективным. Условно, мы на 50% увеличили бюджет на определенную категорию, а выручка выросла только на 20%, — это низкая эластичность. Если рекламный бюджет вырос на 30%, а выручка на 35% — хорошо.
Но здесь важно смотреть на дополнительные параметры: менее эластичный сегмент может давать более платежеспособных и высокомаржинальных клиентов.
Оценка эластичности бюджета и среднего чека по каналам привлечения
Проблема 4: неточная атрибуция каналов привлечения
Какую модель атрибуции используем сейчас и почему не внедряем ML-атрибуцию
Для оценки каналов мы в основном используем атрибуцию last non-direct click — она показывает каналы, которые побудили к покупке (мы уверены, что эти каналы генерируют продажи, и инвестируем в них). Все, что происходит до последнего значимого касания перед покупкой, пока не анализируем.
Мы думаем об использовании вероятностной модели атрибуции — она позволит оценивать влияние прогревающих кампаний на выручку, учитывая, как человек вел себя на сайте, какую рекламу видел. Благодаря этому можно более эффективно распределять бюджеты.
Но сделать такую атрибуцию непросто, тем более с ограниченными ресурсами и небольшим объемом данных. Нужно выбрать статистическую модель и определить критерии, как и на каких данных ее обучать. Кроме того, должен пройти долгий период обучения модели, чтобы ей можно было доверять.
Жизнь после SKAdNetwork: как «поломали» юнит-экономику и как принимаем решение для iOS-рекламы
В апреле 2021 года после выхода iOS 14.5 у пользователей Apple появилась возможность не соглашаться на отслеживание персональных действий.
Запрос на использование идентификатора устройства (IDFA)
Для iOS-кампаний мы переключили всю атрибуцию на атрибуцию SKAdNetwork (слепо доверились данным Apple). Так, в разрезе платной рекламы летом 2021 года мы увидели такую картину:
Кроме myTarget, стоимость привлечения из iOS-рекламы везде была в два раза выше, чем из Android. Мы предположили, что iOS-кампании стали хуже обучаться, и на следующие 6 месяцев резко перераспределили бюджет на Android — там все было прозрачно: видим продажи — увеличиваем бюджет.
Но спустя полгода пересмотрели стоимость привлечения — учли не только платный трафик, но и органику:
Стоимость привлечения для iOS-устройств оказалась ниже, чем для Android. Очевидно, была проблема с атрибуцией платной iOS-рекламы, из-за чего «поломалась» юнит-экономика. Условно: мы думали, что продвижение с таргетом на iOS-устройства неэффективно, потому что стоимость привлечения клиента — 10 тысяч рублей, но реальная стоимость — 3 тысячи рублей, поскольку часть данных мы не видим. Если бы полгода назад мы учли органический трафик, то изменили бы нашу стратегию.
Как оцениваем iOS-кампании сейчас:
- Смотрим на метрики на верхнем уровне — с учетом органического трафика. Цена привлечения должна нас устраивать (должна сходиться юнит-экономика).
- Когда оцениваем конкретный канал, то завышаем по нему целевую стоимость привлечения. Условно: если 30% конверсий теряет атрибуцию и уходит в органический трафик, то мы увеличиваем целевой CAC на 30%.
Там, где есть возможность не использовать атрибуцию SKAdNetwork (например, VK Ads, Unity Ads), используем вероятностную атрибуцию Adjust.
Как атрибутируем медийную рекламу
Во-первых, мы идеологически определились внутри бизнеса: верит ли команда в медийный эффект и в то, что нужно растить осведомленность о бренде. Мы понимаем, что, скорее всего, медийная реклама не будет прибыльной в моменте (если оценивать ее «в лоб» как перформанс), но увеличит узнаваемость бренда.
Во-вторых, нужно договориться, как будет измеряться медийный эффект: это может быть рост органического трафика или бренд-запросов.
Как пришли к медийным форматам
Мы начали тестировать медийную рекламу, когда перформанс-каналы перестали давать нужный рост. В качестве первого медийного формата выбрали блогеров — это идеальное сочетание медийки и перформанса: мы увидели рост продаж по промокодам и рост бренд-метрик, а также научились атрибутировать блогерам часть органического трафика.
Сейчас используем и другие медийные форматы, эффект которых оценить сложнее: наружку, ТВ, онлайн-медиа (медийка «Яндекса», «Леди Mail.ru», «Дзен»), кешбэк-интеграции с банками, партнерские программы (Lamoda, Skyeng), собственные группы в соцсетях, спецпроекты (с журналом «Бумага»).
Распределение бюджета между медийными и перформанс-каналами в 2021 и 2022 годах:
2021
2022
Медийная реклама
30%, из них офлайн — 10%
40% (рост в том числе за счет блогеров), из них офлайн — половина
Перформанс-реклама
70%
60%
Как оцениваем медийную рекламу и как планируем бюджет
На медийные каналы мы выделяем определенный процент бюджета, отталкиваясь от юнит-экономики.
Считаем затраты на перформанс и смотрим на CRR — выясняем, есть ли запас. Условно: плановый CRR был 10%, а получился 8%, — тогда мы можем потратить 2% на медийную рекламу. Даже если медийная кампания не даст эффекта, мы сильно не пострадаем.
Для оценки медийных кампаний у нас есть отдельный дашборд: смотрим на охват и органические переходы на сайт.
Кроме того, каждый месяц анализируем бренд-показатели по Wordstat. Например, после медийных активностей смотрим на брендовые запросы по городам. Если видим, что инвестиции в ТВ или наружную рекламу дают нам увеличение бренд-запросов, то продолжаем инвестировать в эти площадки.
У нас есть есть несколько гипотез, как можно повысить точность при оценке медийного эффекта:
- Смотреть на сравнительную конверсию «заход на сайт». Скорее всего, когда человек знаком с брендом, он с большей вероятностью нажмет на рекламу. Например, он вводит в поиск «доставка цветов Челябинск» и замечает сайт Flowwow, потому что вспоминает, что уже видел нас.
- Размещать медийную рекламу на более долгие периоды: хотя бы 2–3 месяца. Когда реклама ротируется 1–3 недели, она дает небольшие результаты в продажах. Причины разницы в результате могут быть в других факторах: например, в росте бюджета на контекстную рекламу.
- Оценивать медийную рекламу в несезонные периоды в менее крупных городах — там меньше «шума» из-за остальной нашей рекламы.
Проблема 5: неточные данные
Поскольку мы получаем данные из множества систем, всегда есть места, где что-то может «отвалиться».
Неточные данные могут повлиять на выводы о том, куда лучше вложить бюджет. Поэтому мы постоянно следим за аномалиями в отчетах: смотрим, чтобы корректно загружались расходы, выручка, заказы и пр.
Автоматические уведомления в Slack
В нашем Slack настроены автоматические сообщения со статистикой по ключевым метрикам для каждого канала:
Сообщение в Slack с метриками по каналу Google Ads
Это позволяет быстро заметить расхождения, например в продажах или расходах на рекламу. Благодаря этому мы оперативно подключаем аналитиков, чтобы решить проблему.
Создать доверие к отчетам помогает только быстрая реакция аналитика на ошибку в данных
Создать доверие к отчетам помогает только быстрая реакция аналитика на ошибку в данных. На практике часто что-то ломается, но если в компании это игнорируют, то никто не пользуется отчетами, потому что цифрам не верят.
Сейчас мы настраиваем более умные Slack-уведомления, которые сообщают о нетипичных показателях. Например, если возникает сильное отклонение от выручки, превышение дневного бюджета (маркетолог забыл поставить ограничение в рекламном кабинете) или если какие-то данные не загрузились.
Каждый маркетолог проверяет данные своего дашборда
Из-за большого количества факторов, которые приводят к ошибкам в отчетах, мы не можем слепо доверять цифрам в дашбордах. Поэтому мы внедрили новый процесс: каждый маркетолог, отвечающий за канал привлечения, раз в неделю проверяет свои дашборды по инструкции.
Уведомление для маркетологов в Slack с задачей проверить свои данные
Инструкция для маркетологов: как проверить данные
И проставляет галочки по стандартному чек-листу:
Чек-лист проверки данных для каждого рекламного сегмента. Посмотреть в полном размере
В первую очередь маркетолог сверяет расходы с первоисточником: рекламной платформой. Расход отчета в Google Data Studio должен совпадать с расходом в рекламном кабинете за тот же период.
Также маркетологи сверяют выручку: если это реклама на сайт, то сравнивают выручку с Google Analytics (мы настроили обновление статусов по транзакциям и учитываем отмену заказов). Тут важно проверять, что отчеты в Google Analytics показываются без семплирования.
Если есть расхождение, маркетологи сообщают об этом аналитику, чтобы тот поправил ошибку. После сверки «на местах» более точные данные собираются в отчеты для руководства.
Чек-лист директора по маркетингу для анализа эффективности каналов привлечения
Ниже — чек-лист для оценки эффективности рекламы, который мы используем в Flowwow:
Может пригодиться директорам по маркетингу — нам он помогает найти гипотезы для роста продаж при анализе дашбордов.
* Признан в РФ лицом, выполняющим функции иноагента.
