В консалтинговой компании NF Group повысили количество обращений без повышения бюджета — разработали сервис аналитики и управления ставками объявлений на «Циане». Head of digital агентства рассказывает, как объединили данные и научили сервис находить эффективные объявления.
Больше обращений по недвижимости на «Циан» при том же бюджете. Кейс NF Group
NF Group — консалтинговая компания. На рынке недвижимости России с 1996 года (до октября 2022 года работала под брендом Knight Frank Russia)
Meta Development — ИТ-компания в составе NF Group. Разработчик сервиса аналитики и управления ставками на «Циане»
Задача
Оптимизировать расходы на продвижение объявлений на мультилистинговых площадках
Повысить количество обращений и сделок
Повысить количество обращений и сделок
Решение
Внедрили сервис аналитики и управления ставками на «Циане»
Результат
При неизменном бюджете:
+65% — рост обращений по загородной недвижимости;
+35% — рост обращений по жилой городской недвижимости;
Cохранили количество обращений по офисной недвижимости при спаде на рынке
+65% — рост обращений по загородной недвижимости;
+35% — рост обращений по жилой городской недвижимости;
Cохранили количество обращений по офисной недвижимости при спаде на рынке
Срок.
9 месяцев
Фишка
Сервис выдает рекомендации по продвижению объектов недвижимости
6 марта 2023
Консалтинговая компания NF Group продвигает вторичную недвижимость через «Циан». Площадка предоставляет ограниченную аналитику, поэтому в компании не знали, какие именно объявления приносят сделки и показы.
Чтобы оптимизировать продвижение, Meta Development — ИТ-компания, входящая в группу компаний NF Group, — разработала сервис аналитики и управления ставками на «Циане». Сервис собирает информацию о размещениях, объединяет ее с данными CRM и дает рекомендации по корректировке бюджета. Благодаря этому удалось увеличить количество обращений без дополнительных средств.
Head of digital компании NF Group Александр Оникиенко рассказывает, как объединили данные из «Циана» и CRM и научили сервис находить эффективные объявления.
Результаты
-
+65%рост обращений по загородной недвижимости
-
+35%рост обращений по жилой городской недвижимости
-
Сохраниликоличество обращений по офисной недвижимости, несмотря на спад активности рынка на 60–70%
По данным NF Group
Как устроено продвижение на «Циане»
Для вторичной недвижимости основной канал продвижения — мультилистинги: «Циан», «Домклик», «Яндекс.Недвижимость», «Авито». В приоритете продвижение через «Циан»: площадка приносит сделки с хорошим ДРР.
Агентства и застройщики платят за продвижение объявлений по принципу аукциона. Однако выкупать первые позиции, например среди всех квартир в Москве, не имеет смысла: ставка будет слишком высокой, а бюджет будет сливаться на нецелевых пользователей, которые находятся на стадии формирования потребности и не входят в сегменты активной аудитории CJM. Эффективнее выбирать узкий запрос, например по району, стоимости или площади квартиры, и выводить объявление на первое место по нему.
При этом задача продвижения — не охваты, а качественные обращения. Качественными называются те обращения, в которых понятны:
— Намерения. Клиент не любопытствует и не колеблется, а явно намерен купить квартиру.
— Срок. Фраза «Когда-нибудь куплю» — тревожный звонок. Важно, чтобы у клиента был понятный горизонт покупки — через месяц, полгода, год.
— Бюджет. Клиент понимает, какими средствами располагает, и четко обозначает ценовой диапазон объектов, которые его интересуют.
Наша задача — выявлять объявления, которые приносят качественные обращения, и выводить их на оптимальные позиции для максимизации конверсий по целевым запросам.
Почему раньше объявления продвигали вслепую
Проблема была в том, что мы не знали, какие объявления приводят к качественным заявкам. По умолчанию «Циан», как и другие мультилистинги, предоставляет ограниченную аналитику.
Например, по конкретному объявлению доступна статистика только за последние 10 дней. Полугодовую статистику можно получить лишь в разрезе всех объявлений и без сегментации. Учитывая, что цикл сделки в недвижимости исчисляется месяцами, эти данные не представляют для нас большой ценности и их недостаточно для принятия решений.
Дефолтная аналитика от «Циана» — количество просмотров объявления за 10 последних дней
К тому же часть просмотров накручивают сами сотрудники компании, когда заходят посмотреть объекты или проверить статистику — каждое обновление страницы фиксируется в статистике как новый просмотр.
-
3–7
млн в год обходился бы колл-трекинг для всех объявлений NF Group
Теоретически можно подключить колл-трекинг и использовать виртуальные номера для отслеживания. Но такой способ нецелесообразен, так как номера для базы из 2000–5000 объявлений в год будут обходиться от 3 до 7 миллионов рублей. Вместо этого мы подключаем номера только для групп по типу размещения — платное, премиум или топ. Так мы могли сказать, что клиент пришел с премиум-объявления, но с какого именно — не знали.
Мы пытались увеличить точность данных об объявлениях, которые приносят обращения, с помощью операторов колл-центра. Но все равно значимый для нас процент объявлений оставался неидентифицированным, потому что клиенты не всегда могли назвать ID объекта, по которому звонили.
Казалось бы, чтобы понять, по какому объявлению звонили, достаточно дождаться просмотра или сделки. Но брокеры не всегда предлагают клиентам те объекты, по которым они изначально обращались.
Допустим, наш клиент, который хотел купить квартиру в Хамовниках, попадает к брокеру. Брокер выясняет его потребности: для чего нужна квартира, какие предпочтения. По ответам клиента понимает, что ему больше подойдет квартира в Пресненском районе, и предлагает посмотреть ее. Если клиент согласится, данные смешиваются: мы так и не узнаем, какое объявление в Хамовниках сработало. Более того, ориентируясь на статистику просмотров объекта и покупок, мы будем продвигать объявления в Пресненском районе, которые качественных заявок не приносили.
Данные об объявлениях NF Group до внедрения сервиса
Как настроили сбор и обработку данных
Проблема получила решение, когда «Циан» выпустил API для агентств недвижимости и риелторов. Мы получили возможность забирать необработанные данные о просмотрах объявлений в свою внутреннюю базу или CRM.
По каждому объявлению мы получили сводку данных:
- ID,
- объект,
- актуальную ставку в аукционе,
- ставку лидера по району,
- позицию в листинге по району,
- номер страницы в листинге по району,
- количество просмотров объявления,
- количество просмотров за день,
- количество долистываний карточки объявления,
- количество поисков,
- количество «расхлопов» — нажатий на кнопку «Контакты застройщика»,
- дату публикации объявления,
- дату снятия с публикации.
Мы собирали данные и создавали визуальные отчеты и дашборды в PowerBI. Отчеты позволяли судить об охватах объявлений, но наша реальная цель — сделки, поэтому мы пошли дальше.
Следующим этапом была интеграция с CRM-системой, где собираются данные о взаимодействиях с клиентами, начиная с первого звонка: насколько потенциальный клиент готов к сделке, был ли показ объекта, успешно ли он прошел, совершена ли сделка. Статистика объявлений, которую мы получили через API «Циана», дополнила данные CRM-системы, и мы получили полную картину движения по воронке продаж.
Теперь мы могли не только отслеживать, сколько кликов и «расхлопов» набрало объявление, но и выстроить полноценную систему метрик с атрибуцией по объявлению:
- заявки,
- квалифицированные лиды,
- показы,
- отправки презентаций,
- отправка предложений по другим объектам,
- брони,
- сделки,
- другие события, которые произошли при взаимодействии с клиентом.
Данные об объявлениях NF Group после интеграции API «Циана» и CRM-системы
Как научили сервис находить «сильные» и «слабые» объявления
Мы получили подробные отчеты по каждому объявлению: охват, стоимость показа, позиции, количество звонков, заявок и показов объекта. Это упростило работу операторов базы данных и маркетологов, но им по-прежнему приходилось вручную анализировать информацию и управлять двумя тысячами объявлений.
Решили автоматизировать эту работу и разработать аналог бид-менеджера, который анализировал бы данные и на основе алгоритмов предлагал решение: повысить, сохранить или снизить ставку каждого конкретного объявления. Чтобы собрать статистику и сформировать алгоритмы, начали с эксперимента «в ручном режиме».
Наши первичные гипотезы звучали так:
— При том же бюджете мы будем получать больше заявок с «Циана», если будем усиливать продвижение по более конверсионным объектам и тратить меньше или совсем не тратить на продвижение объектов без конверсий.
— Если будем фиксировать микроконверсии («расхлопы», просмотры карточек объявлений), то будем быстрее принимать решения о стратегии рекламной кампании и оптимизировать бюджет.
В результате мы хотели создать модель, благодаря которой будем прогнозировать сроки экспозиции объектов на рынке и потенциальных бюджетах на продвижение. А на основе выработанного алгоритма сможем делать предиктивную оценку продвижения новых объектов, которые еще не были в экспозиции на «Циане».
В рамках эксперимента мы решили построить четыре контрольные выборки объектов разных видов недвижимости: городской, загородной, торговой и офисной. Спрос в этих выборках никак не коррелирует между собой — это позволило нам абстрагироваться от сезонных колебаний. Объекты кластеризовали по таким параметрам, как стоимость, метраж, район и удаленность от центра.
На основе данных из CRM разработали внутреннюю шкалу оценки объекта, определили бенчмарки и разделили объекты на три категории: «перформеры», «средние» и «аутсайдеры». После чего вручную управляли ставками по размещению на площадке.
Эксперимент длился три месяца — с сентября по ноябрь. В сентябре мы выделили контрольную группу, в октябре по внутренним оценкам перераспределили бюджет между тремя категориями по заданным правилам, а в ноябре отменили все изменения.
Во всех четырех выборках нам удалось значительно улучшить результаты.
Лучший результат по итогам эксперимента показала выборка с объектами городской недвижимости. В октябре произошел всплеск всех показателей: заявок стало на 56% больше, а стоимость заявки снизилась на 43%
Во время ручного управления ставками мы анализировали, как соотносятся показатели микроконверсий со значимыми метриками, и выявляли закономерности.
Выделяли сделки по схожим объектам, например с одинаковой стоимостью квадратного метра. Анализировали микроконверсии по этим объявлениям и схожие параметры принимали за эталонные. Затем проверяли гипотезу: повышали ставки объявлений, микроконверсии которых схожи с эталонными, и понижали у остальных. Если количество сделок возрастало — гипотеза подтверждалась. На ее основе разрабатывали алгоритм.
К концу эксперимента мы сформировали алгоритмы, которые помогают увеличить количество сделок при помощи корректировки ставок. Эти алгоритмы легли в основу сервиса аналитики и управления ставками на «Циане».
Схема одного из тестируемых алгоритмов: на основе данных о CPA, текущей ставки аукциона, позиции и стоимости просмотра алгоритм выводит решение об изменении ставки
Мы получили сервис, который объединяет данные из CRM-системы и API «Циана», анализирует их с помощью внутренних алгоритмов и выводит результаты в PowerBI. Также добавили возможность управления объявлениями, чтобы менять ставки и управлять бюджетами из единого кабинета. Маркетологу остается только проанализировать рекомендации сервиса и скорректировать ставки.
Данные об объявлениях NF Group после внедрения сервиса
Как используем сервис
Обычно мы начинаем с того, что убираем ставки с объявлений, которые не показывают результата.
Дальше переходим к «перформящим» объявлениям. Здесь нужно больше аналитики: из каждого объявления переходим в карточку объекта, где показаны заявки и комментарии менеджеров, и на основе этих данных принимаем решение.
Например, объект уже набрал много обращений — велика вероятность, что скоро по нему оформят сделку и он уйдет с рынка. В таком случае нет смысла продвигать его дальше — снижаем ставку, несмотря на рекомендации.
А есть объявления, у которых есть потенциал привлекать заявки. Даже если они быстро уйдут с рынка, заявки, которые они получат, мы сможем обработать — предложим похожие варианты. По таким объявлениям сохраняем или повышаем ставки.
Также обращаем внимание на высокомаржинальные объекты, которые за счет большой комиссии окупят расходы на продвижение. По таким объектам мы можем повысить ставки и превысить средний показатель ROMI.
Стратегии могут быть разными. Главное, что теперь не приходится просматривать разные отчеты и сопоставлять данные по каждому объявлению. Все данные, необходимые для принятия решений, представлены в одном месте.
Первоначальная версия сервиса базировалась на PowerBI. Сейчас мы уходим от привязки к сторонней платформе и разрабатываем собственный пользовательский интерфейс:
Сервис объединяет данные API «Циана» и CRM-системы, анализирует их с помощью внутренних алгоритмов и выводит рекомендации по управлению ставками
Сервис объединяет данные API «Циана» и CRM-системы, анализирует их с помощью внутренних алгоритмов и выводит рекомендации по управлению ставками
Чего достигли с помощью сервиса
Этап подготовки, тестирования и запуска проходил с июля по ноябрь 2022 года. В это время ситуация на рынке недвижимости была нестабильной. Например, в третьем квартале совокупный объем инвестиций в коммерческую недвижимость России уменьшился на 63% относительного того же периода 2021 года. На первичном рынке элитной жилой недвижимости Москвы общий объем сделок сократился на 44% в годовой динамике и приблизился к показателям 2017–2018 годов. В условиях неопределенности многие покупатели заняли выжидательную позицию, отложив приобретение недвижимости, а некоторые полностью отказались от сделок или использовали возможность релокации семьи и бизнеса за границу.
Несмотря на это, мы добились положительных результатов при неизменном бюджете:
- в жилом сегменте увеличили количество качественных обращений на 35%;
- в сегменте загородной недвижимости увеличили количество входящих обращений на 65%;
- в сегменте офисной недвижимости сохранили количество заявок, несмотря на падение спроса на 60–70%.
Планы
Следующий шаг — внедрить модель машинного обучения, чтобы сервис мог самостоятельно осуществлять предиктивный анализ и выявлять потенциально эффективные объекты, которые еще не были в экспозиции на «Циане». Мы сформировали несколько разных наборов данных и теперь, чтобы найти «идеальный» алгоритм, нам предстоит потренировать на наших данных разные распространенные модели машинного обучения и определить самые эффективные гиперпараметры. Мы предполагаем, что это позволит улучшить достигнутые показатели и сократить расходы на администрирование продвижения объектов на площадках.
Параллельно мы будем автоматизировать алгоритм, который перераспределяет бюджеты, чтобы в дальнейшем «подружить» эти две системы.
Также в планах добавить поддержку новых площадок: «Яндекс.Недвижимости», «Авито» и «Домклика».
Изначально мы создавали пилотный продукт с компанией NF Group. Теперь планируем выходить на открытый рынок и предлагать наше решение девелоперам и другим профессиональным игрокам. Запустить продукт на массовый рынок планируем в первой половине 2023 года.
