Kako analitika od kraja do kraja pomaže tvrtkama

OWOX BI end-to-end analitika

Analiza s kraja na kraj nije samo lijepa izvješća i grafika. Sposobnost praćenja puta svakog klijenta, od prve dodirne točke do redovite kupnje, može pomoći tvrtkama da smanje troškove neučinkovitih i precijenjenih kanala oglašavanja, povećaju ROI i procijene kako njihova mrežna prisutnost utječe na prodaju izvan mreže. OWOX BI analitičari su prikupili pet studija slučaja koji pokazuju da visokokvalitetna analitika pomaže tvrtkama da budu uspješne i profitabilne.

Korištenje analitike od kraja do kraja za procjenu mrežnih doprinosa

Situacija. Tvrtka je otvorila internetsku trgovinu i nekoliko fizičkih maloprodajnih trgovina. Kupci mogu robu kupiti izravno na web mjestu tvrtke ili je provjeriti na mreži i doći u fizičku trgovinu radi kupnje. Vlasnik je usporedio prihod od internetske i izvanmrežne prodaje i zaključio je da fizička trgovina donosi mnogo veću zaradu.

Cilj. Odlučite hoćete li se povući od internetske prodaje i usredotočite se na fizičke trgovine.

Praktično rješenje. Tvrtka donjeg rubljaDarjeeling Proučavao je ROPO efekt - utjecaj njegove mrežne prisutnosti na izvanmrežnu prodaju. Stručnjaci Darjeelinga zaključili su da je 40% kupaca posjetilo stranicu prije kupnje u trgovini. Slijedom toga, bez internetske trgovine gotovo polovica njihovih kupnji ne bi se dogodila.

Da bi dobila ove podatke, tvrtka se oslanjala na dva sustava za prikupljanje, pohranu i obradu podataka:

  • Google Analytics za informacije o radnjama korisnika na web mjestu
  • CRM tvrtke za podatke o troškovima i izvršenju narudžbi

Trgovci u Darjeelingu kombinirali su podatke iz tih sustava koji su imali različite strukture i logiku. Da bi stvorio objedinjeno izvješće, Darjeeling je koristio BI sustav za cjelovitu analitiku.

Korištenje analitike od kraja do kraja za povećanje povrata ulaganja

Situacija. Tvrtka koristi nekoliko oglašivačkih kanala za privlačenje kupaca, uključujući pretraživanje, kontekstualno oglašavanje, društvene mreže i televiziju. Svi se razlikuju u pogledu svoje cijene i učinkovitosti.

Cilj. Izbjegavajte neučinkovito i skupo oglašavanje i koristite samo učinkovito i jeftino oglašavanje. To se može učiniti korištenjem end-to-end analitike radi usporedbe troškova svakog kanala s vrijednošću koju donosi.

Praktično rješenje. UDoktor Ryadom lanca medicinskih klinika, pacijenti mogu komunicirati s liječnicima putem različitih kanala: na web mjestu, telefonom ili na recepciji. Uobičajeni alati web analitike nisu bili dovoljni da bi se utvrdilo odakle dolazi svaki posjetitelj, jer su se podaci prikupljali u različitim sustavima i nisu bili povezani. Analitičari lanca morali su spojiti sljedeće podatke u jedan sustav:

  • Podaci o ponašanju korisnika iz Google Analyticsa
  • Podaci o pozivima iz sustava za praćenje poziva
  • Podaci o troškovima iz svih izvora oglašavanja
  • Podaci o pacijentima, prijemu i prihodu od internog sustava klinike

Izvješća koja se temelje na tim zbirnim podacima pokazala su koji se kanali nisu isplatili. To je pomoglo lancu klinika da optimiziraju svoje troškove oglašavanja. Na primjer, u kontekstualnom oglašavanju, trgovci su ostavili samo kampanje s boljom semantikom i povećali proračun za geoservise. Kao rezultat toga, liječnik Ryadom povećao je ROI pojedinih kanala za 2.5 puta i prepolovio troškove oglašavanja.

Korištenje analitike od kraja do kraja za pronalaženje područja rasta

Situacija. Prije nego što nešto poboljšate, morate otkriti što točno ne funkcionira ispravno. Na primjer, možda se broj kampanja i fraza za pretraživanje u kontekstualnom oglašavanju tako brzo povećao da više nije moguće ručno upravljati njima. Stoga ste odlučili automatizirati upravljanje ponudama. Da biste to učinili, morate razumjeti učinkovitost svake od nekoliko tisuća fraza za pretraživanje. Uostalom, s netočnom procjenom možete ili spojiti svoj proračun u ništa ili privući manje potencijalnih kupaca.

Cilj. Procijenite izvedbu svake ključne riječi za tisuće upita za pretraživanje. Uklonite rastrošnu potrošnju i nisku akviziciju zbog pogrešne procjene.

Praktično rješenje. Da biste automatizirali upravljanje ponudama,Hoff, Trgovac hipermarketa namještajem i kućanskim predmetima, povezao je sve korisničke sesije. To im je pomoglo pratiti telefonske pozive, posjete trgovini i svaki kontakt s web-lokacijom s bilo kojeg uređaja.

Nakon spajanja svih ovih podataka i postavljanja end-to-end analitike, zaposlenici tvrtke počeli su primjenjivati ​​atribuciju - raspodjelu vrijednosti. Google Analytics prema zadanim postavkama koristi zadnji model pripisivanja neizravnih klikova. Ali to ignorira izravne posjete, a posljednji kanal i sesija u lancu interakcije dobivaju punu vrijednost pretvorbe.

Da bi dobili točne podatke, Hoffovi stručnjaci postavili su atribut na temelju toka. Vrijednost pretvorbe u njemu raspodijeljena je između svih kanala koji sudjeluju u svakom koraku toka. Proučavajući spojene podatke, procijenili su dobit svake ključne riječi i vidjeli koji su neučinkoviti, a koji donose više narudžbi.

Hoffovi analitičari postavljaju ove podatke da se svakodnevno ažuriraju i prenose u automatizirani sustav upravljanja ponudama. Ponude se zatim prilagođavaju tako da je njihova veličina izravno proporcionalna ROI-ju ključne riječi. Kao rezultat toga, Hoff je povećao ROI za kontekstualno oglašavanje za 17% i udvostručio broj učinkovitih ključnih riječi.

Korištenje usluge End-to-End Analytics za personalizaciju komunikacije

Situacija. U bilo kojem poslu važno je uspostaviti odnose s kupcima kako biste dali relevantne ponude i pratili promjene u lojalnosti marki. Naravno, kad postoje tisuće kupaca, nemoguće je svakom od njih dati personalizirane ponude. Ali možete ih podijeliti u nekoliko segmenata i izgraditi komunikaciju sa svakim od tih segmenata.

Cilj. Podijelite sve kupce u nekoliko segmenata i izgradite komunikaciju sa svakim od tih segmenata.

Praktično rješenje. â € <Butik, Moskovski trgovački centar s internetskom trgovinom odjeće, obuće i dodataka, poboljšao je svoj rad s kupcima. Kako bi povećali lojalnost kupaca i životnu vrijednost, trgovci Butika personalizirali su komunikaciju putem pozivnog centra, e-pošte i SMS poruka.

Kupci su podijeljeni u segmente na temelju njihove kupnje. Rezultat toga bili su razbacani podaci jer kupci mogu kupovati putem interneta, naručivati ​​putem interneta i podizati proizvode u fizičkoj trgovini ili uopće ne koristiti web mjesto. Zbog toga je dio podataka prikupljen i pohranjen u Google Analytics, a drugi dio u CRM sustav.

Tada su trgovci Butika identificirali svakog kupca i sve njihove kupnje. Na temelju tih podataka utvrdili su prikladne segmente: nove kupce, kupce koji kupuju jednom u tromjesečju ili jednom godišnje, redovite kupce itd. Ukupno su identificirali šest segmenata i oblikovali pravila za automatski prelazak iz jednog segmenta u drugi. To je Butik trgovcima omogućilo da izgrade personaliziranu komunikaciju sa svakim segmentom kupaca i pokažu im različite reklamne poruke.

Korištenje analitike od kraja do kraja za utvrđivanje prijevare u oglašavanju cijene po radnji (CPA)

Situacija. Tvrtka koristi model cijene po radnji za internetsko oglašavanje. Oglašava i plaća platforme samo ako posjetitelji izvrše ciljanu radnju, poput posjeta njihovoj web stranici, registracije ili kupnje proizvoda. No, partneri koji postavljaju oglase ne rade uvijek pošteno; među njima ima i prevaranata. Ti prevaranti najčešće zamjenjuju izvor prometa na takav način da se čini kao da je njihova mreža dovela do konverzije. Bez posebne analitike koja vam omogućuje da pratite svaki korak u prodajnom lancu i vidite koji izvori utječu na rezultat, gotovo je nemoguće otkriti takvu prijevaru.

Raiffeisen banka imao problema s marketinškom prijevarom. Njihovi su trgovci primijetili da su se troškovi povezanog prometa povećali, dok je prihod ostao isti, pa su odlučili pažljivo provjeriti rad partnera.

Cilj. Otkrijte prijevaru pomoću end-to-end analitike. Pratite svaki korak u prodajnom lancu i shvatite koji izvori utječu na ciljano djelovanje kupaca.

Praktično rješenje. Kako bi provjerili rad svojih partnera, trgovci u Raiffeisen banci prikupili su neobrađene podatke o radnjama korisnika na web mjestu: potpune, neprerađene i neanalizirane informacije. Među svim klijentima s najnovijim pridruženim kanalom odabrali su one koji su imali neobično kratke pauze između sesija. Otkrili su da je tijekom tih pauza izvor prometa prebačen.

Kao rezultat, analitičari Raiffeisena pronašli su nekoliko partnera koji su prisvajali inozemni promet i preprodavali ga banci. Stoga su prestali surađivati ​​s tim partnerima i prestali rasipati svoj proračun.

Analitika od kraja do kraja

Istaknuli smo najčešće marketinške izazove koje cjeloviti analitički sustav može riješiti. U praksi, uz pomoć integriranih podataka o radnjama korisnika na web mjestu i izvan njega, informacija iz oglašivačkih sustava i podataka za praćenje poziva, možete pronaći odgovore na mnoga pitanja koja se odnose na poboljšanje vašeg poslovanja.

Što vi mislite?

Ova web stranica koristi Akismet za smanjenje neželjene pošte. Saznajte kako se podaci vašeg komentara obrađuju.