Как сквозная аналитика помогает отследить путь клиента и замерить цикл сделки

Как сквозная аналитика помогает отследить путь клиента и замерить цикл сделки

Без сквозной аналитики сложно увидеть карту пути клиента. На это уйдет много времени, ведь у застройщиков обычно большая клиентская база. Построить историю взаимодействия с каждым из них будет крайне непросто. А чтобы спрогнозировать, когда клиент совершит покупку после того, как впервые коснется рекламы, необходим замер длины цикла сделки. Михаил Терехов, директор департамента сквозной аналитики Smartis, рассказал, как современные data-driven-решения помогают оставить в прошлом рутинный сбор данных и перестать тратить деньги на неэффективные рекламные каналы.

Как может выглядеть путь клиента в системе сквозной аналитики:

клиент увидел медийную рекламу застройщика на ЦИАНе;
пошел гуглить о нем информацию и листать соцсети;
один раз перешел на сайт с контекстной рекламы;
второй раз перешел на сайт из социальных сетей;
оставил заявку на звонок.

Чтобы построить историю взаимодействия с каждым клиентом, придется обработать большие объемы данных, соединить историю звонков из системы call-трекинга с данными из CRM, просмотрами медийной рекламы, посещениями сайта и социальных сетей.

Данные по CTR, ROMI, прибыли и продажам можно теоретически сводить в Excel, хотя это долго и трудоемко. А вот в случае с путем клиента и циклом сделки свести информацию из разных каналов невозможно без программной части и интеграций инструментов для передачи данных. В систему сквозной аналитики данные поступают автоматически, обновляясь в режиме реального времени.
Итак, маркетолог отследил путь клиента, который взаимодействовал с множеством каналов застройщика. Возникает закономерный вопрос: какому из них присваивать конверсию?

Как оценивать эффективность канала, если до сделки у клиента 10 касаний с рекламой
Предположим, что у застройщика есть данные по 21 продаже за август. У большинства клиентов много касаний. Каким из них засчитывать конверсию — не понятно. Более точно оценить их вклад позволяет модель атрибуций. Это распределение ценности (веса или баллов) по каналам, которые привели к конверсии. Можно использовать несколько видов атрибуций:

first click — первое касание. Оценку канала по модели first click вряд ли можно назвать ответом на вопрос, какой канал привел к сделке. Первый клик показывает, какой канал привел клиента;
last click — последнее касание. Засчитывать конверсию по модели last click не всегда верно, ведь клиент мог принять решение о покупке после первого взаимодействия с брендом или в середине пути, а всё остальное время выбирал между вариантами или копил нужную сумму;
модель 40-20-40. Она распределяет равнозначно значимость между первым и последним касанием, а весь остальной «вес» присваивает тем, которые были между ними. Дает качественную оценку, часто используется;
линейная модель атрибуций позволяет справедливо распределить касания между площадками, с которыми взаимодействовал клиент. Она учитывает больше каналов, оценивает не количество сделок, а «вес» каждого источника — его значимость в конверсиях. Также она позволяет проанализировать данные за любой промежуток времени, в том числе за весь период — с бесконечным окном ретро (периодом, за который учитываются касания с рекламой).

Использовать модель атрибуций, если застройщик собирает данные в Excel, не получится. А в системе сквозной аналитики для этого нужно сделать один клик.
Итак, маркетолог увидел, какие каналы приносят больше всего конверсий. Но также заметил, что половину сделок совершают клиенты, которые не взаимодействуют ни с какими рекламными объявлениями, а приходят в офис самостоятельно и покупают недвижимость.

Зачем нужна сквозная аналитика, если большинство клиентов застройщика — «самоходы»

На рынке недвижимости в среднем 10% «самоходов» у крупных и известных брендов, у новичков — около 5%. Почти у всех сделок есть источник. Это не всегда реклама. Клиенты могут приходить от брокера, из реферального трафика, по «сарафанному радио». Просто источник может быть не определен. В маркетинге это называют низким матчингом сделок — нет связи продажи с каналом, который привел клиента.

Если матчинг сделок низкий — маркетолог будет ошибочно думать, что у застройщика много «самоходов». Точно оценить вклад тех или иных рекламных каналов не получится, а отсюда возможны ошибки в принятии решений.
Процент матчинга сделок нужно повышать минимум до 70%, для этого необходимо работать с данными:

Объединить карточки клиентов, которые совершают покупку вместе (муж и жена). Жена выбирает, муж покупает, у застройщика две разные карточки, тем не менее это одна сделка;
Узнать все телефоны клиента и проверить, чтобы по ним не было разных карточек;
Убедиться, что все телефоны компании есть в колл-трекинге. Бывает, что застройщик размещает внешнюю рекламу, данные о компании в Яндекс.Картах или просто вешает объявление на ЖК и не заносит указанный там номер телефона в систему колл-трекинга. По этому номеру звонят люди и складывается впечатление, что у обращения нет источника;
Идентифицировать сделки от брокеров;
Снизить риск «человеческого фактора» при определении источника клиента. Максимально оцифровать источники;
Использовать сквозную аналитику с базой цифровых паспортов. Этот способ включает в себя почти всё, что дают предыдущие 5, за исключением занесения собственных номеров застройщика в колл-трекинг. Если у сквозной аналитики есть собственная база цифровых паспортов — накопленные знания о пользователях рунета, которые совершают активные действия на рынке недвижимости, то при подключении системы сразу находится связка персоны, видны ее сессии, если она заходит на какой-то сайт — система это обязательно учитывает. Это дает застройщику гораздо больше данных, чем выгрузка из CRM, и позволяет сделать более точный анализ персон, повысить матчинг.

Подведем итоги
Благодаря правильной работе с данными девелопер сможет найти точки роста и сэкономить миллионы рублей. Перестанет тратить деньги на неэффективные рекламные каналы и перераспределит бюджет на работающие инструменты. Современные data-driven-решения позволяют оставить в прошлом рутинный сбор данных и связанные с этим расходы времени и ошибки. Теперь застройщики могут принимать взвешенные решения на основе реальных данных.