Дашборд с воронкой продаж для клиента по недвижимости

Предисловие

Максим Тимошинин, руководитель отдела Аналитики Tandem Group подготовил кейс по внедрению анализа эффективности рекламной кампании в бизнес-аналитику клиента и рассказал, как это решение помогло принять эффективные управленческие решения:

Кто клиент?

Крупнейший в Европе ритейлер на рынке коммерческой недвижимости

Исходные данные, проблема

В компании были хорошо налажены бизнес-процессы, подключена CRM-система, настроены различные рекламные кампании. Был установлен коллтрекинг, а также сервис обратного звонка. Проблема заключалась в отсутствии связующего механизма между отдельными звеньями. Каждое из них в отдельности работало хорошо, и его даже можно было оптимизировать и получить какой-то эффект, но значительного улучшения работы всей системы добиться не удавалось.

Задача, которая стояла перед вами

• Объединить разрозненные источники данных в единый, ежедневно обновляемый отчёт.
• Выстроить воронку продаж с максимальной глубиной детализации (вплоть до ключевого слова).
• Свести воедино существующие проекты компании и предусмотреть возможность добавления новых.
• Визуализировать эффективность всех менеджеров по продажам и всех рекламных каналов в отдельности.
• Сделать так, чтобы использовались только коррелирующие переменные с минимальной погрешностью в выводах.
• Предусмотреть возможность управления рекламной кампанией в режиме реального времени.

Анализ

Самой большой сложностью с выполнением стоявшей перед нами задачи было большое количество источников данных. Помимо Яндекс.Директа и Google Ads, контекстной рекламы, была ещё реклама в социальных сетях и другие системы, которые не всегда поддавались оцифровке — например, размещение на каких-то медийных площадках, которые просто выдавали табличку по итогам размещения. Кроме этого, данные поступали из системы коллтрекинга и системы обратного звонка, а что-то вообще хранилось в Google Spreadsheet — и всё это нужно было объединить.

Ещё одним серьёзным препятствием было отсутствие культуры сбора и хранения данных. К примеру, контекстные рекламные кампании могли иметь неподходящую структуру меток. А в CRM-системе, допустим, сделки велись таким образом, что в дальнейшем использовать данные в общей модели было просто невозможно.

Кроме этого, недоставало сравнения исторических данных по месяцам. Причина этого — уже не в большом количестве источников, а в большом количестве самих данных. Это порождало трудности, связанные с семплированием данных, и возможностью недостоверного их отображения.  Нужно было сделать так, чтобы эти данные можно было легко и быстро обработать.

То же самое касалось и ежедневного обновления. Для загрузки данных из всех сервисов потребовались бы огромные мощности и очень много времени. Ежедневное обновление такого объёма данных грозило стать настоящей проблемой.

Процесс по шагам. Шаг 1.

Что сделали
Объединили данные из 15 источников в единую понятную структуру.

Сроки - 2 недели

Что получили
После объединения получили схему

Шаг 2.

Что сделали
Запустили процесс выгрузки, хранения и обновления информации в облачную базу данных.

Сроки - 1 неделя

Что получили

Данные из подключенных источников за предыдущий день выгружаются в автоматическом режиме. Исторические данные уже содержатся в базе данных.

Таким образом мы решили проблему выгрузки массива данных из большого количества систем и больше не переживаем из-за лимитов, которые есть у сервисов, и прочих ограничений.

Шаг 3.

Что сделали
Сконфигурировали отчет в Microsoft Power BI.

Сроки - 2 недели

Что получили
Разработали модель данных. Каждый блок – это таблица того или иного сервиса, объединённые между собой с помощью уникального идентификатора. Эта модель позволяет получать необходимые нам сводные таблицы, диаграммы и графики.

В самом отчёте несколько листов. На первом листе в блоке слева находятся все необходимые нам визуализации, а в блоке справа — фильтры, которые позволяет нам получать срезы и разделять данные на сегменты.

На других листах находятся:

• воронка со всеми этапами продаж,
• таблицы, где содержатся все показатели эффективности, от первичного контакта до завершённой сделки (в случае контекстной рекламы возможно детализация вплоть до ключевого слова).
• графики показывающие эффективность менеджеров по продажам
• список всех сделок с актуальными статусами и многое другое

Результат

Отчет можно увидеть по ссылке.

1. За 1 месяц автоматизировали отчетность
2. Переосмыслили текущий маркетинг микс
3. Начали оптимизировать рекламную кампанию, опираясь на данные по сделкам из CRM

Решив поставленную задачу, мы увидели, что целевые звонки с контекстной рекламы в 2,5 раза дороже, чем из соц. сетей. Несмотря на то, что контекстная реклама обычно выигрывает у других каналов (во всяком случае по количеству звонков), в этом случае ситуация оказалось обратной. Звонки из социальных сетей были не только дешевле (это нормально), но их было намного больше, а конверсия по воронке зачастую была даже лучше, чем из Директа и Ads.

На основе этих данных мы перераспределили бюджет на каналы с большей конверсией, в том числе в социальные сети.

Кроме того, сквозная аналитика помогла объективно оценить работу менеджеров отдела продаж в разрезе рекламных каналов и сформулировать несколько интересных гипотез. Например, что менеджер отдела продаж, которому по каким-то причинам уходит львиная доля звонков, теряет больше половины дорогих лидов, в итоге клиент принял ряд управленческих решений по оптимизации бизнес-процессов: