Цифровизация бизнеса

Сегодня даже малый бизнес имеет возможность быстро запустить рекламу для любого сегмента аудитории, настроить несколько рекламных каналов и оценить их реальную эффективность в продажах продукта.

Сквозная бизнес-аналитика позволяет оценить рентабельность вложений в те или иные рекламные каналы. С ее помощью можно отследить путь клиента от первого рекламного касания и до совершения сделки, а также повторных сделок.

Со сквозной аналитикой повышается эффективность digital-рекламы. Компании, которые отслеживают всё и принимают решения на основе данных выигрывают конкурентную гонку. Поэтому можно сказать что сквозная аналитика жизненно необходима.

Компании тратят деньги на рекламу, привлекают клиентов, получают прибыль с продаж своих товаров и услуг. Логично будет применить к интернет-маркетингу показатель возврата инвестиций ROI, а точнее, ROMI.

Return on Marketing Investment или сокращенно ROMI — это показатель рентабельности рекламных кампаний и в целом инвестиций в маркетинговую деятельность. Рентабельность оперирует такими метриками, как окупаемость, прибыль, возврат вложений.

Посчитать ROMI не так просто, как кажется. Посмотрим на простом примере.

Отчётность компании ООО «Ромашка» за январь 2019 года:
Затраты на рекламу: 120 000 рублей
Продажи 700 000 рублей
Маржинальный доход (без рекламных вложений) 210 000 рублей

ROMI равен 75%. Коэффициент выше 0, т.е. вроде бы всё хорошо. Но всё ли правильно мы посчитали?

Представим, что застройщик построил новый ЖК, создал для него сайт и запустил рекламную кампанию. Вот статистика за первые полгода:

В первые 3 месяца продаж нет. Если считать ROMI по месяцам, кажется, что реклама не работает. Но потом появляются первые продажи. Делаем вывод, что люди, пришедшие по рекламе в первые месяцы, покупают не сразу. Соответственно, если построить управленческий отчёт за определённый период, указывая все затраты и все продажи, он будет некорректным с точки зрения возврата инвестиций в рекламу. Только в бизнесах с моментальным спросом такой отчёт будет приближённо отражать реальную ситуацию.

Сквозной принцип в аналитике

При использовании обычной управленческой отчётности, в которой зафиксированы расходы на рекламу и продажи за тот или иной период, более-менее корректно ROMI посчитать можно только при определенных условиях:

Моментальный цикл сделки
Отсутствие органического (не рекламного) трафика

В остальных случаях подсчёт будет некорректен. И главное, с такими данными мы можем посчитать только общий ROMI, но мы не узнаем ROMI отдельных рекламных каналов. Причина проста: мы знаем, сколько денег потратили на каждый рекламный канал, но не знаем, с каких именно пришли клиенты.

В связи с этим, необходимо отслеживать каждую заявку и заказ, сохраняя информацию о рекламном источнике. В этом и смысл сквозной аналитики. Без этого анализировать более чем 1 рекламный канал с не моментальными продажами не получится никак.

Логическая ошибка высокого ROMI

Основная логическая ошибка, которую сознательно, либо неосознанно, допускают многие маркетологи, это стремление к высокому ROMI. Кажется, что чем выше возврат инвестиций, тем лучше. Так ли это?

С одной стороны — да, высокий ROMI является прекрасным достижением.

С другой, следует учитывать 2 вещи:

ROMI показатель относительный, он не говорит напрямую о прибыли или обороте, т.е. тех вещах, которые на самом деле интересуют бизнес. Высокий ROMI вполне может быть из-за эффекта «низкой базы», и динамика его снижения при увеличении инвестиций заранее непредсказуема.
Сам по себе высокий ROMI — это не конечная цель, а лишь промежуточная. Поэтому кейсы маркетологов, где они гордятся высокими показателями ROMI, вызывают вопросы, если не описано, что дальше с этим делать.

Как считать? Пример:

Средний чек: 10 000₽
Маржинальность: 30% (3000₽)
Конверсия (в продажу): 2,00%
100 кликов мы можем получать по 10 рублей за клик

Зеленым выделены лучше показатели, рыжим — худшие.

Как видим, при небольшом количестве трафика у нас максимальный ROMI, но минимальная выручка. Далее, при увеличении бюджета ROMI падает, стоимость привлечений 1 клиента растёт. До какого-то момента растёт общая прибыль, потом она начинает также падать. И наоборот, п��и большом трафике максимизируется ROMI уменьшается и становится отрицательным.

Зато валовая прибыль растёт и максимизируется лишь при ROI ~200%. Если же учитывать повторные заказы (LTV), картина меняется. Допустим, число повторных заказов равное 50% от числа новых заказов. Тогда прибыль максимизируется при ROI равном ~140%. Если же повторных заказов больше, выгодней удерживать еще меньший ROI.

А если повторных заказов больше? Тогда вполне возможно, что ROI ниже 100% даст максимальную долгосрочную прибыль. Понятно, что в реальных условиях даже максимизация прибыли не всегда является приоритетом: часто бывают риски, проблемы роста и многое другое. Но она явно намного важнее, чем максимизация ROI, которая является ложной целью.

Сквозная аналитика как жизненная необходимость

Не более 30% клиентов делают заказ при первом же посещении сайта. Конкретное количество зависит от теплоты рынка и цикла принятия сделки, которая обычно невелика. Прежде чем что-то купить (совершить конверсию), человек, привлечённый разными рекламными источниками, заходит на сайт несколько раз. Мультиканальные конверсии появились в Google Analytics несколько лет назад, но многие до сих пор используют принцип LastClickWins, т.е. считают конверсии по последнему заходу.

Правильнее будет учитывать все касания (заходы) посетителя и использовать более продвинутые модели атрибуции.

Проблема 1:

Посетитель заходит на сайт из разных источников. Конверсия зачастую мультиканальна. Нужно применять некие модели атрибуции.

Проблема 2:

Покупатель совершает не 1 покупку. Повторные покупки могут быть намного больше, чем размер первого заказа. Значит, нужно считать LTV, а для этого не обойтись без внедрения CRM.

Проблема 3:

Каналы общения. Нужно отслеживать все каналы. В противном случае мы получим аналитику, не точно отражающую реальность, с необоснованными выводами, писанными вилами по воде.

Нельзя при этом считать заявки только через сайт или даже заявки + звонки. Вот поэтому необходимо выстраивать сквозную аналитику.

Сквозная аналитика в маркетинге — метод анализа эффективности маркетинговых инвестиций (ROMI) на основе данных, отслеживающих полный путь клиента, начиная от просмотра рекламного объявления, посещения сайта и заканчивая продажей и повторными заказами (LTV).

Для реальной оценки эффективности маркетинга стоит поставить конкретную задачу:

Определить KPI для оценки;
Определиться с тем, какими должны быть дашборды, отчеты;
Выяснить, кто отвечает за проведение оценки эффективности РК в организации;
Проанализировать пути пользователей;
Учесть данные как онлайн, так и офлайн, убедиться в их качестве;
Провести анализ ряда моделей атрибуции, что даст возможность подобрать решение, наиболее подходящее для конкретного бизнеса.

Обычно для сквозной аналитики требуется объединить информацию из рекламных каналов (например, Google Ads, Яндекс.Директ, Facebook), каналов коммуникации (телефонный звонок, онлайн-заказ через корзину на сайте, электронная почта и др.) и CRM-системы, где находится информация о продажах (Wikipedia).

Ни показы, ни клики, ни даже звонки не скажут ничего. Мы точно знаем, сколько затратили на рекламу, и нам нужно также точно знать, сколько мы с этого заработали. К счастью, сейчас это стало реальностью.

Кому нужна сквозная аналитика

Рассмотрим необходимые и желательные условия для того чтобы внедрение сквозной аналитики было полезным.

Компания должна продавать товары или услуг�� в онлайн. Например, к ритейлу она мало применима, а к ecommerce — более чем.
Чтобы внедрение было целесообразно экономически, рекламный бюджет рекомендуется не менее 1-2 тысяч $ в месяц.
Чем больше рекламных каналов, тем выше эффективность аналитики. Сравнение внутри 1 канала тоже полезно, но на 3-5 каналах эффективность наверняка будет выше. Вы сможете сравнивать и каналы друг с другом и кампании, запросы, настройки внутри каналов.
У вас есть повторные продажи и есть % отвала (т.е. конверсия лидов в продажу далека от 100%). Иначе можно обойтись просто веб-аналитикой.

Кому не обязательна сквозная аналитика

• Компании с очень длительным циклом сделки. Они будут ждать, пока система аналитики начнет приносить реальную пользу, потратив за это время существенную сумму на сам сервис.

• Бизнесу с высокой маржинальностью (высокая маржа нивелирует управленческие и маркетинговые ошибки и неэффективность, обеспечивая больший потенциал для масштабирования и роста).

• Компаниям с LTV меньше нескольких средних чеков: отчет об источниках первой покупки дает представление об эффективности канала в целом.

Проблемы внедрения сквозной аналитики

Внедрение сквозной аналитики на практике является непростой задачей, и в процессе появляется немало ошибок или сознательных компромиссов, которые существенно искажают результат.

Первой задачей является убеждение руководства в необходимости сквозной аналитики как таковой. Требуется показать что обычный управленческий отчёт, в котором есть расходы на рекламу по каналам и доходы с продаж это далеко не сквозная аналитика, по многим причинам:

Разделение на каналы возможно только в расходах, но не в доходах. Это хорошо, когда рекламный канал один.
Без связки рекламного источника с продажей, при долгом цикле сделки даже интуитивного понимания, какая реклама сработала и сработала ли вообще, например, реклама запущена зимой, а заявки и продажи начались летом. Без сквозной аналитики мы не узнаем, были ли эти клиенты прогреты рекламой с самого начала или же они обратились по другим источникам.

Внедрение сквозной аналитики позволяет понимать, какие рекламные каналы, кампании и ключевые слова участвовали в привлечении клиента. Такая детализация позволяет эффективно управлять рекламными кампаниями и экономить существенный % рекламного бюджета. Система Roistat заявляет об экономии до 56%, но даже более пессимистичные 30% при бюджете в 200. тыс в месяц составляют сумму ощутимые 60 тыс. рублей.

Проблема 1: отдел продаж

Именно отдел продаж, а не маркетинга, является основной точкой взаимодействия с клиентом, точкой получения данных от него и точкой занесения этой информации в некую систему, из которой она потом попадает в аналитику.

Т.е. без грамотного построения отдела продаж не будет сквозной аналитики. При этом нужно, чтобы отдел продаж использовал в работе CRM-систему. Всего лишь!

Проблема в том, что CRM сама по себе отделу продаж не нужна от слова «совсем». Чтобы она стала ему нужна и не воспринималась в штыки, нужно соблюдение множества условий:

Для менеджера:

Система должна сразу облегчать какие-то привычные действия, которые раньше делались менее удобно;
Она не должна дублировать другие системы и действия — только замещать их;
Обращения всех клиентов должны попадать в систему автоматически;
Общение с клиентами (отправка писем, звонки и т.д.) проходит внутри системы.

Для руководителя (РОП`а):

Прозрачная информация по каждому менеджеру и его действиям;
Настройки распределения лидов в зависимост�� от эффективности работы сотрудников;
Гибкая система выстраивания KPI менеджеров и отчётности.

Проблема 2: техническая

Популярные облачные сервисы (в том числе системы сквозной аналитики) обычно интегрируются друг с другом в пару кликов. Однако в реальности всё не так просто, как кажется. Рассмотрим некоторые проблемы, которые могут возникнуть:

Для облачных систем аналитики.

Ограниченная функциональность. Вы не можете настроить всё так, как нужно именно вам. С некоторыми системами нет стандартной интеграции, и приходится интегрироваться при помощи API и вебхуков.
Облачная система аналитики обычно является для вас закрытым «чёрным ящиком». Вы не знаете, что и как она считает, и приходится просто верить. Точность подсчёта может вызывать много вопросов: данные в системе аналитики часто не совпадают с данными CRM, а сделки не идентифицируются с источником.
Работая с облачной системой аналитики, вы доверяете свои данные третьей стороне. В крупных компаниях отдел маркетинга может просто не получить разрешения от службы безопасности на подобные интеграции с CRM.
Еще одно следствие прошлого пункта: не всегда можно выгрузить данные в удобном формате. Вряд ли вы сможете сменить систему аналитики с переносом всех ваших данных.

Для кастомных систем аналитики.

Здесь дела обстоят ещё сложнее. Спроектировать и построить собственную систему аналитики непросто, так как может не хватить сил 1-2 штатных разработчиков, а надеяться получить такой результата от фрилансеров ещё более опрометчиво. В любом случае, прежде чем приступать к разработке, стоит чётко определить:

Источники данных — чем их меньше, тем проще;
Какие данные потребуются и как их объединять;
Выбрать систему визуализации и продумать форматы отчётов.

Наибольшие проблемы обычно возникают с выгрузкой и объединением данных. Не все системы позволяют выгружать не агрегированные данные. У многих систем есть ограничения по числу запросов по API.

Если не говорить о крупных компаниях (в штате которых есть и разработчики, и аналитики, у которых уже построен корпоративный DWH), для выгрузки данных лучше воспользоваться готовыми коннекторами, а для визуализации — популярными на рынке решениями, такими как Microsoft Power BI или Google Data Studio.

Модели атрибуции

Зачем нужна атрибуция

Стандартно воронка продаж имеет четыре этапа:

Человек знакомится с торговой маркой;
Он знает о компании, но размышляет, совершать ли покупку, и поэтому проводит сравнение стоимости и анализирует характеристики предлагаемого товара;
Этап конверсии — покупка совершается;
Этап удержания — покупатель повторяет покупку.

Как известно, удержать тех, кто уже совершил покупку, намного дешевле для компании, чем искать новых покупателей. Привлечение используют не персонализированные кампании, которые нацелены на широкий охват и трудно поддаются оценке.

Удержание подразумевает применение более целевых кампаний, для которых значительно проще проводить анализ и рассчитывать эффективность. Конкретный пользователь известен и теперь его действия и покупки можно отследить.

Чтобы разобраться, какие используемые рекламные каналы и кампании срабатывают на этапах имеющейся воронки, необходимо воспользоваться атрибуцией.

Атрибуция — это распределение ценности от конверсии между кампаниями, которые продвигали пользователя по воронке. Она помогает ответить на вопрос, в какой мере каждый из каналов повлиял на ту прибыль, которую вы получили в итоге.

Выбрав модель атрибуции, которая подходит для конкретного бизнес-проекта, можно распределить рекламный бюджет эффективно, что, в свою очередь, поможет сократить затраты и увеличить прибыль.

Доступные модели атрибуции

Моделей атрибуции много, и они поддаются определенной классификации. Опираться нужно на то, какая именно логика применяется во время расчета:

Если вся ценность отдана единственному каналу, участвовавшему в воронке, то это — одноканальная модель атрибуции;
Если обратить внимание на место канала в цепочке непосредственно перед покупкой, то применяется атрибуция на основе позиции;
Если распределение происходит между всеми участвовавшими в цепочке каналами, то это — многоканальная модель;
Если в расчет берутся прочие факторы — не только позиция, — то алгоритмическая.

Позиции канала в цепочке

Данные варианты считаются наиболее простыми, они доступны пользователям бесплатной версии Google Analytics, а также Яндекс.Метрики и других систем. Рассмотрим 6 позиций канала в цепочке.

First Click (FCM)

В цепочке из четырех касаний ценность уходит первому каналу.

Преимущества:

Легко настраивается, не требует вычислений или иных аргументов при распределении ценности среди использованных каналов. Помогает маркетологам сформировать узнаваемость торговой марки и спрос.

Недостатки:

Не демонстрирует всей картины, заставляет переоценить каналы первого уровня. Пользователь обычно совершает несколько касаний, однако модель игнорирует данный момент.

Кому подходит:

Подойдет проектам, для которых имеет значение создание или повышение узнаваемости собственного бренда, увеличение охвата аудитории. Модель даст информацию о том, где лучше покупать трафик для последующей конвертации.

Last Click (LCM)

Одноканальная модель, где ценность конверсии передается последнему каналу, с которым покупатель соприкасается непосредственно перед конверсией. Снова вклад предыдущих каналов полностью игнорируется.

Преимущества:

Используется многими маркетологами. Позволяет оценить кампании, цель которых — быстро спровоцировать покупки, допустим, во время определенного сезона.

Недостатки:

Не демонстрирует всей картины, заставляя исключить прочие каналы цепочки.

Кому подходит:

Подходит бизнесам с коротким циклом продаж, которые обычно не используют более трех каналов для рекламы.

Last Non-Direct Click (LN-DC)

Одноканальная модель, которая представлена в Google Analytics, применяется там по умолчанию. При этом ценность конверсии атрибутируется, как и в предыдущем варианте, по последнему каналу.

Однако различие в том, что если это прямой заход, ценность будет атрибутирована предыдущему источнику.

Например, пользователь переходит из собственных закладок или же прямо вводит ссылку. Вероятно, он хорошо знает бренд, является уже привлеченным покупателем, которого не требуется брать в расчет.

Преимущества:

В этом случае можно исключить каналы, которые незначительны с точки зрения расходов на кампанию, полностью сосредоточившись на оплачиваемых источниках.

Может применяться в качестве базы для сравнения.

Недостатки:

Не демонстрирует всей картины, не учитывает вклад прочих каналов в конверсию. Предпоследним каналом чаще всего является электронная почта, однако эта модель не позволяет отследить, где именно покупатель познакомился с торговой маркой и почему оставил почту, чтобы в итоге прийти к покупке.

Кому подходит:

Модель подходит, если нужно оценить эффективность определенного платного канала, а узнаваемость бренда уже не является важным аспектом.

Position Based (PB)

Многоканальная модель, где наибольшую ценность получают первый канал — то есть тот, который познакомил покупателя и торговую марку, — и последний, что закрыл транзакцию. Каждому из них присваивается сорок процентов. На все средние каналы приходится двадцать процентов.

Преимущества:

Ценность передается каналам, которые привлекают и мотивируют покупателей — т.е. играют важнейшую роль.

Недостатки:

Случается, что именно средние каналы в цепочке больше продвигают покупателя, чем те, которые получают наибольшую ценность.

Кому подходит:

Этот вариант подойдет бизнесам, которые рассчитывают привлекать новых пользователей и подталкивать уже заинтересованных к совершению покупок.

Time Decay (TD)

В этом случае ценность конверсии будет распределена между каналами, которые заняты в цепочке, по принципу нарастания. Первый источник получает наименьшую ценность, последний — наибольшую.

Преимущества:

Рассматриваются все каналы. Наибольшая ценность отдается тому, который все же сумеет подтолкнуть к покупке.

Недостатки:

Недооценивается вклад отдельных каналов, которые могли повлиять на решение покупателя.

Кому подходит:

Подходит тем, кто желает оценить эффективность рекламных кампаний, ограниченных по времени — например, распродаж.

Linear model (LM)

Применяя данную модель, ценность конверсии принято разделять между всеми каналами цепочки.

Преимущества:

Более продвинутая, чем одноканальные модели. Позволяет учесть все каналы в цепочке, которые были задействованы перед покупкой.

Недостатки:

Не помогает перераспределять бюджет. Разделение его между всеми каналами поровну может оказаться неэффективным.

Кому подходит:

Подойдёт бизнесам с длительным циклом продаж. В этом случае важно поддержание контакта с покупателем на всех этапах прохождения воронки. Пример — B2B-компании.

На сегодняшний день имеется ряд исследований, которые доказывают, что маркетологи в Европе, США или СНГ чаще всего обращаются к модели LCM. LCM кажется наиболее понятной, хотя и обесценивает влияние всех каналов в цепочке, кроме последнего.

Причинами, почему наблюдается такая ситуация, можно считать следующее:

Непонимание потенциального эффекта от моделей атрибуции, использующих более сложный расчет. Если прямо объяснить, что алгоритмические модели могут принести увеличение прибыли на определенный процент, вряд ли маркетологи откажутся от этого.
За атрибуцию нет ответственного, т.е. разные маркетологи могут применять в ходе кампании различные варианты, что приводит к тому, что реальный доход оказывается меньше атрибутированного.
Слишком разрозненная информация. Google Analytics позволяет использовать стандартные отчеты, в которых, к сожалению, нет места офлайн-данным, ROPO-эффекту и т. д.

Если эти причины устранить, то проблема атрибуции будет решаться намного проще.

Обзор сервисов и инструментов

Организовать сквозную аналитику можно различными способами, далее представлены наиболее популярные сервисы и инструменты для этого.

Рассмотрим, какие данные можно собрать в единый механизм в рамках построения системы сквозной аналитики. Это будут как данные о продажах, так и другие показатели.

В таблице приведены примеры типов систем, которые могут использоваться в компании, и примеры наиболее популярных их представителей. Соответственно, у каждой компании свой набор источников, и полное совпадение является очень редким.

Сервисы и инструменты для сквозной аналитики

Типы сервисов и инструментов

Разделим представленные сервисы на 3 группы:

1. Недорогие сервисы «всё в 1»

Включают в себя базовую сквозную аналитику и другие инструменты для организации маркетинга и продаж, например:

CRM-система
Управление рекламой
Лидогенерация
Взаимодействия с соцсетями
Создание landing page
Виджеты на страницу, сайт (онлайн-консультант, обратный звонок и пр.)
Автоворонки

Типичные представители:

LPTracker.ru
Expecto.me
CarrotQuest.io
PrimeGate.io

Подходит для микробизнеса. Оплата сервиса в районе 1тыс. рублей в месяц.

2. Сервисы сквозной аналитики

Специализированные сервисы, дающие более глубокую и качественную аналитику. Обычно интегрируются с CRM, системами веб-аналитики и колл-трекинга. Некоторые структуры выросли как раз из этих систем.

Типичные представители:

Roistat
Alytics
Comagic
Calltouch

Подходит для малого и среднего бизнеса. Бюджет в районе 5-20 тыс. рублей в месяц.

3. Кастомные решения

Подходит для среднего и крупного бизнеса. Бюджет зависит от числа интегрируемых систем, объёма данных, типов отчётов и многих других параметров.

Обычно аналитическая система состоит из таких компонентов, как:

Коннекторы сбора данных
База для хранения и обработки данных (ETL, DWH)
Аналитический модуль (отвечает за логику объединения данных на базе сквозных идентификаторов)
Система визуализации данных (обычно, BI) с настроенными отчётами

Коннекторы собирают данные из таких систем, как:

Рекламные каналы
Сайт
CRM
Телефония, почта, каналы коммуникаций (если эти данные не агрегированы в CRM)

Для внедрения сквозной аналитики необходимы следующие инструменты:

CRM

Для интеграции подходит любая система, имеющая API и возможность настройки кастомных полей.

Наиболее популярные в РФ:

Битрикс24
AmoCRM
RetailCRM
Microsoft Dynamics (в крупных компаниях)

Наиболее популярные в мире:

SalesForce
MicroSoft Dynamics

Сквозные идентификаторы:

Обычно используется ClientID (Google Analytics), и в дополнение к нему можно взять другие — например, UserID Яндекс.Метрики, CoMagic, собственный идентификатор.

Базы хранения и обработки данных:

Это может быть как облачное решение:

Google BigQuery
Microsoft Azure Cosmos DB
Яндекс ClickHouse
Amazon Redshift

Так и локальная база, развёрнутая на собственном сервере или тоже в облаке:

MySQL
MSSQL
PostgreSQL

Коннекторы:

Коннекторы собственной разработки;
Публичные коннекторы систем и сторонних разработчиков (например, для Google Analytics, Google Data Studio, Microsoft Power BI, существует множество бесплатных коннекторов к различным системам);
Сервисы коннекторов данных, например:

— OWOX BI Pipeline

— Albato.ru

— apix-drive.com

— supermetrics.com.

Системы визуализации:

BI-системы, такие как:

— Google Data Studio

— Microsoft Power BI

— Qlik Sense / View

— Tableau

Дашборды, построенные на базе публичных сервисов
Кастомные дашборды —например, на D3.js

Другие системы:

Системы автоматизации контекстной рекламы и управления ставками (например, Origami, Alytics, K50, Marilyn);
ERP, системы управления складом.

Интересно, что в английском языке нет общего термина для сквозной аналитики. Среди зарубежных систем принципы используются те же самые, но на термине никто не зацикливается. Есть business analytics, business intelligence, ROMI analytics, LTV analytics. Существуют также end-to-end analytics и cross-cutting analytics, но упоминаются редко. Наверное, там всем понятно, что аналитика должна быть сквозной по определению.

Рекомендации по внедрению сквозной аналитики

Подводя итог, если вы загорелись идеей внедрения сквозной аналитики, помните:

Самое сложное — не настроить BI-систему для отображения нужных графиков, а внедрить CRM так, чтобы все данные проходили через неё. Если CRM уже внедрена, построение сквозной аналитики сильно упрощается. Но только если это популярная облачная CRM из небольшого списка, а не некая малоизвестная и не имеющая API. Если у вас не популярное решение без API, сложность задачи становится равносильной оной при отсутствии CRM.
Чтобы от CRM была реальная польза, ей следует быть омниканальной, в идеале все лиды со всех каналов должны попадать в неё автоматически. Но при этом CRM может успешно работать без интеграции с ERP. Если у вас старая 1С, и придётся выставлять счета вручную без синхронизации, то это проблема, которая несильно мешает внедрению CRM и работе в целом.
Прежде чем начинать, нужно быть готовыми к сложностям и к тому, что «интеграции в 1 клик» работают не всегда и не всегда дают полную интеграцию в нужном виде, а значит только API, только хардкор. Готовых решений нет ни у кого. У всех своя специфика, но даже на базе самых популярных CRM (Битрикс и Аmo), самой популярной системы сквозной аналитики (Roistat), самого популярного движка сайта (Битрикс), самой популярной SIP-телефонии, самых популярных консультантов (Живосайт или Livetex) — нет работающей интеграции всего и вся из коробки так, как этого бы хотелось.
Если вы — владелец бизнеса, сначала оцените, сколько времени и денег уйдет, потом умножьте на 3 и подумайте, стоит ли делать сейчас или позже. Стоит ли делать всё сразу (внедрять CRM, запускать рекламу и настраивать сквозную аналитику) или же можно по очереди (сначала CRM и реклама). Сквозная аналитика нужна, когда у вас много каналов привлечения трафика. Если у вас пока только Яндекс.Директ, то выгодней сначала подключить Google.Ads и добиться там схожей стоимости лида, а уже потом настраивать сложные системы.
Не думайте, что в больших кампаниях дела обстоят лучше. Крупный бизнес вообще не отдаст данные из CRM стороннему сервису (защита персональных данных). Поэтому маркетологи в брендах думают в категориях обезличенных сегментов, а не о user_id. Даже в крупном ритейле бывает так, что информация о маркетинговых акциях заносится в разное ПО (кассовое, CRM и т.д.), и нет единой базы, ROI акций не считается.
Последнее и главное. Несмотря на все сложности, сквозная аналитика всё-таки жизненно необходима для построения бизнеса в условиях высокой конкуренции.

Куда движутся системы сквозной аналитики

Трудно сказать наверняка, но есть некоторые предположения:

Упрощение и стандартизация интеграций. Пока идёт этап интеграции всего со всем, но скоро насыщение будет достигнуто, и останется только упрощать интеграцию до 1 клика и добавлять тонкие настройки в интерфейс вместо текущих скриптов и вебхуков.

Замена маркетинговых метрик на бизнес-метрики. Т.е. из инструмента маркетолога система превращается в инструмент для всех — маркетолога, аналитика, РОПа, генерального директора, собственника бизнеса. Дашборды должны гибко настраиваться под каждого сотрудника.

Увеличение точности данных за счёт более сложных моделей атрибуции и разделения алгоритмов по рыночным нишам/ портретам клиента. Модель атрибуции должна быть умной, на основе воронки и всех имеющихся данных. Представьте, что мы оцениваем вклад рекламного источника, в том числе анализируя записи разговоров клиента с менеджером. После одной рекламы звонок был по делу и привёл к продаже. После другой — звонок был, но к продаже не привёл. Алгоритм мог бы распознать голос и проанализировать с той или иной степенью достоверности, виноват ли менеджер, или, например, реклама обещала что-то не соответствующее действительности.

Помимо имеющихся метрик, можно ввести коэффициент лояльности — % влияния рекламы на повторную покупку. От 0 (повторную продажу делает только реклама) до 100% (повторная продажа совершается независимо от рекламы). Коэффициент зависит от отрасли, известности бренда, его программ лояльности и, конечно, уникальности продукции.

Не забываем добавлять k-factor, т.е. рекомендации — банальный «сарафан». Если средний ваш клиент приводит ещё 0,5 клиента, неверно это игнорировать при подсчёте эффективности маркетинга. ROMI и LTV нужно считать с его учётом.

Помимо предоставления набора дашбордов, BI-системы движутся в сторону поиска на естественном языке. Т.е. системы должны двигаться в сторону интеллектуальности и из маркетингового инструмента превращаться в бизнес-инструмент.
Что же, надеемся увидеть много интересного в будущем!

Желаю удачи во внедрении сквозной аналитики!

Внедрение сквозной бизнес-аналитики