У сервиса корпоративного такси после первой сборки аналитики обнаружилась интересная вещь: обращения из SEO чаще превращались в квалифицированные лиды и успешные сделки, чем обращения из Директа.
Можно было сделать вывод, что рекламу пора сокращать. Но часть клиентов сначала видела объявление, потом искала компанию самостоятельно и приходила через поиск. В отчёте такой клиент мог оказаться у SEO, хотя знакомство с компанией началось с платной рекламы.
Мы продолжили разбирать Директ. Выяснилось, что на некоторые ключевые слова, которые хорошо конвертировались в сделки, компания тратила меньше всего. А клиенты с рекламных кампаний могли доходить до покупки около трёх месяцев.
До начала проекта этих подробностей никто не видел.
В компании были данные о расходах, обращениях и выручке. Яндекс.Директ хранил затраты по ключевым словам. UTM‑метки попадали в CRM, где менеджеры работали с лидами и возвращали старых клиентов. Часть сведений по SEO собирали в Excel, обращения отслеживали через Calltouch. Выручку клиентов считали в 1С.
Каждая система отвечала на свой вопрос. Чтобы проследить, во что превратились расходы на привлечение, приходилось соединять сведения из нескольких мест.
Компания считала общий ROMI маркетинга. Но при попытке разобрать отдельные каналы начинались ручные сверки: цифры не сходились, на поиск причин уходило время. В какой‑то момент на детализацию махнули рукой. Бюджет распределяли, ориентируясь на доступные общие показатели.
Для собственника это неприятное положение. Деньги на маркетинг уже потрачены, лиды поступают, менеджеры работают. А обосновать, куда направить следующую часть бюджета, всё ещё трудно.
Мы начали с воронки привлечения. На первом этапе выгрузили кампании и затраты из Директа, подтянули UTM‑метки и сделки из CRM. Расходы на SEO завели в Excel и включили в расчёты.
Появился отчёт, в котором можно было посмотреть, сколько обращений пришло из канала за выбранный период, как они проходили этапы CRM и сколько стоило привлечение клиента.
Именно здесь обнаружилась более высокая конверсия SEO. Обращения из поиска чаще проходили квалификацию и доходили до успешной сделки.
Само по себе это ещё не означало, что в SEO нужно перенести весь бюджет. Хорошая конверсия не объясняет, как человек узнал о компании. Если он увидел рекламу, запомнил название и позже нашёл сайт через поиск, то отключение рекламы может повлиять и на поток из SEO.
У такого отчёта есть границы: источник, записанный в CRM, не всегда описывает всю историю знакомства клиента с компанией. Это нужно учитывать, когда по цифрам принимается решение о расходах.
На следующем этапе мы разобрали Директ до ключевых слов. Посмотрели, какие запросы приводят к сделкам и как между ними распределён бюджет.
Оказалось, что некоторые хорошо конвертирующие запросы получали мало денег. Это уже давало основание пересмотреть расходы внутри рекламного канала. Общая оценка Директа скрывала различия между его частями.
Затем разобрались со сроком, за который обращения превращались в клиентов. Период такого «дотекания» составлял около трёх месяцев.
Представим, что кампания привела обращения в сентябре. На конец сентября часть этих людей ещё общается с менеджерами и выбирает поставщика. Если оценить кампанию только по уже заключённым сделкам, её результат будет неполным. А если сравнить рекламные расходы сентября со всей сентябрьской выручкой, в расчёт попадут клиенты, привлечённые раньше.
Поэтому при оценке рекламы нужно понимать, какие именно обращения принесли выручку и сколько времени у них было на покупку. Иначе одна и та же кампания может выглядеть убыточной сразу после запуска и вполне удачной через несколько месяцев.
На основании собранных данных компания перераспределила бюджет. После этого ROMI вырос примерно на 20%.
В этой истории мне интересна последовательность работы. Первый отчёт показал различия между каналами. Разбор ключевых слов дал основания изменить распределение расходов внутри Директа. Срок перехода к покупке объяснил, почему свежие обращения рано оценивать по окончательной выручке.
Следующий вопрос появлялся после того, как удавалось ответить на предыдущий. Так было понятно, зачем добавлять новые данные и расчёты.
Подобную работу часто называют MVP аналитики. Мне это название кажется полезным, пока за ним стоит конкретная задача. Здесь требовалось разобраться с рекламным бюджетом: какие обращения компания получает за свои деньги и что с ними происходит дальше.
Для этого пришлось собрать данные из нескольких систем, связать их и согласовать расчёты. Даже в небольшой первой версии кто‑то должен понимать, что означает статус сделки, кого считают клиентом и какие расходы включают в стоимость привлечения. Эти вопросы не решаются выбором BI‑инструмента.
При этом мы не пытались сразу закрыть всю аналитику компании. Зарплаты, загрузка сотрудников и десятки других возможных отчётов не требовались для решения о рекламных расходах. У первой версии была достаточно узкая задача, чтобы её можно было довести до рабочего результата.
Я бы осторожно относился к обещанию сделать такую систему за две недели для любого бизнеса. В одном проекте уже есть идентификаторы, по которым можно связать записи. В другом сначала придётся выяснять, почему клиент в CRM и клиент в учётной системе никак не сопоставляются. Внешне дашборды могут выглядеть одинаково, а работа до их появления будет очень разной.
Начинать с небольшой области разумно ещё и потому, что результат проще проверить. В этом кейсе можно было открыть воронку, посмотреть сделки, проверить расходы и затем изменить бюджет. У руководителя было конкретное применение для отчёта.
Особенно полезным оказался первый вывод про SEO. Он выглядел достаточно убедительно, чтобы на нём остановиться. Если бы мы так и сделали, компания могла бы сократить канал, внутри которого оставались хорошие возможности. Разбор отдельных запросов и срока до покупки дал гораздо больше оснований для решения.
Теперь обсуждать рекламный бюджет можно было предметно: какие запросы получают деньги, каких клиентов они приводят и когда стоит ждать результата.
