«Эльдорадо»: Как увеличить выручку от триггерных рассылок на 237% и оптимизировать рекламные расходы

О компании

Компания «Эльдорадо» — российская сеть магазинов бытовой техники, электроники и товаров для дома. География присутствия компании охватывает более 200 городов и насчитывает более 600 магазинов в Российской Федерации. Наряду с этим «Эльдорадо» активно развивает транснациональный франчайзинг в ряде стран: Кыргызстан, Молдова, Армения, Казахстан.

OWOX

Компания OWOX предоставляет аналитические услуги для многоканального бизнеса, помогает внедрять Google Analytics 360 Suite в Ecommerce-проекты и разрабатывает онлайн-сервисы на базе Google Cloud Platform. OWOX BI, собственный сервис компании, включает в себя три продукта. OWOX BI Pipeline объединяет данные из нескольких сервисов, в том числе из Google Analytics, в Google BigQuery, и автоматизирует импорт данных о расходах в Google Analytics. Атрибуция на основе воронки OWOX BI Attribution определяет ценность каждой сессии с учетом влияния рекламных кампаний на прохождение пользователем воронки продаж. OWOX BI Smart Data помогает получить мгновенные ответы на вопросы к данным без помощи аналитиков и разработчиков. Решения OWOX BI используются в 9000+ проектах в 90+ странах мира. OWOX — сертифицированный партнер Google Analytics и Google Cloud Platform. Компания стала первым авторизованным реселлером Google Analytics 360 в регионе EMEA.

Цели

В условиях высокой конкуренции «Эльдорадо» стремится привлечь новых посетителей, повысить LTV и оптимизировать рекламный бюджет. В «Эльдорадо» искали способ проанализировать эффективность рекламных каналов, используемых для привлечения посетителей, с учетом конечной прибыли, которую приносит каждая рекламная кампания. Стандартные модели атрибуции для этой цели не подходят, так как не учитывают следующие факторы:

1. Посетители прайс-площадок выбирают товары по более низкой цене и для совершения следующей покупки клиенты возвращаются не на сайт интернет-магазина, а на прайс-площадку, чтобы снова выбрать по цене. При оценке этого источника стоит учитывать LTV за 180 дней и суммарные расходы, так как, возможно, компания будет каждый раз тратить деньги на то, чтобы вернуть клиента через прайс-площадку.
2. Клиенты, которые купили недорогой товар с низкой маржой, могут возвращаться на сайт уже затем, чтобы приобрести более дорогие товары. Таким образом, хотя маржа дешевого товара может не покрывать расходы на привлечение, в итоге (за 180 дней) эти рекламные кампании окупаются лучше.

Поэтому аналитики «Эльдорадо» разработали собственную модель атрибуции с учетом CLTV Customer Lifetime Value — сумма общего дохода, которую приносит клиент за период сотрудничества с компанией клиента, которая учитывает стоимость рекламы и маржу проданных товаров за период до 180 дней.
Кроме этого, компании нужен был способ превращения потенциальных покупателей, проявивших интерес к товару или категории товаров, в постоянных клиентов. Часть посетителей сайта просматривали страницы сайта, но не приобретали товары. Часть посетителей начинали, но не завершили оформление заказа («брошенные корзины»). Чтобы вернуть таких посетителей на сайт и мотивировать их совершить покупку, было решено настроить триггерные рассылки:

1. Пользователям, которые начали, но не завершили оформление покупки — напоминания о брошенных корзинах.
2. Пользователям, которые просматривали определенный тип страницы (каталог, карточку товара) — рекомендации на основе просмотренных товаров.

Содержание триггерных рассылок персонализируется под актуальные потребности каждого конкретного пользователя. Для этого при сборе данных о действиях посетителей сайта не должно возникать задержек.
Данные, необходимые для достижения поставленных целей, хранились в разных системах — в Google Analytics и ряде рекламных сервисов. Было необходимо не только объединить данные, но и обеспечить возможность быстрого доступа к данным и их обработки в режиме, близком к реальному времени.

Решение

Для достижения поставленных целей требовалось решить следующие задачи:

• Собрать данные из разных источников в единой системе и оптимальной для «Эльдорадо» структуре.
• Обеспечить обработку данных для триггерных рассылок в режиме, близком к реальному времени.
• Получить полные данные для построения модели атрибуции и обеспечить возможность ретроспективного обновления данных.

Для проверки гипотез был выбран период до 180 дней.

В качестве источников данных выступали следующие системы:

1. Google Analytics — данные с сайта поступают в Google Analytics через контейнер Google Tag Manager.
2. Рекламные источники: Google AdWords, Яндекс.Директ, Яндекс.Маркет, Criteo.

В качестве единого хранилища данных был выбран сервис Google BigQuery:

1. Это облачное хранилище позволяет собирать и быстро обрабатывать большие объемы данных.
2. Доступен большой набор готовых решений и инструментов для интеграции с CRM и ERP системами.
3. «Эльдорадо», как клиенты Google Analytics 360, используют стандартный экспорт данных Google Analytics в Google BigQuery и ежемесячно получают 500 $ на обработку данных.
4. Данные надежно защищены.

Чтобы собрать все данные в Google BigQuery, были использованы следующие инструменты и возможности:

1. Экспорт данных из Google Analytics 360 в Google BigQuery  — таким образом компания получает данные из Google Analytics в Google BigQuery и ретроспективные данные за 1 год.
2. OWOX BI Pipeline Google Analytics to Google BigQuery  — компания получает данные с сайта в Google BigQuery в режиме реального времени.
3. OWOX BI Pipeline Cost Data Import  — после настройки этого потока данные о расходах, кликах и показах из рекламных источников поступают в Google Analytics, а оттуда в Google BigQuery.

В итоге все необходимые данные собираются в хранилище данных Google BigQuery, а затем отправляются во внутренние системы аналитики.

Куб данных

В Google BigQuery был создан куб данных, собранных путем стандартного экспорта, и данных, полученных с помощью OWOX BI Pipeline. Такая выборка, созданная в оптимальной для компании «Эльдорадо» структуре, позволяет существенно сократить стоимость обработки данных.

Полная схема сбора и объединения необходимых данных представлена ниже:

Реализация триггерных рассылок

Для настройки триггерных рассылок аналитики OWOX разработали два view Виртуальная таблица в Google BigQuery, содержащая результаты SQL-запросов с использованием SQL-запросов. Запросы агрегируют данные о действиях пользователей на сайте, полученные с помощью OWOX BI Pipeline, и данные из стандартного экспорта в оптимальной для решения поставленных задач структуре.

Эффективность рассылок измерялась A/B-тестированием. Триггерные письма для первой группы пользователей отправлялись на следующий день после посещения сайта. Пользователи во второй группе получали триггерные письма в течение часа, так как для рассылки использовались данные из таблиц Google BigQuery и куба данных из стандартного экспорта. Письма при этом отправлялись через один и тот же сервис.

В отличие от Google Analytics, значение поля userID Идентификатор пользователя из внутренней базы «Эльдорадо»  в сводных таблицах Google BigQuery может быть обновлено ретроспективно, путем перезаписи таблиц. Как только пользователь авторизуется на сайте с какого-либо устройства (значение userID становится известно), предыдущие сессии приобретают значение userID, если это значение не было задано или определено ранее. Благодаря ретроспективному обновлению userID «Эльдорадо» получает более точные данные о пользователях и может отправить персонализированные триггерные письма большему числу посетителей.

Построение модели атрибуции

Аналитики «Эльдорадо» разработали собственную модель атрибуции, в которой:

• Расходы на привлечение пользователей распределяются только на посещения из платных источников.
• Оценивается общая маржа, полученная с одного пользователя за 30, 60, 90, 180 дней.
• Для расчетов берутся только данные о новых пользователях. При повторной покупке ее ценность получает канал, который впервые привел пользователя на сайт.

Такая модель атрибуции стала возможной благодаря тому, что в Google BigQuery возможно ретроспективное обновление данных, в том числе поля userID и данных о расходах на привлечение посетителей.

Результаты

В результате сбора данных в единое хранилище, настройки новых триггерных рассылок и ретроспективного обновления данных компании «Эльдорадо» удалось решить поставленные задачи:

1. Улучшить показатели основных KPI по триггерным рассылкам.
   Большинство пользователей, которые добавили товар в корзину, но не завершили покупку, получает напоминания об оставленных товарах в течение часа — данные для триггерных рассылок собираются автоматически, 2 раза в час.
   

   	CTDR	Конверсия	Рост отклика в покупки	Рост оборота
   Стандартная рассылка	21%	4,9%	13%	8%
   Рассылка на основе данных, полученных с помощью OWOX BI Pipeline, и куба данных	37%	5,5%	24%	27%
   Изменения	76%	12%	85%	237%

Результаты А/Б тестирования подтвердили эффективность рассылки по новому методу:

• Количество переходов на сайт через доставленные письма увеличилось на 76%.
• Конверсия в покупку для пользователей, которые перешли на сайт из рассылки, увеличилась на 12%.
• Количество покупок после оптимизации рассылок по «брошенным корзинам» выросло на 85%.
• Доля оборота в целевой группе выросла на 237%.
2. Оптимизировать бюджет и уменьшить долю рекламных расходов.

   На графиках ниже приведены данные по CLTV клиентов (Маржа «FM» и Расходы «COST») на сессию согласно модели атрибуции Last-Click, а также за периоды в 30, 60, 90 и 180 дней согласно собственной модели атрибуции «Эльдорадо», которая учитывает CLTV пользователей, привлеченных через платные каналы на разные товарные группы. Максимальная ставка для каждой кампании ограничивается той маржой, которую компания получает за 180 дней, за вычетом расходов на возврат клиента.

Благодаря модели атрибуции на основе CLTV за период до 180 дней видно, что пользователи, впервые привлеченные через CPC-каналы, чаще всего возвращались и совершали повторные покупки уже по бесплатным каналам. Ценность таких CPC-каналов оказалась в несколько раз выше, чем согласно модели атрибуции Last-Click. При этом объемы и частота повторных покупок, а также прибыль компании, отличались по категориям товаров, рекламным кампаниям и источникам.