Маркетинговая аналитика интернет-магазина в Power BI - 1С Битрикс

Отчет создан для контроля продаж и затрат в интернет-магазине. Продажи из 1С-Битрикс объединяются с расходами по брендам, регионам и рекламным направлениям. В данном отчете не используются промежуточная база данных, вся информация подгружается и обрабатывается напрямую в Power BI на стороне клиента, только с помощью встроенных инструментов и python скриптов.

  • Ежедневный контроль продаж и расходов на рекламу. Видите что проседает, быстро принимаете решение, экономите деньги.
  • На одном графике видно динамику затрат по каждому рекламному каналу.
  • Нет необходимости выгружать данные из всех рекламных каналов и сводить их вручную.
  • Есть возможность в пару кликов (зажав ctrl) выбрать несколько сегментов, все данные перестроятся.
  • Можно быстро проверить какие-то гипотезы, зависимость роста продаж от рекламных расходов, динамика по схожим брендам и т.д..
  • Возможность делать когортный анализ. Анализируйте на выбор, данные о затратах и продажах на основании даты создания заказа, а не фактической отгрузки (например много заказных товаров, заказ в одном месяце, а отгрузка в другом)
  • Следите какие счета отгрузились, а какие еще нет.
  • Фильтруйте данные как угодно, например, по менеджерам, дням создания счета, рекламным каналам и т. д. 
  • 1С-Битрикс — данные по отгруженным и неотгруженным счетам, расходным накладным. В определенное время отчет автоматически формируется в базе 1С и сохраняется на удаленном сервере в формате CSV.
  • Маркетплейс Яндекса затраты — на момент создания отчета, API использовать не было возможности, Яндекс отдавал неполноценные данные, быстрого развития в ближайшее время не планировалось. Единственный вариант был выгружать отчет из личного кабинета и его обрабатывать. В отчете более 10 вкладок по разным категориям затрат, все данные с помощью python были объединены в одну таблицу с детализацией до конкретного товара. Обработка данных на python значительно быстрее и менее зависима от ресурсов компьютера. Скрипт запускается внутри power bi при обновлении отчета, что не создает неудобств.
  • Яндекс Директ затраты — выгружаются собственным коннектором на python API версии 5, так как 1 версия показала не стабильную работу, что в последствии поддержка Яндекс признала.
  • Яндекс маркет клики — написан собственный коннектор к API на python
  • Google Ads затраты — выгружаются из Google Analytics, power bi поддерживает в базе соединение с GA.

Сквозная аналитика в Power BI - Битрикс24 CRM

Доход клиентов из CRM распределяется между их визитами с платных рекламных каналов на основании разработанных уникальных атрибуций и расcчитывается ROI по каждой из кампаний.

В создании отчета используется: База данных Google BigQuery, Битрикс24 CRM, Яндекс метрика (Сырые данные), Google Analytics, Скрипты импорта в базу данных, Utmstats (Коллтрекинг)

 Данные, которые мы получаем из настроенных счетчиков в большинстве случаев не передают полную картину. Если кратко, в них аналитика строиться исключительно на cookies браузеров (номерах этих браузеров). Для счетчиков, один браузер — это один клиент. Информацию о покупке, таким образом, мы можем получить, только при условии оформления заказа на сайте. В реальности же, покупатель очень часто посещает сайт с разных устройств, оформляет заказ по телефону, пишет в чат, посещает сайт и потом приходит за покупкой оффлайн в магазин и т. д.. В таких случаях просто не возможно увидеть реальную отдачу от рекламных каналов. На основании такой искаженной статистики делаются неверные выводы и можно отключить кампании или рекламные каналы, которые приносят очень хорошую прибыль и в последствии не понять, почему в итоге падают продажи или растут расходы. На основании нашего опыта данные из счетчиков метрики и полностью настроенной сквозной аналитики могут отличаться в 3-7 раз! 

Готовые решения  — это blackbox (черный ящик), часто вы не знаете как это работает или не можете это проверить. Остается только надеется, что цифры не врут. В случае с индивидуальной настройкой сквозной аналитики, все предельно прозрачно, все данные и алгоритмы в доступе.
Каждый бизнес очень сильно отличается друг от друга. Разные циклы жизни клиента, модели атрибуции, время на принятие решения и многое другое.  В готовых решениях нету возможности кастомизации или она стоит очень дорого. В случае собственной аналитической системы, вам доступно практически все что угодно. От уникальных атрибуций, когортного анализа, до машинного обучения на ваших данных. Все это влияет на итоговый результат аналитики и соответственно на получаемую прибыль.  
Основная задача систем аналитики – это показать, какой трафик приводит клиентов, отразить историю пользовательского взаимодействия с сайтом через рекламные каналы и показать какая реклама сильнее влияла на его решение. Для этого мы привязываем номер клиента (UserID), совершившего покупку (из  CRM-системы) с уникальными идентификаторами всех его браузеров (Client ID), с которых осуществлялось взаимодействие с сайтом. 
 
Пример:
Клиент купил на 100 т.р. Мы увидели в отчете Power BI, что он посещал сайт с трех разных браузеров и в истории этих браузеров видно, что он неоднократно заходил на сайт, в том числе по ссылкам с рекламных кампаний Яндекс Директа и Социальных сетей. Мы видим какие рекламные кампании были последними, какие первыми и распределяем сумму покупки клиента между ними по выбранному принципу. Допустим, чем ближе кампания к моменту покупки тем большую долю в покупке она получит. В результате мы учитываем все рекламные кампании, а не только последние или первые, как это часто происходит в других системах. Соответственно мы получаем ROI — соотношение затрат на кампанию к объему выручки, которая она принесла и удаляем кампании с низкой эффективностью, а больше тратим на качественные рекламные источники. Дополнительно можно выбрать какие стадии сделок учитывать при распределении, к примеру: успешная покупка, предоплата получена или вероятная покупка в будущем. Принцип распределения доходов между рекламными визитами, можно определить под каждый бизнес индивидуально.
 
В отчете настроена многоуровневая система проверки различных связей между идентификаторами посетителй, если клиент совершит контакт любым из предложенных ниже способов или залогинится, то все его исторические визиты с данного устройства будут закреплены за уникальным идентификатором(UserID) из CRM. Это позволяет объединить различные устройства, браузеры, звонки и сделки в единую историю пользовательского взаимодействия с сайтом перед совершением покупки. 
  • Коллтрекинг для отслеживания звонков, CRM для учета заказов.
  • Выделенный сервер с базой данных или готовая база в облаке, где будут храниться данные из систем аналитики, рекламных каналов, CRM и т. д.
  • Настроенные коннекторы для импорта данных статистики в общую базу данных.
  • Система визуализации в нашем случае используем Power BI, но есть возможность подключения и других решений, например DataLens от Яндекс.
  • Разработка индивидуальной аналитической системы для конкретного бизнеса или проекта.

 Практически любые, Яндекс Директ, Google Ads, Instagram, партнерки, реферальные ссылки и т. д.  Для большинства каналов коннекторы уже присутствуют на рынке, для других можно разработать индивидуальное решение.

 Есть определенные базовые шаблоны отчетов под разные задачи, любой из них можно изменить по вашему желанию или полностью разработать с нуля точно под ваш бизнес и задачи.

Вы получаете самые полноценные неагрегированные обработанные данные о визитах ваших пользователей, данные о их сделках из CRM, звонках и т.д.  С их помощью можно анализировать большие периоды времени, искать зависимости, тренды, сезонность. 
Можно настроить машинное обучение на выявление скрытых зависимостей, просчета вероятности конверсии пользователя, автоматизировать управление рекламным бюджетом, разработать систему рекомендаций и многое другое. Не зря говорят — «Данные — это золото 21 века»