Аналитика контекстной рекламы: что нужно знать?

У нас есть три этапа по аналитике контекстной рекламы:

• Предварительный анализ unit экономики клиента.
• Сквозная аналитика.
• BI отчеты.

Предварительный анализ unit экономики клиента

У меня есть шаблон, который мы разберем.

Популярный вопрос – для чего нужно рассчитывать unit-экономику клиента. Также часто спрашивают, например, цену лида в натяжных потолках, лазерной резке и т.д. Это все можно погуглить, найти кейсы и взять оттуда цифры. Но они вам ровным счетом ничего не скажут, потому что они будут очень разные. У кого-то в лазерной резке лиды будут по 500 рублей, у кого-то – по 4 000 и т.д. И главный вопрос в том, устраивает ли эта цена клиента и окупается ли его бизнес. Поэтому когда мы опираемся на какую-то стоимость лида, важно вообще понять, что хочет от нас клиент. Но не с точки зрения такой хотелки «я хочу лиды по 500 рублей» и неважно, какая ситуация на рынке. А хочет с точки зрения того, чтобы его бизнес окупался. 

И для этого имеет смысл выстроить табличку, не обязательно точно такую же, что я показал. Можно делать свою в зависимости от проекта – насколько он сложный, сколько данных по нему нужно и насколько вы готовы в него погружаться. 

Мы можем выстроить медиаплан, некий прогноз, где у нас будет ожидаемый ежемесячный расход на рекламу, количество кликов и цена клика, количество заявок. Откуда взять это количество заявок? Здесь все просто: мы начинаем не с позиции того, что посчитали все в Директе, вывели некую среднюю стоимость конверсии сайта и получили столько-то заявок. Мы начинаем с количества покупок – сколько продаж в месяц нам нужно сделать с рекламы, и исходя из этого, мы можем понять, сколько нам нужно лидов. По-хорошему, у заказчика должны быть какие-то исторические данные, например, что у него 50% лидов конвертируются в заказы. Исходя из этого, мы можем посчитать. Допустим, он хочет с рекламы получать 11 клиентов в месяц. Учитывая конверсию, например, 12%, мы понимаем, что нужно 90 заявок. Еще можно получить некоторые данные из прогнозатора бюджета Яндекса, но там данные могут быть не такими точными. 

И мы можем посчитать конверсию. Но это не прогноз того, что будет, а показатели, которых мы должны добиться, чтобы у клиента сошлась экономика, чтобы он получил этих 11 клиентов. Дальше мы можем посчитать стоимость привлечения клиента. Стоимость продукта в примере – 65 000 рублей, но у нее тоже есть затраты. Т.е. это затраты на производство + временные затраты, если мы даем скидку, подарок, потому что он тоже не бывает бесплатным. Если это услуга – то это время специалистов, если физическое – то все равно вы это закупали и тратили деньги. Далее можно увидеть заработок с одного клиента и прикинуть выручку, коэффициент окупаемости рекламы.

Для чего все это нужно считать? Бизнесу, на мой взгляд, это стоит посчитать, чтобы реалистично смотреть на рекламу. Не у всех компаний Яндекс.Директ вообще окупится. Например, в сфере дезинсекции есть компании со штатными специалистами, которые могут платить за лида гораздо больше, чем те, у кого этих специалистов нет и они обращаются к фрилансерам, не нанимают сотрудников в штат. Но за разовые заказы фрилансеры берут больше, чем работник в штате. Получается, если это все посчитать, у них эта схема не бьется. Поэтому очень важно вам со своим заказчиком понять, какие цифры вам нужны, чтобы окупаться.

Еще можно считать LTV, это важно для услуг, где есть абонентская плата. Например, это система мониторинга транспорта, продажа контекстной рекламы, ежемесячный клининг для офисов и т.д. 

Сквозная аналитика и ее польза

Второй этап – это больше техническая работа – внедрение сквозной аналитики. Она важна для того, чтобы мы видели в метрике не только первичные данные – звонок, заявка, ведь за ними может скрываться человек, который искал работу, другую услугу или вообще не хочет разговаривать, когда ему звонят, боты и спам. 

Нам нужна сквозная аналитика, чтобы мы связали CRM-систему клиента с метрикой. Мы в метрике будем видеть – квалифицирован лид или нет, а также заключена ли сделка. Автостратегии можно тоже направлять на обучение по этим данным.

PowerBi и удобство аналитики

PowerBi – программа от майкрософт для отчетов по аналитике. Здесь можно делать разные срезы.

Отчет составлен на основе среза данных, которые выгружают через Яндес.Директ по рекламной кампании клиента. Здесь представлены все данные из мастера отчетов, и удобнее с ними работать именно в этой программе. Во-первых, это намного быстрее, во-вторых, нагляднее, в-третьих, можно совмещать данные из мастера отчетами с какими-то другими нужными вам данными, чтобы получать дополнительную информацию. Таких дополнительных данных может быть очень много.

В отчете есть разбивка по страничкам – общая сводка, кампании, устройства, фразы, площадки, аудитории, география, поисковые запросы и продукт. Есть дата, которую можно выбирать, и все цифры, графики меняются в зависимости от нее быстро и наглядно.  

Тут можно посмотреть динамику кликов и лидов, расход на рекламу – общий и среднюю цену клика, лиды и стоимость лида по аккаунту, клики и процент конверсии, процент конверсии из лида в сделку, любые табличные данные по кампании: клики, средняя цена клика, квал лиды (поступают в метрику из CRM-системы). Когда считаем квалифицированных лидов, получаем совершенно другие данные. 

Удобство PowerBi по сравнению с мастером отчетов – все данные быстро выводятся, мы можем менять период. Также мы можем очень быстро посмотреть данные, например, по кликам и лидам в динамике даже по дням, если нужны более подробные данные. Можно посмотреть за год, квартал конкретного года. Если есть статистика за несколько лет, мы просто сравниваем по кварталам за несколько лет, чтобы понять, когда люди больше заинтересованы в нашем продукте. Или можно сравнивать по месяцам, например, за 3 года, если есть такая статистика. Смотреть по неделям и дням недели, чтобы определить, в какие дни у нас лучше всего работает реклама. Все это можно посмотреть в один клик. 

Второе преимущество – удобные таблички с подсветкой. Есть сортировка, фильтры. Можно выводить графики и диаграммы для обобщения данных. Это дает высокую скорость работы. Можно сосредоточиться на том, чтобы сделать выводы по рекламе, а не постоянно что-то выгружать в Экселе. Здесь обновление отчета идет автоматически через API Директа, например, раз в сутки.

Если мы хотим посмотреть все данные по какому-то срезу, например, по устройствам, оставляем только ПК. И все данные в графиках и таблицах теперь только по ПК. Можно еще добавлять пол, например, хотим посмотреть только по мужчинам, новые данные отображаются молниеносно. Можно к мужчинам еще добавить возраст, данные снова обновятся сразу. 

Есть разные вкладки для анализа, например, кампании. Здесь можно увидеть все данные по кликам, расходам, по группам объявлений с их названиями, чтобы можно было сравнить, условиям показа и самим объявлениям. 

Также мы быстро можем посмотреть все данные по устройствам. Все эти таблички перед глазами клиента, т.е. вам не нужно скидывать ему отчет раз в неделю и отвечать на сложные вопросы о том, что у вас происходит с рекламой. Эта ссылка доступна в вебе, ее можно расшарить, чтобы клиент всегда мог посмотреть данные по рекламе, причем за любой период.

Еще в отчете можно смотреть площадки, проверять по устройствам при возникновении проблем и ошибок. То же самое по любым аудиториям, можем детально сегментировать, если понадобится. Можно посмотреть детально по каждому сегменту, чтобы не рубить с плеча, как бывает, когда отрубают большую часть аудиторию.

Как я уже говорил, преимущества PowerBi перед мастером отчетов – мы можем подгружать свои любые данные и совмещать их с отчетами. Например, нам нужно анализировать категории продуктов, при этом они могут рекламироваться в одной кампании. Как мы сделали: в группе объявлений, которая посвящена отдельному продукту, есть определенная пометка, создающая отдельный столбец, где представлено название продукта. Например, мы хотим посмотреть только систему мониторинга. Нажимаем, теперь у нас все данные по рекламной кампании посвящены только системам мониторинга. 

Для разных клиентов мы делаем разные отчеты. Допустим, клиент разбит на региональные подразделения с отдельными отделами продаж.