Эта статья — проводник для тех, кто сейчас находится в процессе построения сквозной аналитики, но пока не довёл решение до ума или же только начинает углубляться в тему и ищет информацию о том, как подступиться к вопросу.

За последние пять лет мы в агентстве performance-маркетинга «Группа 08» на собственном опыте пережили развитие сквозной аналитики.

В итоге нашли комплексное решение и сейчас получаем полноценную бизнес-аналитику в одном окне, без единой строчки кода и дополнительных инструментов. Но обо всём по порядку. Сейчас, оглядываясь назад, можно выделить три ключевых рубежа, три ступени эволюции сквозной аналитики, которые нам довелось пройти:

• Excel с ручной склейкой данных и простейшими интеграциями в Google Analytics.
• Создание сложной инфраструктуры из Google Analytics, BigQuery и системы визуализации данных.
• Единая аналитическая платформа с полным арсеналом встроенных инструментов, включая богатую BI-визуализацию, позволяющих получать любые данные в одном интерфейсе.

Какое решение выбрать сегодня? Каждый из перечисленных выше способов имеет свои особенности. И если первый вариант — уже пережиток прошлого, то остальные два мы рассмотрим подробно, со всеми прелестями и недостатками, сохранив хронологию сценария нашего опыта.

Этап первый: на линии старта развития сквозной аналитики

Ещё в 2014 году мы уловили восходящий тренд развития сквозной аналитики и определили это направление как основной драйвер роста агентства «Группа 08». С самого начала мы ориентировались не на конвейерную работу с рекламными проектами, а на тесное сотрудничество и глубокое погружение в бизнес-процессы наших клиентов.

Тогда мы гордо называли это бутиковым подходом и всячески старались такому подходу соответствовать. Нам всегда было важно давать клиенту больше, чем мог предложить рынок: только в этих условиях мы могли сохранять долгосрочное сотрудничество с клиентами на сверхконкурентном digital-рынке.

Для этого нам нужно было выйти за пределы стандартов веб-аналитики того времени и оптимизировать эффективность РК по более глубоким параметрам и показателям.

Мы разработали свою систему промокодов, «запилили» собственные интеграции коллтрекинга с Google Analytics, написали скрипты для получения данных о расходах «Яндекс.Директа» в Google Analytics. Всю аналитику получали в Google Analytics, а сводили и визуализировали данные в Excel.

Уже тогда при помощи Google Analytics и самописных интеграций мы оказывали нашим клиентам расширенную аналитическую поддержку. В то время как иные участники рынка рассказывали про CTR и оперировали количеством трафика и прочими низкоуровневыми показателями рекламной статистики, мы строили отчёты и визуализацию в Excel. Например, в таком виде.

CPL по типам кампаний (поиск, сеть).

CPL в разрезе ключевых фраз с потенциалом конверсии.

Видимость на поиске (средние позиции и доля присутствия в спецразмещении).

Конверсия по типам устройств.

И другими нестандартными срезами данных в зависимости от KPI проекта.

Но всё это были данные до лида. А нам нужны были полные данные по воронке. Мы хотели анализировать продажи, делать выводы о рентабельности рекламных затрат. Ведь в ограниченных условиях, без учёта данных из CRM аналитика может стать причиной принятия губительных для бизнеса решений. И вот вам один показательный случай на этот счёт.

Неполные данные + ошибочные выводы = провальная оптимизация

Как-то раз, сформировав такой «продвинутый» аналитический CPL-отчёт для одного из наших клиентов, занимающего лидирующие позиции на рынке кредитных организаций, мы (я был в этой проектной команде) заметили один очень занимательный тренд: количество лидов по одной из новых сетевых рекламных кампаний буквально зашкаливало, а цена конверсии была значительно ниже целевого значения. Успех! По крайней мере, нам тогда так показалось.

Мы поспешили сообщить об этом клиенту, договорились о встрече, чтобы подвести итоги месяца, подготовили яркую презентацию полученных результатов. И вот мы, воодушевлённые этим кейсом, в бурных обсуждениях того, как сможем масштабировать результат, едем к клиенту разделить с ним радость нашего совместного успеха.

Клиент внимательно выслушал нас и решил сопоставить нашу аналитику с теми данными, которые он самостоятельно собирал по воронке продаж: от получения лида до суммы выданного займа.

Для справки стоит отметить тот факт, что у директора этой организации-клиента — высшее техническое образование и достаточная экспертиза в аналитике, чтобы иметь основания для дискуссии.

Ещё один важный нюанс заключался в том, что у этой кредитной организации очень сложная воронка продаж: их потенциальный клиент проходит много этапов по воронке, прежде чем получит кредитные средства в случае одобрения выдачи займа.

Все эти данные по воронке (от лида до выдачи денег) в условиях отсутствия CRM клиент сводил в гигантской Excel-таблице с множеством вкладок, столбцов и строк.

Итак, нам удалось воссоздать общую «сквозную» картину по всей воронке: от первого показа рекламного объявления в контексте до выдачи кредитного займа. Получился эдакий «франкенштейн» из Excel-таблиц. Взглянув на эту картину, нам удалось заметить одну крайне важную закономерность: этот, как нам казалось, «золотой» рекламный канал, который принес нам большое количество лидов, показывал исключительно низкую конверсию в выдачу займов. Да-да!

Около 85% этих дешёвых лидов получали отказ после прохождения скоринга в банках. Как выяснили позже, в большинстве своём это были люди с плохой кредитной историей. Только представьте, каким был наш конфуз, когда мы осознали, что наш кейс и не кейс вовсе, а всего лишь последствия аналитики рекламных кампаний в условиях неполных данных по воронке.

Этот случай в очередной раз послужил, пожалуй, одним из важных импульсов к нашим решительным действиям по развитию полноценной системы сквозной аналитики. Тогда мы раз и навсегда решили, что базовая CPL-аналитика без данных по воронке продаж может быть не просто бесполезным инструментом, а инструментом, который беспощадно приносит бизнесу вред и страдания.

Только представьте, что было бы, если бы тогда мы не выяснили качество этих дешёвых лидов? Конечно! Мы бы усилили те рекламные кампании, которые приводили к нам эти конверсии, повышали бы ставки, увеличили бы бюджет и всё в таком духе. Все эти действия привели бы к разрушительным последствиям: снижение качества лидов, падение объёма продаж, рост расходов на рекламу и тому подобное.

Этап второй: эволюция интеграций и переход от рекламной статистики к бизнес-аналитике

Итак, мы решительно стали искать пути обогащения нашей аналитики всеми доступными данными. В поисках подходящих инструментов мы перебрали все существующие на рынке решения.

Какого-то комплексного продукта, адаптированного под российский рынок, мы найти не смогли. Поэтому начали выстраивать инфраструктуру из Google Analytics, Google BigQuery и системы визуализации данных; для этого выбрали Google Data Studio.

И знаете что? Мы действительно пришли к тому, что стали получать полные качественные данные и смогли насладиться крутой визуализацией: начали работать с удобными и визуально-эффективными отчётами вместо того, чтобы руками пытаться сводить данные в массивных Excel-таблицах.

Казалось бы, мы получили то, что хотели, и на этом можно было бы остановиться. Однако у этого подхода, к которому мы пришли и который сейчас активно применяется маркетологами и аналитиками в компаниях абсолютно разного масштаба, есть целый ряд нюансов, ограничивающих возможности работы с данными. Чтобы это понять, достаточно взглянуть на схематичное изображение такой инфраструктуры:

На изображении хорошо прослеживаются сложные пути перетекания данных из системы в систему: нам приходится стримить данные из Google Analytics в BigQuery (это такое облачное хранилище Google), туда же через API подтягивать данные из CRM, виджетов, чатов и других источников, выгружать всё это в те же Excel-таблицы, после чего загружать в сервис визуализации, чтобы трансформировать множество данных в понятные наглядные диаграммы. Фух… И да, такими усилиями будет вам сквозная аналитика!

Осмысливая весь этот процесс от начала и до конца, становится очевидно, что строить такую инфраструктуру самостоятельно, а потом поддерживать — дорого. Много работы руками. К тому же мало построить такую систему, её ведь нужно ещё и стабильно поддерживать.

Все эти API-коннекторы, которые соединяют эту сложную связку систем, периодически обновляются и требуют оперативной реакции при каждом таком обновлении, иначе вся эта инфраструктура просто-напросто поломается и перестанет работать.

В следствие этого мы можем получить данные, которым нельзя доверять (помните тот случай с нашим клиентом?). Поэтому для поддержания такой системы и работы с ней требуются ресурсы дорогостоящих специалистов, которые ещё имеют свойство увольняться.

И этот подход не решает ряд острых проблем аналитики и не спасает от различного рода ограничений анализа данных:

• Критически долгое время на получения нужной отчётности: при таком подходе на построение отчёта могут уходить дни, недели или даже месяцы — посудите сами, можно ли оперативно реагировать на колебания данных, если об этих колебаниях вы узнаете постфактум с задержкой в несколько недель? Очевидно, нет.
• Необходимость в содержании штата дорогостоящих специалистов: недостаточно просто один раз настроить обмен данными между системами и забыть об этом. Если в один момент вы упустите обновление API-коннектора, есть риск получить неполные или некорректные данные и принять ошибочные решения — нужна постоянная техническая поддержка такой инфраструктуры.
• В результате получаем статичные отчёты: нет возможности взаимодействовать с диаграммами и перестраивать структуру отчёта по ходу работы с ним. Аналитика — это когда мы перебираем гипотезы в поисках причин того или иного феномена. В подавляющем большинстве случаев необходимо многократно перестроить отчёт, покрутить данные под разными углами, чтобы отыскать причины возникновения трендов. Но в случае связки систем, которую мы рассматриваем, чтобы нам добавить в отчёт ещё один параметр или, наоборот, что-то из него исключить, всякий раз нужно будет проделывать какую-то работу руками, дополнять или изменять структуру данных и заново загружать таблицу в систему визуализации — всё это отнимает крайне много драгоценного времени.
• Переключение между множеством интерфейсов: проблема вытекает из предыдущего пункта — постоянное переключение между вкладками, интерфейсами систем и различными дополнительными инструментами не позволяет сконцентрироваться на работе с отчётом и увеличивает время принятия решений в разы.
• Нет нормальных механизмов сравнения периодов. То есть если мы хотим отследить динамику показателей по месяцам, за квартал или полугодие — придётся «попотеть», чтобы получить такое сравнение. Хотя такой инструмент есть, например, в Google Analytics и его очень не хватает в Google Data Studio.

Думаю, достаточно. Хотя список недостатков можно продолжить.

Этап третий: переход к бизнес-аналитике в одном окне

Ввиду вышеописанных проблем в работе с отчётами через сложную связку Google Analytics + Google BigQuery + Google Data Studio (Power BI или Tableau) и нашего твёрдого намерения получить веб-аналитику в реальном времени с полными и достоверными данными, мы, как в известной пословице «сколько волка не корми…», не оставили поиски подходящего решения в области сквозной аналитики.

В идеале мы хотели найти такую систему, которая решала бы абсолютно все задачи маркетинговой аналитики в одном окне. Мы знали, что такие решения существуют на западном рынке, например, Adobe Analytics. Но к сожалению, все эти системы, во-первых, стоят огромных денег (да-да, не просто больших — именно огромных!). А во-вторых, они абсолютно не адаптированы для российского рынка.

Среди готовых решений, представленных на российском рынке, мы встретили Smart Data Hub (их несколько, я говорю про smartanalytics.io). Интересно, что система полностью соответствовала всем нашим требованиям. Настолько, что сначала я даже усомнился в реальности функциональности — она казалась уж больно какой-то навороченной.

В начале года перешли на новую платформу, и вот что получили в итоге:

• Полные данные в одном интерфейсе. Всё, мы забыли о том, что нам надо что-то откуда-то выгружать, потом преобразовывать данные и компоновать где-то отдельно, чтобы получить необходимый отчёт или дашборд.
• Более 50 готовых интеграций со всеми внешними сервисами, которые только могут быть полезны и нужны. Аналитика в считанные минуты встраивается в экосистему практически любого бизнеса, даже если у него целый «зоопарк» различных сервисов.
• Встроенная интерактивная BI-визуализация. Ребята, это просто огонь! Визуализация, которую можно получать прямо в интерфейсе системы в режиме реального времени, изменять типы и цветовые схемы диаграмм и «проваливаться» на нижние уровни вложенности.
• Возможность создавать кастомную структуру данных и изменять её практически мгновенно. Добавляйте и исключайте из структуры отчета любое количество любых срезов, метрик и так далее, не покидая его.

Да, и вот ещё:

• Возможность анализировать данные в то время, которое раньше уходило на создание отчётов. Это главное.

Но это не все. Мы, наконец, реально начали работать с когортами, а не только говорить о них. Когорты — классная штука для бизнеса с длинным циклом сделки и (или) повторными и регулярными продажами. И, кстати, посмотрите, как выглядит новая схема «аналитической инфраструктуры» в Группе 08:

Все данные из любых систем попадают разу в Smart Data Hub. Напрямую. Ни строчки кода. Ни одного абзаца ТЗ.

Делаем выводы, господа!

Уже около шести лет мы были озадачены вопросом корректного сбора, хранения, связки и анализа полных данных из всевозможных систем, перепробовали разные решения, пытались создать собственную инфраструктуру. И знаете, что я хочу вам сказать?

Не надо изобретать велосипед.

Мы прошли весь путь эволюции сквозной аналитики — что называется, от хардкора до фурора — поэтому, с позиции личного опыта, могу сказать совершенно уверенно: да, создать систему аналитики своими руками путем сложной связки различных систем можно. Только это будет долго (так долго, чтобы может быть — никогда), дорого и с бесконечными доработками. Не наступайте на наши грабли — выбирайте комплексное готовое решение.

И да пребудет с вами высокий ROMI!

Материал был ранее опубликован на VC.RU: https://vc.ru/marketing/92215-skvoznaya-analitika-glazami-digital-agentstva-ot-hardkora-do-furora