Когортный анализ — мощное средство для оценки трендов, лояльности клиентов и их пути к покупке. Меган Таггарт объяснила, как внедрить этот инструмент в ваши отчеты по контекстной рекламе. А команда i-Media перевела ее руководство для SEOnews.
Клиенты, коллеги и прочие заинтересованные лица часто задают b2b-маркетологам, подготовившим отчет по контекстной рекламе, одни и те же вопросы:
Почему я вижу приток кликов и переходов по объявлениям, но не вижу потенциальных или закрытых сделок?
В этом месяце мы вложили в контекст дополнительные $15 000, ну и где результаты?
Каков вклад контекстной рекламы в удержание клиентов?
Это важные вопросы об эффективности контекстных кампаний, поскольку именно они первыми приходят на ум всем заинтересованным сторонам. Чтобы точно на них отвечать, требуются и серьезные навыки в разработке отчетов, и отличное понимание модели атрибуции, выбранной вашей организацией.
Многие специалисты по контекстной рекламе компетентны только в одной из этих областей, а потому их отчеты часто отражают лишь половину общей картины. Из-за недочетов в измерениях, анализе, оптимизации и том, как расходуются маркетинговые бюджеты, клиенты остаются разочарованы результатами. Тем не менее в арсенале специалистов по контексту есть и другие инструменты, помогающие отвечать на вопросы, так волнующие клиентов.
Когортный анализ, применяющийся в отчетности по контекстной рекламе, может быть мощным средством оценки трендов, лояльности потребителей и их пути к покупке. Кроме того, он обеспечивает более высокую точность при анализе результатов за целевой период, соответствующий времени прохождения воронки продаж.
Мы рассмотрим основы когортного анализа и разберемся, как запустить этот инструмент в ваших кампаниях, основанных на воронке привлечения клиентов:
Lead > Prospect > Opportunity > Customer
Лид > Потенциальный клиент > Потенциальная сделка > Покупатель
Что такое «когорта»?
Термином «когорта» в маркетинге обозначают сегменты пользователей, собранные по определенному признаку в рамках строгого интервала времени. Когорты могут состоять из покупателей, подписчиков почтовой рассылки, пользователей, скачавших демоверсию, подключивших пробный период или выполнивших любое другое конверсионное действие в воронке.
Какой бы ни была сегментация, ценность у этих групп появляется тогда, когда вы долгое время наблюдаете за ними и анализируете их поведение на протяжении всего цикла продаж. Без когорт маркетологам остается только гадать о «возрасте» покупателей в воронке (то есть о том, как долго последние в ней находятся). В этом случае маркетологи не способны определить реальный уровень лояльности клиентов.
Анализ эффективности контекстной рекламы обычно предполагает изучение коротких временных интервалов и сравнение их с предыдущей неделей, месяцем или другим периодом. Это отличный сравнительный инструмент, но он не решает главной проблемы. Отчет за короткий отрезок времени включает данные о расходах, которые еще не успели принести вам лид (или привести пользователя на иной этап воронки).
Иными словами, мы раздуваем показатели цены за лид, поскольку учитываем расходы, которые никак не способствовали тем лидам, которые включены в отчет. Пример пути от клика до покупки показан ниже:
При сравнении нескольких периодов можно выяснить средние показатели эффективности для фиксированных групп, однако такой подход не учитывает выбросов (резко выделяющихся значений — прим. переводчика). В качестве последних могут выступать группы повторных покупателей, пользователи, которые добавили товар в корзину и ушли с сайта, или же выборка людей, исчезающих по пути к конверсии. В любом случае смешение новых и старых покупателей неизбежно искажает результаты в отчете.
Если сравнивать год к году средний доход на пользователя во время Черной пятницы, то показатель может казаться отличным, поскольку растущий по экспоненте трафик подстегивает продажи. Но как насчет пользователей, покупавших у вас в прошлую Черную пятницу? Скорее всего, ценность этих клиентов заметно падает, хотя общие показатели высоки как никогда. Исключение составляют случаи, когда реализуется эффективная программа удержания клиентов.
В долгосрочной перспективе опираться исключительно на такие показатели опасно. Они включают в себя прибыль, полученную от клиентской базы за все время ее существования, вместо того чтобы учитывать продолжительность пребывания клиентов в воронке.
Организация сбора данных
Переход к когортной модели требует тщательной предварительной работы. Крайне важно убедиться в точности данных, которые вы собираете. В этом случае важнейшие колонки в таблице – дата и временные отметки, такие как «Дата создания лида» и «Дата перехода лида на следующий этап» («потенциальная сделка», «покупатель», «дата первой покупки» и так далее).
Даты позволяют замерять время, за которое пользователи проходят через воронку, и использовать полученные данные в отчетах по контекстной рекламе. Вот идеальный набор колонок для отчета «Потенциальные сделки»:
- дата создания лида,
- дата создания потенциальной сделки,
- ID лида,
- источник,
- кампания,
- ключевое слово.
Время в воронке продаж
Итак, мы настроили сбор данных и получили результаты за статистически значимый период ретроспективного анализа. Теперь нужно разобраться в том, сколько времени занимает прохождение воронки продаж у пользователей, перешедших по контекстной рекламе. Мы хотим понять, какое время потребуется лиду, чтобы превратиться в перспективного клиента, потенциальную сделку и, наконец, в покупателя.
Чтобы получить полные данные для настройки когортного анализа, нацеливайтесь на период от 6 до 12 месяцев. Задавать достаточно широкий диапазон дат чрезвычайно важно: в противном случае можно неправильно оценить вклад контекстной рекламы в общие результаты.
Начнем с самого начала, чтобы в конце концов вернуться к данным, которые мы хотим получить:
- количество дней между лидом и потенциальным клиентом;
- количество дней между лидом и потенциальной сделкой;
- количество дней между лидом и покупателем.
Выяснить количество дней между лидом и потенциальным клиентом довольно просто. Возьмите дату создания потенциального клиента (то есть дату, когда лид превратился в потенциального клиента) и отнимите от нее дату создания лида. Повторите эту операцию со всеми лидами и убедитесь, что исключили основные выбросы.
Разбираться с лидом и потенциальной сделкой стоит в отдельном документе, чтобы не запутаться в данных. Возьмите дату, когда лид превратился в потенциальную сделку, и отнимите дату создания лида. Как и следовало ожидать, получившийся период заметно больше, нежели временной отрезок от лида до потенциального клиента.
Повторите этот процесс с покупателями.
После такого анализа вы будете прекрасно представлять, как долго лиды проходят каждый из этапов. Возможно, вас даже шокирует то, насколько долгим оказался цикл продаж в конкретном случае. Вы тут же сможете объяснить, почему отчеты по неделям не подходят для некоторых кампаний по привлечению клиентов. Причем ваши слова будут основаны на том, сколько времени на самом деле занимает прохождение воронки.
Выбор процентиля
Когортную модель можно использовать для более быстрой и точной оптимизации контекстных кампаний. Перед принятием решений не обязательно ждать, пока 100% ваших лидов пройдут воронку. Вместо этого можно выбрать подходящий процентиль (значение, которое заданная случайная величина не превышает с фиксированной вероятностью, выраженной в процентах – прим. переводчика).
Например, если мы возьмем 75-й процентиль, то сможем определить, за сколько дней воронку пройдут 75% самых быстрых лидов из контекстной рекламы. Процентиль может заметно сократить число дней между этапами, полученное в результате предыдущих расчетов, но в этом нет ничего страшного. Мы знаем, что оставшиеся лиды в какой-то момент перейдут на следующий этап. Помните, что наша цель – принимать правильные решения быстро.
При работе с сокращенным временным интервалом из модели придется исключать клиентов с немного более высокой ценой за достижение цели.
Другой пример: если целевая стоимость привлечения клиента составляет $750 и мы работаем с 75 процентилем, то нужно увеличить показатель до $1000. Если бы мы ждали, пока все покупатели преодолеют воронку, то получили бы более низкую стоимость, нежели при учете 75% самых быстрых из них.
Если идея использовать процентиль кажется вам слишком сложной, подумайте о том, что работа со средними значениями и некогортной моделью все равно не дает точных результатов. Наша задача — оптимизировать кампании на основе точных данных и настолько приближаясь к режиму реального времени, насколько это в принципе возможно.
После того как временные рамки и процентиль определены, не стоит включать в отчеты потенциальных клиентов, потенциальные сделки или покупателей, которым требуется больше времени для конверсии.
Если период перехода на этап «покупатель» составляет 30 дней, а конкретному пользователю потребовалось 45 дней, то вы искусственно завысите показатели, включив его в 75-й процентиль. Такие покупатели должны учитываться в каком-то другом месте сводной таблицы, но не внутри когортной модели принятия решений.
Разработка отчетов и представление результатов
Чтобы составить точные отчеты, нужно прежде всего убедиться, что потенциальные клиенты, потенциальные сделки и покупатели не учитываются за пределами своих временных рамок.
Как это выглядит на практике? Представим, что период перехода на этап «покупатель» равен 30 дням. В этом случае мы учитываем результаты только тех покупателей, которые старше 30 дней и у которых было время «созреть». Чтобы получить точную стоимость привлечения клиента, нам также нужно исключить расходы за последние 30 дней. Следует учитывать затраты только за период «созревания» наших покупателей или потенциальных сделок.
После этих операций вы получите самые точные отчеты о количестве пользователей, стоимости их привлечения и коэффициентах конверсии на разных этапах воронки.
Скорее всего, выяснится, что эффективность рекламы долгое время была выше, нежели показывала отчетность (поскольку в ней учитывались расходы за дни, еще не успевшие принести лидов). Создав новые отчеты, вы получите возможность принимать решения на основе самых точных данных, с которыми вам приходилось иметь дело.
На иллюстрации выше анализ показал, что 75% самых быстрых лидов превращаются в покупателей в течение шести месяцев. С учетом этой информации, рассматривать показатели каналов при анализе стоимости привлечения клиента можно только в первый и второй месяц.
При анализе цены за потенциальную сделку эти показатели можно рассматривать за месяцы с первого по пятый. Наши лиды можно анализировать почти в режиме реального времени.
Применение результатов когортного анализа
Прогнозирование. Поведение новой выборки клиентов гораздо проще прогнозировать, если вы понимаете, как движение и развитие когорт из контекстной рекламы связано с объемом продаж и прибылью.
Стратегия удержания клиентов. Следует ли вам уделять больше внимания действиям после покупки? Узнать об изменениях покупательских привычек и вовлеченности клиентов поможет сравнение дневных, недельных или месячных когорт и дохода, полученного от соответствующей группы в период от 6 до 12 месяцев после покупки. Если объем продаж или количество повторных покупок не растет, возможно, стоит запустить стратегию удержания или возвращения клиентов.
Сезонность. Сопоставляя дату первой покупки с датой повторной или с общим объемом продаж, можно выделить пользователей, «отвалившихся» после праздников или высокого сезона. Эти данные позволят понять, нужно ли маркетологам удваивать усилия по завершении сезона.
Особенности поведения, связанные с местоположением. Если вы размещаете контекстную рекламу, нацеленную на разные города или страны, стоит сравнивать месячные доходы, которые приносят те или иные местоположения. Так вы узнаете, в каких регионах показатель жизненной ценности клиента (LTV) растет, а в каких — падает.
Разные модели анализа очень сильно отличаются друг от друга, и переход на когортный анализ может быть ответственным решением. Для многих маркетологов это необходимый шаг при работе с кампаниями по привлечению клиентов.
Внедрение когортного анализа в отчеты по контекстной рекламе часто становится мощным средством для показа реальных долгосрочных трендов удержания, оттока и атрибуции клиентов (причем на более детальном уровне). Что еще более важно, этот инструмент помогает обнаружить новые возможности, скрытые внутри вашей контекстной стратегии.
Мнение эксперта
Михаил Чиликин, руководитель направления веб-аналитики i-Media
