Эффективная аналитика на базе платформы Power BI для онлайн-магазина: проверили рекламные кампании и снизили CPO в несколько раз

Наше агентство запускало рекламные кампании для крупного магазина парфюмерии: на сайт приходило примерно 70 000 посетителей, магазин получал около 1500 заказов в месяц.

Задача проекта заключалась в том, что количество заказов выросло до максимума. Сложность была в резком падении объема заказов и росте CPO. Нам предстояло исправить эту ситуацию, и действовать нужно было оперативно.

Забегая вперед скажем, что нам удалось ощутимо снизить CPO, благодаря чему количество заказов выросло более чем в 1,5 раза.

KPI от клиента, на которые мы опирались:

Процесс продвижения выглядел так:

Преимущество выбранного инструмента в том, что Google использует машинное обучение и делает рекламу максимально эффективной.

Старт работ сразу выявил главную сложность: отчеты в Гугл.Таблицах приходилось заполнять вручную. Делали мы это еженедельно, поскольку нужно было увидеть показатели расходов и CPO по разным каналам.

Как формировали такие отчеты: собирали данные о расходах на рекламу, брали их из рекламных кабинетов, сопоставляли с информацией по конверсиям. В таких отчетах не получалось увидеть все необходимые детали.

Невозможно определить дневную динамику. Поскольку в разные дни покупательский спрос отличается, мы формировали отчеты по дням, чтобы видеть расходы и заказы. Нам важно было понять, в какой момент начинается падение продаж. Так мы могли вовремя поменять детали автостратегии: например, откорректировать дневные лимиты в большую или меньшую сторону или отрегулировать ставки.

Отсутствуют данные в разрезе кампаний и товаров. Объем данных в отчете очень велик, а потому еженедельное заполнение в ручном режиме отнимало бы время, которое требуется для выполнения других задач, не говоря уже о том, чтобы заполнять отчет каждый день.

UTM-метки содержали названия кампаний, отличающиеся от фактических. В такой ситуации нам помог бы параметр campaign_id, поскольку он является по сути уникальным идентификатором, а значит с его помощью можно в дальнейшем сверять данные из отчетов. Однако даже этот параметр присутствовал не везде.

Аналитику с серьезным погружением в кампании нам удавалось сделать в периоды проседания продаж и одновременного роста CPO. Если говорить про другие периоды, то мы могли учитывать только косвенные показатели. Примеры таковых: глубина просмотра, глубина конверсии в Google Ads, а также процент отказов.

Разнятся конверсии в рекламных кабинетах. Где-то падение продаж по конкретному товару было сигналом к тому, что пора отключить его. Но в других точках этот же товар показывал высокий уровень конверсии и низкий CPO. Итог: уровень продаж снижался. Разумеется, клиента это не устраивало.

Итак, мы выяснили, что формировать отчеты вручную и сравнивать все полученные данные слишком затратно. Из-за этого не получится быстро менять что-либо в рекламных кампаниях.

Стало ясно: чтобы эффективно собирать данные, процесс нужно автоматизировать.

Как мы выстроили процесс автоматизации данных:

Итогом такой цепочки стал финальный автоматизированный отчет. Он показывал ряд данных, которые мы впоследствии могли проанализировать.

Мы применили следующие параметры:

Ключевыми метриками были:

Важно было заново проставить все UTM-метки, чтобы правильно сопоставлять данные из рекламных кабинетов. Обновленные метки содержали динамические параметры, включая тот самый {campaignid}. напомним, что до этого момента он был проставлен далеко не во всех кампаниях.

Специфика «Умных торговых кампаний» в Google имела существенные отличия от обычных кампаний. Дело в том, что возможности для оптимизации там гораздо меньше. Например, менять можно лишь несколько параметров:

Поскольку данные по площадкам Google Ads в UTM-метках нам недоступны, мы используем {product_id}, {device} и {loc_physical_ms}.

Таков результат всего комплекса работ, которые мы провели в рамках данного проекта:

В итоге мы оптимизировали процесс и нам не уже не пришлось формировали отчеты в ручном режиме. Зато теперь мы фактически контролируем динамику — в режиме реального времени получаем информацию о просадке CPO по конкретным товарам, а также снижению или росту количества заказов.

Настроенные автоматизированные отчеты мы выгружали регулярно, что дало нам возможность через некоторое время снизить CPO. Вместе с этим рост заказов превысил отметку в 1,5 раза.

Данные по рекламным кампаниям можно формировать в том числе прямо на смартфоне. Для этого мы разработали мобильную версию такого отчета. С его помощью можно оперативно отслеживать все, что меняется в рекламе и получать данные сразу же.

Как сделать мобильный отчет

1. Скачать на смартфон приложение Power BI.

2. Привязать адрес электронной почты к аккаунту Power BI.

3. Предоставить доступ к этому аккаунту и почте.

4. Получить от нас доступ к отчету.

5. Запустить формирование отчета.

Отчет в смартфоне показывает клиенту динамику — как меняется ситуация по заказам и CPO. Это дает понимание того, сработала ли реклама и нужно ли что-то поменять.