Kuinka end-to-end-analyysi auttaa yrityksiä

OWOX BI End-to-End Analytics

End-to-end-analytiikka ei ole vain kauniita raportteja ja grafiikkaa. Kyky seurata kunkin asiakkaan polkua ensimmäisestä kosketuspisteestä säännöllisiin ostoksiin voi auttaa yrityksiä vähentämään tehottomien ja yliarvostettujen mainoskanavien kustannuksia, lisäämään sijoitetun pääoman tuottoprosenttia ja arvioimaan, miten heidän online-läsnäolonsa vaikuttaa offline-myyntiin. OWOX BI analyytikot ovat keränneet viisi tapaustutkimusta, jotka osoittavat, että laadukas analytiikka auttaa yrityksiä olemaan menestyviä ja kannattavia.

Käyttämällä end-to-end Analytics -palvelua online-avustusten arviointiin

Tilanne. Yritys on avannut verkkokaupan ja useita fyysisiä vähittäiskauppoja. Asiakkaat voivat ostaa tavaroita suoraan yrityksen verkkosivustolta tai tarkistaa ne verkossa ja tulla fyysiseen kauppaan ostamaan. Omistaja on vertaillut verkkomyynnistä ja offline-myynnistä saatuja tuloja ja todennut, että fyysinen myymälä tuo paljon enemmän voittoa.

Maali. Päätä, peruutatko verkkomyynnistä ja keskity fyysisiin myymälöihin.

Käytännön ratkaisu. Alusvaatteet yritysDarjeeling Tutki ROPO-vaikutusta - sen online-läsnäolon vaikutusta sen offline-myyntiin. Darjeelingin asiantuntijat päättelivät, että 40% asiakkaista vieraili sivustolla ennen ostamista kaupassa. Tästä johtuen lähes puolet heidän ostoksistaan ​​ei tapahtuisi ilman verkkokauppaa.

Saadakseen nämä tiedot yritys luotti kahteen järjestelmään tietojen keräämiseen, tallentamiseen ja käsittelyyn:

  • Google Analytics tietoja käyttäjien toimista verkkosivustolla
  • Yhtiön CRM kustannus- ja tilaustiedot

Darjeeling-markkinoijat yhdistivät tietoja näistä järjestelmistä, joilla oli erilaiset rakenteet ja logiikka. Luomaan yhtenäisen raportin Darjeeling käytti BI-järjestelmää end-to-end-analytiikkaan.

End-to-End-analyysin käyttäminen sijoitetun pääoman tuoton nostamiseen

Tilanne. Yritys käyttää useita mainoskanavia houkutellakseen asiakkaita, mukaan lukien haku, asiayhteyteen liittyvä mainonta, sosiaaliset verkostot ja televisio. Ne kaikki eroavat toisistaan ​​kustannusten ja tehokkuuden suhteen.

Maali. Vältä tehotonta ja kallista mainontaa ja käytä vain tehokasta ja halpaa mainontaa. Tämä voidaan tehdä käyttämällä end-to-end-analytiikkaa verrata kunkin kanavan kustannuksia sen tuottamaan arvoon.

Käytännön ratkaisu. vuonnaLääkäri Ryadom Lääketieteellisten klinikoiden ketjussa potilaat voivat olla vuorovaikutuksessa lääkäreiden kanssa eri kanavilla: verkkosivustolla, puhelimitse tai vastaanotossa. Säännölliset verkkoanalyysityökalut eivät kuitenkaan riittäneet määrittämään, mistä kukin kävijä tuli, koska tietoja kerättiin eri järjestelmissä eikä se ollut yhteydessä toisiinsa. Ketjun analyytikoiden oli yhdistettävä seuraavat tiedot yhteen järjestelmään:

  • Tietoja käyttäjien käyttäytymisestä Google Analyticsista
  • Puhelutiedot puhelunseurantajärjestelmistä
  • Tiedot kustannuksista kaikista mainoslähteistä
  • Tiedot potilaista, pääsyistä ja tulot klinikan sisäisestä järjestelmästä

Tähän kollektiiviseen tietoon perustuvat raportit osoittivat, mitkä kanavat eivät tuottaneet tulosta. Tämä auttoi klinikkaketjua optimoimaan mainontamenonsa. Esimerkiksi asiayhteyteen liittyvässä mainonnassa markkinoijat jättivät vain parempia semantiikkaa sisältäviä kampanjoita ja lisäsivät geopalvelujen budjettia. Tämän seurauksena lääkäri Ryadom lisäsi yksittäisten kanavien sijoitetun pääoman tuottoprosenttia 2.5 kertaa ja puolitti mainoskustannukset puoleen.

End-to-End-analyysin käyttö alueiden löytämiseen kasvusta

Tilanne. Ennen kuin parannat jotain, sinun on selvitettävä, mikä ei oikein toimi oikein. Esimerkiksi kontekstuaalisen mainonnan kampanjoiden ja hakulausekkeiden määrä on ehkä kasvanut niin nopeasti, että niitä ei enää voida hallita manuaalisesti. Joten päätät automatisoida hintatarjousten hallinnan. Tätä varten sinun on ymmärrettävä kunkin tuhannen hakulausekkeen tehokkuus. Loppujen lopuksi väärällä arvioinnilla voit joko yhdistää budjettisi turhaan tai houkutella vähemmän potentiaalisia asiakkaita.

Maali. Arvioi kunkin avainsanan tehokkuus tuhansien hakukyselyjen yhteydessä. Poista tuhlaavainen kulutus ja vähäinen hankinta virheellisen arvioinnin vuoksi.

Käytännön ratkaisu. Hintatarjousten hallinnan automatisoimiseksiHoffHuonekalujen ja taloustavaroiden hypermarket-jälleenmyyjä yhdisti kaikki käyttäjäistunnot. Tämä auttoi heitä seuraamaan puheluja, myymäläkäyntejä ja kaikkia yhteydenottoja sivustoon millä tahansa laitteella.

Yhdistämällä kaikki nämä tiedot ja perustamalla end-to-end-analyysit yrityksen työntekijät alkoivat toteuttaa attribuutiota - arvonjakoa. Oletusarvoisesti Google Analytics käyttää viimeistä epäsuoran napsautuksen attribuutiomallia. Mutta tämä jättää huomiotta suorat vierailut, ja vuorovaikutusketjun viimeinen kanava ja istunto saavat tuloksen koko arvon.

Tarkkojen tietojen saamiseksi Hoffin asiantuntijat perustivat suppilopohjaisen attribuution. Siinä oleva muunnosarvo jaetaan kaikkien kanavan välillä, jotka osallistuvat suppilon jokaiseen vaiheeseen. Yhdistettyjä tietoja tutkittaessa he arvioivat kunkin avainsanan voiton ja näkivät, mitkä ovat tehottomia ja mitkä tuottivat enemmän tilauksia.

Hoffin analyytikot asettivat nämä tiedot päivitettäviksi päivittäin ja siirtämään automaattiseen tarjoustenhallintajärjestelmään. Hintatarjoukset muutetaan sitten siten, että niiden koko on suoraan verrannollinen avainsanan sijoitetun pääoman tuottoprosenttiin. Seurauksena oli, että Hoff kasvatti sijoituspääoman tuottoa kontekstuaaliseen mainontaan 17% ja kaksinkertaisti tehokkaiden avainsanojen määrän.

End-to-End-analyysin käyttäminen viestinnän personointiin

Tilanne. Kaikissa yrityksissä on tärkeää rakentaa suhteita asiakkaisiin, jotta voidaan tehdä olennaisia ​​tarjouksia ja seurata brändiuskollisuuden muutoksia. Tietysti, kun asiakkaita on tuhansia, on mahdotonta tehdä henkilökohtaisia ​​tarjouksia kullekin heistä. Mutta voit jakaa ne useisiin segmentteihin ja rakentaa viestintää näiden segmenttien kanssa.

Maali. Jaa kaikki asiakkaat useisiin segmentteihin ja rakenna viestintää näiden segmenttien kanssa.

Käytännöllinen ratkaisu. ----kauppa, Moskovan ostoskeskus, jossa on verkkokauppa vaatteille, jalkineille ja asusteille, parani heidän työssään asiakkaiden kanssa. Parantaakseen asiakasuskollisuutta ja elinikäistä arvoa Butikin markkinoijat yksilöivät viestinnän puhelinkeskuksen, sähköpostin ja tekstiviestien avulla.

Asiakkaat jaettiin segmentteihin heidän ostotoimintansa perusteella. Tuloksena oli hajautettu data, koska asiakkaat voivat ostaa verkossa, tilata verkossa ja noutaa tuotteita fyysisestä kaupasta tai olla käyttämättä sivustoa lainkaan. Tämän vuoksi osa tiedoista kerättiin ja tallennettiin Google Analyticsiin ja toinen osa CRM-järjestelmään.

Sitten Butikin markkinoijat tunnistivat jokaisen asiakkaan ja kaikki heidän ostonsa. Näiden tietojen perusteella he määrittelivät sopivat segmentit: uudet ostajat, kerran neljännes tai kerran vuodessa ostavat asiakkaat, kanta-asiakkaat jne. Yhteensä he tunnistivat kuusi segmenttiä ja muodostivat säännöt siirtymisestä automaattisesti segmentistä toiseen. Tämä antoi Butikin markkinoijille mahdollisuuden rakentaa henkilökohtaista viestintää jokaisen asiakassegmentin kanssa ja näyttää heille erilaisia ​​mainosviestejä.

End-to-end-analyysin käyttäminen petosten määrittämiseen toimintakohtaisen hinnan (CPA) mainonnassa

Tilanne. Yritys käyttää toimintokohtaista mallia verkkomainontaan. Se sijoittaa mainoksia ja maksaa foorumeille vain, jos kävijät suorittavat kohdennetun toiminnan, kuten vierailevat heidän verkkosivustollaan, rekisteröivät tai ostavat tuotteen. Mutta mainoksia sijoittavat kumppanit eivät aina toimi rehellisesti; heidän joukossaan on petoksia. Useimmiten nämä huijarit korvaavat liikenteen lähteen siten, että näyttää siltä, ​​että heidän verkkonsa olisi johtanut tulokseen. Ilman erityistä analyysia, jonka avulla voit seurata myyntiketjun jokaista vaihetta ja nähdä, mitkä lähteet vaikuttavat tulokseen, tällaisten petosten havaitseminen on melkein mahdotonta.

Raiffeisen Bank oli ongelmia markkinointipetosten kanssa. Heidän markkinoijat olivat huomanneet, että tytäryhtiöiden liikennekustannukset olivat kasvaneet, kun taas tulot pysyivät ennallaan, joten he päättivät tarkistaa kumppaneiden työn huolellisesti.

Maali. Havaita petokset kattavan analyysin avulla. Seuraa myyntiketjun jokaista vaihetta ja ymmärrä, mitkä lähteet vaikuttavat kohdennettuun asiakastoimintaan.

Käytännöllinen ratkaisu. Raiffeisen Bankin markkinoijat keräsivät kumppaneidensa työn tarkkuudeksi raakatiedot sivuston käyttäjien toimista: täydelliset, käsittelemättömät ja analysoimattomat tiedot. Kaikista asiakkaista, joilla on viimeisin kumppanikanava, he valitsivat ne, joilla oli epätavallisen lyhyitä taukoja istuntojen välillä. He havaitsivat, että näiden taukojen aikana liikenteen lähde vaihdettiin.

Tämän seurauksena Raiffeisen-analyytikot löysivät useita kumppaneita, jotka omistivat ulkomaan liikennettä ja myivät sen edelleen pankille. Joten he lopettivat yhteistyön näiden kumppaneiden kanssa ja lakkasivat tuhlaamasta budjettiaan.

Kokonaisanalyysi

Olemme korostaneet yleisimmät markkinointihaasteet, jotka end-to-end-analyysijärjestelmä voi ratkaista. Käytännössä integroitujen tietojen avulla sekä verkkosivustolla että offline-tilassa tapahtuvista käyttäjien toimista, mainosjärjestelmistä saatavista tiedoista ja puhelunseurantatiedoista löydät vastauksia moniin kysymyksiin, jotka koskevat liiketoiminnan parantamista.

Mitä mieltä olet?

Tämä sivusto käyttää Akismetiä roskapostin vähentämiseksi. Lue, miten kommenttitietosi käsitellään.