Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

5 marho kashuba

38 views

Published on

5 marho kashuba

Published in: Education
  • Be the first to comment

  • Be the first to like this

5 marho kashuba

  1. 1. Оцінюємо рекламні кампанії без болю і нервів Маргарита Кашуба Head of Marketing in OWOX BI
  2. 2. 1. Объединяем данные из рекламных источников 2. Настраиваем модель атрибуции 3. Автоматизируем отчеты по рекламным кампаниям 4. Помогаем найти инсайты и выполнить план продаж OWOX BI — ваш персональный маркетинг- аналитик 20 000пользователей 18стран 9петабайт данных обрабатывается в месяц
  3. 3. Какая кампания самая эффективная?
  4. 4. Половина денег, которые я трачу на рекламу, не приносит пользы. Проблема в том, что я не знаю, какая именно половина - John Wanamaker
  5. 5. Путь пользователя как видит маркетолог
  6. 6. Путь пользователя на самом деле
  7. 7. Проблема разрозненных данных Online Campaigns + Offline Campaigns + Агрегаторы продуктов + Сайт продукта Sales & Customers CRM, ERP Усилия Результат
  8. 8. И что же делать? ● Собрать онлайн и офлайн данные из разных систем в один отчет; ● Выбрать показатели для сравнения и оценки; ● Определиться с моделью атрибуции; ● Проверить данные на адекватность.
  9. 9. Собрать онлайн и офлайн данные из разных систем в один отчет
  10. 10. 1. Анализ данных из рекламных систем
  11. 11. Недостатки ● Невозможно сравнить рекламные каналы между собой; ● Непонятно поведение пользователя после клика; ● Ограничены метриками системы (хочу свой скоринг ввести); ● Если это не единственный канал на пути к конверсии, то кто молодец? ● Какой ROAS? ● Непонятна воронка; ● Как оценить влияние других факторов (ROPO, работу продавца, исполняемость заказов)?
  12. 12. 2. Анализ данных в GA
  13. 13. Недостатки ● Ограничены метриками системы (хочу свой скоринг ввести); ● Если это не единственный канал на пути к конверсии, то кто молодец? ● Непонятна воронка; ● Как оценить влияние других факторов (ROPO, работу продавца, исполняемость заказов)? ● Расходы по другим рекламным сервисам надо импортировать
  14. 14. 3. Ручная сквозная аналитика https://www.owox.com/c/3ep +Calltracking +CRM/Offline data +Расходы +Scoring +Другие кастомные метрики
  15. 15. Ожидание Реальность
  16. 16. Недостатки ● Ручной труд; ● Высокий риск сломать таблицу; ● Сомнительное удобство; ● Строки небесконечны; ● Не всегда таблица обновляется оперативно; ● Сложные отчеты можно делать очень долго; ● Оценить влияние других факторов (ROPO, работу продавца, исполняемость заказов) довольно сложно; ● Если это не единственный канал на пути к конверсии, то кто молодец?
  17. 17. 4. BI Системы. Сквозная аналитика ● Работает автоматически, нет monkey job; ● Учет всех точек касания, как онлайн, так и офлайн; ● Полная воронка (от первого касания до повторных покупок); ● Возможны кастомные показатели; ● Строит отчеты любой сложности; ● Удобно работать с большими объемами данных; ● Используется выбранная вами модель атрибуции или несколько.
  18. 18. Схема сквозной аналитики Решение Website Call-tracking Google Analytics CRM/ERP OWOX BI ETL Offline store Google Sheets Google Data Studio Tableu Power BI
  19. 19. Примеры отчетов
  20. 20. И это только начало...
  21. 21. Выбрать показатели для сравнения и оценки
  22. 22. Популярные показатели ● CR traf to…для разных LP ● CPL, cost per MQL/SQL ● CAC ● Revenue, predicted ARR (Annual Recurring Revenue) ● Attributed revenue ● Churn ● LTV ● ROAS ● ROPO-эффект https://netology.ru/blog/effektivnost-reklamy
  23. 23. Популярные показатели
  24. 24. Выбрать модель/модели атрибуции
  25. 25. Типичный путь пользователя Свайпнул вправо на Tinder
  26. 26. Свайпнул вправо на Tinder Сходили на свидание Типичный путь пользователя
  27. 27. Свайпнул вправо на Tinder Сходили на свидание Съездили в отпуск Типичный путь пользователя
  28. 28. Свайпнул вправо на Tinder Сходили на свидание Съездили в отпуск Сделал предложение Типичный путь пользователя
  29. 29. Свайпнул вправо на Tinder Сходили на свидание Съездили в отпуск Сделал предложение Конверсия! Типичный путь пользователя
  30. 30. Так кто же получит ценность? Свайпнул вправо на Tinder Сходили на свидание Съездили в отпуск Сделал предложение Конверсия!
  31. 31. Так кто же получит ценность? Свайпнул вправо на Tinder Сходили на свидание Съездили в отпуск Сделал предложение Конверсия! Если спросить Tinder
  32. 32. Так кто же получит ценность? Свайпнул вправо на Tinder Сходили на свидание Съездили в отпуск Сделал предложение Конверсия! Если спросить Tinder Если спросить молодого человека
  33. 33. Так кто же получит ценность? Свайпнул вправо на Tinder Сходили на свидание Съездили в отпуск Сделал предложение Конверсия! Если спросить аналитика Если спросить Tinder Если спросить молодого человека
  34. 34. Без понимания атрибуции сложно сказать... 1. Как выполнить план продаж? 2. Как распределить бюджет? 3. Как снизить расходы? 4. Как увеличить доход?
  35. 35. И при этом… 72.4% маркетологов отмечают, что они не знают, почему используют текущую модель Source: Ad Roll 2017 44% используют Last Click выбирают ту модель, которая выглядит самой простой
  36. 36. По первому клику По последнему клику По последнему непрямому клику Линейная С учетом давности взаимодействия На основе позиции Модели атрибуции
  37. 37. А еще... 1. Цепи Маркова 2. Вектор Шепли 3. Модель атрибуции на основе воронки 4. Кастомные алгоритмы
  38. 38. Так что... 1. Собираем все данные 2. Выбираем метрики 3. Определяемся с моделью атрибуции 4. Строим отчеты 5. Делаем фантастический маркетинг
  39. 39. mail@owox.ua www.owox.ua www.facebook.com/kashubaMa Вопросы? www.facebook.com/owoxbicis/ Маргарита Кашуба Head of Marketing in OWOX BI Скачать презентацию: https://www.owox.ua/reports/LvivICamp2018/
  40. 40. Полезные ссылки 1. Сравнение моделей атрибуции Блог OWOX BI 2. Статья-сравнение различных моделей атрибуции 3. Кастомная атрибуция на примере Answear 4. Статья о том, какую модель атрибуции использует OWOX BI для себя 5. Цепи Маркова 6. Вектор Шепли 7. Вектор Шепли Coursera
  41. 41. Сравнение мат. аппаратов моделей Funnel Based Data-Driven (Analytics 360) Цепи Маркова 1. Позволяет оценить взаимное влияние каналов на конверсию и продвижение по воронке 1.Позволяет оценить взаимное влияние каналов на конверсию 1.Позволяет оценить взаимное влияние каналов на конверсию 2.Позволяет найти неэффективный канал и сказать, где именно он не эффективен. Устойчива к нелинейности. 2.Позволяет найти неэффективный канал. Высокая точность расчётов. 2.Оценить, какой канал самый значимый. 3.Недооценивает первый шаг воронки. 3.Не оценивает продвижения по воронке, нельзя подключить офлайн данные из CRM 3.Недооценивает первое звено цепи, неустойчив к порядку в цепочках. Отвечает на вопрос: Как присутствие канала влияет на конверсию и когда это влияние самое сильное? Отвечает на вопрос: Как присутствие канала повлияет на конверсию? Отвечает на вопрос: Как отсутствие канала повлияет на конверсию?

×