Como a análise de punta a punta axuda ás empresas

Analítica de extremo a extremo de OWOX BI

As análises de punta a punta non son só informes e gráficos fermosos. A capacidade de rastrexar o camiño de cada cliente, desde o primeiro punto de contacto ata as compras regulares, pode axudar ás empresas a reducir o custo das canles de publicidade ineficaces e sobrevaloradas, aumentar o ROI e avaliar como a súa presenza en liña afecta ás vendas sen conexión. OWOX BI os analistas recolleron cinco estudos de casos que demostran que a análise de alta calidade axuda ás empresas a ter éxito e rendibilidade.

Usar análises de punta a punta para avaliar contribucións en liña

A situación. Unha empresa abriu unha tenda en liña e varias tendas de venda polo miúdo físicas. Os clientes poden mercar bens directamente na páxina web da compañía ou consultalos en liña e chegar a unha tenda física para mercalos. O propietario comparou os ingresos por vendas en liña e sen conexión e concluíu que unha tenda física trae moitos máis beneficios.

O obxectivo. Decide se apartar as vendas en liña e concentrarse nas tendas físicas.

A solución práctica. A empresa de lencería Darjeeling estudou o efecto ROPO: o impacto da súa presenza en liña nas súas vendas sen conexión. Os expertos de Darjeeling concluíron que o 40% dos clientes visitaron o sitio antes de mercar nunha tenda. En consecuencia, sen a tenda en liña, case a metade das súas compras non se realizarían.

Para obter esta información, a compañía confiou en dous sistemas para recompilar, almacenar e procesar datos:

  • Google Analytics para obter información sobre as accións dos usuarios no sitio web
  • CRM da empresa para obter datos de custo e finalización de pedidos

Os comerciantes de Darjeeling combinaron datos destes sistemas, que tiñan diferentes estruturas e lóxica. Para crear un informe unificado, Darjeeling utilizou o sistema de BI para a análise de extremo a extremo.

Usar análises de punta a punta para aumentar o retorno do investimento

A situación. Unha empresa usa varias canles publicitarias para atraer clientes, incluíndo busca, publicidade contextual, redes sociais e televisión. Todos difiren en canto ao seu custo e eficacia.

O obxectivo. Evite a publicidade ineficaz e cara e use só publicidade efectiva e barata. Isto pódese facer usando análises de extremo a extremo para comparar o custo de cada canle co valor que aporta.

A solución práctica. No Doutor Ryadom cadea de clínicas médicas, os pacientes poden interactuar cos médicos a través de varias canles: na páxina web, por teléfono ou na recepción. Non obstante, as ferramentas regulares de análise web non foron suficientes para determinar de onde proviña cada visitante, xa que os datos foron recollidos en diferentes sistemas e non estaban relacionados. Os analistas da cadea tiveron que fusionar os seguintes datos nun mesmo sistema:

  • Datos sobre o comportamento dos usuarios de Google Analytics
  • Datos de chamadas procedentes de sistemas de seguimento de chamadas
  • Datos sobre gastos de todas as fontes publicitarias
  • Datos sobre pacientes, ingresos e ingresos do sistema interno da clínica

Os informes baseados nestes datos colectivos mostrou que canles non pagaron. Isto axudou á cadea de clínicas a optimizar o seu gasto en publicidade. Por exemplo, na publicidade contextual, os comerciantes só deixaron campañas con mellor semántica e aumentaron o orzamento para xeoservizos. Como resultado, o doutor Ryadom aumentou o ROI de canles individuais en 2.5 veces e reduciu á metade os custos publicitarios.

Usar análises de punta a punta para atopar áreas of Crecemento

A situación. Antes de mellorar algo, cómpre descubrir que non funciona exactamente. Por exemplo, quizais o número de campañas e frases de busca na publicidade contextual aumentou tan rápido que xa non é posible xestionalas manualmente. Entón decide automatizar a xestión de ofertas. Para facelo, cómpre comprender a eficacia de cada un dos miles de frases de busca. Ao final, cunha avaliación incorrecta, pode fusionar o seu orzamento por nada ou atraer menos clientes potenciais.

O obxectivo. Avalía o rendemento de cada palabra clave para miles de consultas de busca. Eliminar o gasto malgastador e a baixa adquisición debido a unha avaliación incorrecta.

A solución práctica. Para automatizar a xestión de ofertas, Hoff, un minorista de hipermercados de mobles e artigos para o fogar, conectou todas as sesións de usuarios. Isto axudoulles a rastrexar as chamadas de teléfono, as visitas á tenda e todos os contactos co sitio desde calquera dispositivo.

Despois de fusionar todos estes datos e configurar as análises de extremo a extremo, os empregados da compañía comezaron a implementar a atribución, a distribución do valor. De xeito predeterminado, Google Analytics usa o último modelo de atribución de clics indirectos. Pero isto ignora as visitas directas e a última canle e sesión da cadea de interacción recibe o valor total da conversión.

Para obter datos precisos, os expertos de Hoff configuraron a atribución baseada en funil. O seu valor de conversión distribúese entre todas as canles que participan en cada paso do funil. Ao estudar os datos combinados, avaliaron o beneficio de cada palabra clave e viron cales eran ineficaces e cales trouxeron máis pedidos.

Os analistas de Hoff configuraron esta información para que se actualice diariamente e se transfira ao sistema automatizado de xestión de ofertas. A continuación axústanse as ofertas para que o seu tamaño sexa directamente proporcional ao ROI da palabra clave. Como resultado, Hoff aumentou o seu ROI de publicidade contextual nun 17% e duplicou o número de palabras clave efectivas.

Usar análises de extremo a extremo para personalizar a comunicación

A situación. En calquera empresa, é importante establecer relacións cos clientes para facer ofertas relevantes e rastrexar os cambios na fidelidade de marca. Por suposto, cando hai miles de clientes, é imposible facer ofertas personalizadas a cada un deles. Pero podes dividilos en varios segmentos e crear comunicación con cada un destes segmentos.

O obxectivo. Dividir todos os clientes en varios segmentos e crear comunicación con cada un destes segmentos.

Solución práctica. Butikun centro comercial de Moscova cunha tenda en liña de roupa, calzado e accesorios, mellorou o seu traballo cos clientes. Para aumentar a fidelidade dos clientes e o valor da vida, os comerciantes de Butik personalizaron a comunicación a través dun centro de chamadas, correo electrónico e mensaxes SMS.

Os clientes dividíronse en segmentos en función da súa actividade de compra. O resultado foi datos dispersos porque os clientes poden mercar en liña, pedir en liña e coller produtos nunha tenda física ou non usar o sitio. Debido a isto, parte dos datos recompiláronse e almacenáronse en Google Analytics e na outra parte no sistema CRM.

Entón os comerciantes de Butik identificaron a cada cliente e todas as súas compras. Con base nesta información, determinaron segmentos axeitados: novos compradores, clientes que compran unha vez ao trimestre ou unha vez ao ano, clientes habituais, etc. En total, identificaron seis segmentos e formaron regras para pasar automaticamente dun segmento a outro. Isto permitiu aos comerciantes de Butik construír unha comunicación personalizada con cada segmento de clientes e amosarlles diferentes mensaxes publicitarias.

Usar análises de extremo a extremo para determinar o fraude na publicidade de custo por acción (CPA)

A situación. Unha empresa utiliza o modelo de custo por acción para a publicidade en liña. Coloca plataformas de anuncios e paga só se os visitantes realizan unha acción específica como visitar o seu sitio web, rexistrarse ou mercar un produto. Pero os socios que publican anuncios non sempre funcionan honestamente; hai defraudadores entre eles. Na maioría das veces, estes defraudadores substitúen a fonte de tráfico de tal xeito que parece que a súa rede provocou a conversión. Sen unha análise especial que lle permita realizar un seguimento de cada paso da cadea de vendas e ver que fontes inflúen no resultado, é case imposible detectar esa fraude.

Banco Raiffeisen estaba a ter problemas coa fraude de mercadotecnia. Os seus comerciantes notaran que os custos do tráfico de afiliados aumentaran mentres os ingresos seguían sendo os mesmos, polo que decidiron comprobar coidadosamente o traballo dos socios.

O obxectivo. Detecta fraudes usando análises de extremo a extremo. Realice un seguimento de cada paso da cadea de vendas e comprenda que fontes inflúen na acción do cliente dirixido.

Solución práctica. Para comprobar o traballo dos seus socios, comerciantes de Raiffeisen Bank recolleu datos brutos das accións dos usuarios no sitio: información completa, sen procesar e sen analizar. Entre todos os clientes coa última canle de afiliados, escolleron aqueles que tiveron pausas inusualmente curtas entre sesións. Descubriron que durante estes descansos cambiouse a fonte de tráfico.

Como resultado, os analistas de Raiffeisen atoparon varios socios que se apropiaban do tráfico exterior e o revendían ao banco. Así que deixaron de cooperar con estes socios e deixaron de malgastar o seu orzamento.

Analítica de extremo a extremo

Resaltamos os retos de mercadotecnia máis comúns que un sistema de análise de punta a punta pode resolver. Na práctica, coa axuda de datos integrados sobre as accións dos usuarios tanto nun sitio web como fóra de liña, información de sistemas de publicidade e datos de seguimento de chamadas, pode atopar respostas a moitas preguntas sobre como mellorar o seu negocio.

¿Que pensas?

Este sitio usa Akismet para reducir o spam. Aprende a procesar os teus datos de comentarios.