Power BI аналитика для интернет-магазина парфюмерии: выявили неэффективные рекламные кампании и снизили CPO на 100 рублей

Для магазина парфюмерии мы вели рекламу в Яндекс.Директе и Google Ads. Более 85% всех заказов генерировались «Умными торговыми кампаниями» Google Merchant. Это когда Гугл сам на основе фида товаров создает рекламные объявления и показывает их аудитории сайта. С помощью машинного обучения он добивается максимальной эффективности рекламы.

Мы работали с такими KPI от клиента:

Во время эпидемии коронавируса в марте — апреле 2020 года объем заказов начал стремительно падать, CPO расти, и нам предстояло это исправить.

В начале работы с клиентом мы в конце каждой недели в Гугл.Таблицах вручную заполняли отчет, который показывал расходы и CPO по каналам Яндекс.Директ и Google Ads.

Чтобы сформировать такой отчет, нам нужно было вытащить из рекламных кабинетов Яндекс.Директа и Google Ads данные о расходах на рекламу, чтобы затем соотнести их с данными по конверсиям из Яндекс.Метрики.

У отчета было несколько минусов.

1. Не показывал дневную динамику. Динамика расходов и заказов по дням помогает понять, в какие дни покупатели лучше покупают товары, а в какие — хуже. Плюс это позволяет вовремя заметить, что продажи вдруг начинают падать, и вовремя принять меры: внести изменения в автостратегии, увеличить или, наоборот, уменьшить дневные лимиты, добавить корректировки ставок.

2. Не было данных в разрезе кампаний и товаров. Заполнять такой отчет вручную каждую неделю, а тем более каждый день, было бы очень трудоемко. Названия кампаний во многих UTM-метках могли не совпадать с фактическими именами кампаний, а параметр campaign_id — уникальный идентификатор, по которому можно было бы потом легко сопоставить данные — был добавлен не везде.

Поэтому глубокую аналитику в разрезе кампаний мы проводили лишь в те моменты, когда намечался явный спад по заказам, а CPO рос. Во всех остальных случаях мы больше ориентировались на какие-то косвенные показатели вроде процента отказов, глубины просмотра или конверсии в Google Ads.

3. Конверсии в Google Ads и Яндекс.Метрике довольно сильно отличаются. Например, мы видели, что какой-то товар проседает по CPO в Google Ads, отключали его. А оказывалось, что в Яндекс.Метрике он, наоборот, был конверсионным и имел низкий CPO. В результате продажи падали, клиент был недоволен.

Стало понятно, что из-за ручной сборки отчетов и сопоставления данных мы не можем оперативно и, главное, своевременно вносить необходимые изменения в рекламные кампании. Мы решили автоматизировать процесс сбора данных. Для этого мы построили решение на базе Power BI, облачной базы данных BigQuery и языка программирования R.

Данные по расходам и кликам мы выгружали из рекламных кабинетов Яндекс.Директа и Google Ads по API, а данные по конверсиям — из Яндекс.Метрики. Полученные данные затем сопоставлялись по UTM-меткам с помощью языка R, чтобы потом выгрузить их в облачную базу данных BigQuery. Для визуализации данных воспользовались решением от Microsoft — Power BI.

В конечном счете сделали автоматизированный отчет, где нам стали доступны следующие данные для анализа:

Параметры:

Метрики:

Для корректного сопоставления данных из Яндекс.Директ и Google Ads с данными из Яндекс.Метрики мы заново во всех кампаниях проставили UTM-метки. В них мы добавили всевозможные динамические параметры, в т. ч. {campaignid}, который ранее был добавлен лишь в отдельных кампаниях.

Вся проблема в том, что «Умные торговые кампании» Гугла в отличие от обычных имеют меньше возможностей для оптимизации. В «Умных торговых кампаниях» мы можем влиять только на список рекламируемых товаров, целевое местоположение (Geo), тип устройства (например, выключить планшеты и мобильные и оставить только десктоп) и место размещения (площадки). Данные по площадкам Google Ads в UTM-метках нам не отдает, остается {product_id}, {device} и {loc_physical_ms}. Их мы и добавили.

Теперь нам больше не нужно вручную сопоставлять все данные. Они сами подтягиваются в наш Power BI отчет из рекламных кабинетов и систем аналитики.

Данные обновляются каждый час, что дает нам возможность в режиме реального времени видеть, по каким товарам проседает CPO и снижаются заказы, а где, наоборот, наблюдается рост.

Регулярно работая с данными из автоматического отчета, нам постепенно удалось снизить CPO c 866 до 724 руб. при одновременном росте заказов более чем в 1,5 раза:

Дополнительно к десктопной версии отчета мы создали мобильную версию отчета, чтобы всегда быть в курсе всех изменений, происходящих в рекламе в режиме реального времени. Для просмотра отчета с мобильного нужно:

1. Скачать приложение Power BI к себе на телефон.

2. Предоставить свою почту от аккаунта PowerBI, на который мы выдадим доступ.

3. Начать пользоваться отчетом.

В мобильной версии отчета клиент и мы может видеть ежедневную динамику по заказам, CPO, и поверхностно оценить ситуация в рекламе.