Какую BI-аналитику нужно собирать в современном интернет-магазине и как это делать
Чем больше интернет-магазин, тем больше данных нужно обрабатывать. И когда Яндекс Метрика уже не помогает — это сигнал, что ��ора строить BI-систему. Она поможет понять поведение пользователей и быстрее приведет к целям бизнеса.
Василий — руководитель отдела e-commerce в большом интернет-магазине косметики «Золотая груша» (выдуманном нами для этого текста). Его отделу нужно знать, почему тени для век плохо продаются, а бальзамы для губ условного бренда «БьютиЛипс» — бестселлер. Рассказываем, что делать выдуманному персонажу с невыдуманной и частой проблемой.
Что делать магазину косметики
Василий с коллегами днями сидит в Яндекс Метрике: смотрит, откуда приходят посетители и сколько их ежемесячно. А ещё он мониторит сделки в CRM-системе: в каком состоянии находятся заказы и сколько их в среднем за день. В массиве данных из разных систем и инструментов легко запутаться, поэтому команда Василия собрала важные данные в одном месте — в Google Таблице.
Дело это не облегчило — отдел также путается в куче данных. На этом этапе Василий понимает, что пора строить BI-систему.
BI-система — это система визуализации данных. В ней собраны все важные данные для бизнеса из разных систем и инструментов: CRM, Яндекс Метрики, Google Аналитики и других.
Как BI-аналитика помогает интернет-магазинам
После построения BI-отчётов Василий достиг главной цели — понял поведение пользователей на платформе: узнал, какая часть аудитории возвращается за покупками, и определил, что не нравится новым посетителям. А ещё стал лучше понимать основные показатели, которые важны для любой отрасли и ниши.
- Продажи. Например, сколько их в среднем за месяц и есть ли сезонность.
- Конверсия. В интернет-магазинах важны две конверсии. Первая — конверсия по шагам: как пользователь открывает интернет-магазин и заканчивает свой визит, оформляя заказ. Вторая — конверсия из MAU в MAC: какое количество уникальных пользователей, которые активно пользуются интернет-магазином, на выходе делают хотя бы одну транзакцию.
- Доля расходов на рекламу. Важно знать эффективность закупки. В этом помогут два коэффициента. ROI — коэффициент рентабельности инвестиций, он поможет рассчитать окупаемость вложений в проект. А также ROMI — коэффициент возврата маркетинговых инвестиций.
- Гросспрофит. Разница между выручкой и себестоимостью проданной продукции.
Когда нужны BI-отчёты и почему они подходят не всем
Выдуманная нами «Золотая груша» — это крупный косметический ритейлер. Предположим, что ежемесячно через интернет-магазин совершается миллион покупок. Поэтому кроме общих показателей Василию нужны специфические метрики.
Его коллеге Ивану Ивановичу, руководителю отдела e-commerce в сети аптек «ФармЛаб» (тоже выдуманной нами), тоже нужно знать специфические метрики. Например, количество продаж рецептурных и безрецептурных препаратов и их соотношение.
Если нужно знать специфические показатели — нужна BI-система. Эти показатели нужны крупному и среднему бизнесу — например, интернет-магазинам, у которых много покупателей и нужно сделать персонализированные рекомендации для покупок.
Маленьким магазинам не нужна BI-система. Когда данных мало, нечего визуализировать. Сведения из CRM и Яндекс Метрики легко смотреть без визуализации.
Начинать сразу с BI-отчётов вредно. На старте это не поможет, а лишь усложнит работу. Будет непонятно, какие метрики полезны, а какие нет.
Главное помнить, что все показатели похожи, независимо от направления интернет-магазина. Неважно, аптека это или косметика. Всё сводится к «общей формуле» сбора аналитики для интернет-магазинов.
Как внедрить BI-аналитику
Резюмируем, когда нужна BI-система:
- Интернет-магазин понимает, что на текущем этапе развития недостаточно статических данных из Яндекс Метрики для понимания поведения пользователей, оценки окупаемости акции или статистики по использованию программы лояльности. Для этого нужны BI-система и специфические метрики.
- Интернет-магазин знает, зачем нужна BI-аналитика. Например, чтобы визуализировать данные о поведении пользователей на сайте и увеличить продажи.
- Интернет-магазин понимает, что что-то идёт не так, хотя вкладывает много денег в развитие.
Когда определили цель, идём строить BI-отчёты. Их нужно постоянно поддерживать и адаптировать под новые условия бизнеса. Потому что «Золотая груша» за год претерпела тысячу изменений и уже не такая, как год назад.
Универсального решения нет — всё зависит от целей бизнеса. Сроки построения BI-отчётов сильно зависят от того, сколько существует интернет-магазин и какие у него цели. Но если очень примерно:
- Сбор данных занимает от месяца до полугода. Это первый шаг в сторону построения BI-системы. В компании могут думать, что все данные уже есть — например, в CRM или кассовой системе. На деле этого не хватает для построения отчётов будущей BI-системы. Ведь разрозненные данные из всех систем должны быть собраны в агрегирующей базе данных.
- Обработка данных — от двух месяцев. Кроме сбора данных обязательно нужна их постобработка. Помните, что BI-система — это лишь инструмент для визуализации, который можно использовать и с «сырыми» данными. Но на деле эти отчёты или графики будут не показательны без обработки. Ведь даже для такой простой, на первый взгляд, метрики, как средний чек за месяц, нужны дополнительные расчёты.
- Визуализация отчётов — занимает меньшую часть времени из процесса. Обычно до месяца. На этом шаге мы и получаем BI-систему, которой можно пользоваться и которая помогает наглядно анализировать метрики.
Как мы внедрили BI-систему в McDonald’s
В сети ресторанов понадобилась BI-система как единый инструмент аналитики из-за сложной системы оферов. К оферам относятся, например, комбо. В какой-то момент в некоторых городах оферы настолько развились, что заказов без оферов стало меньше, чем заказов с ними.
Кроме общих и специфических метрик понадобилась отдельная отчётность на окупаемость и гросспрофит оферов в зависимости от города. Мы не просто собирали чеки и выводили отчётность — этого не хватало. Нам предстояло раскладывать чеки на продукты:
- Сколько продуктов из чека куплено без акции.
- Сколько продуктов из чека — оферы.
- Сколько людей купили продукт без акции и сколько с применением офера.
Так, средняя стоимость продукта менялась. Один и тот же товар в ресторанной сети приносил разный доход в зависимости от города. И где-то даже давал убыток.
Вторая особенность — сегментация пользователей. Мы составляли портрет пользователя по поведению:
- как часто пользователь заходит в приложение;
- с какого устройства он это делает;
- что заказывает.
Благодаря сегментации мы увеличили конверсию и сделали персонализированные оферы для каждой группы пользователей. Возьмём, например, группу, которая полгода заказывала еду и вдруг перестала — то есть уходящую. Персонализированные предложения помогали возвращать эту группу и превращать её в активную.
Любая система аналитики — это регулярный процесс. Нельзя сделать универсальный набор отчётов и больше их не обновлять. Ведь бизнес постоянно движется к новым целям.
Обратиться за помощью к профессионалам — хорошее решение на любой стадии развития проекта. Мы в ADV понимаем, какие метрики отслеживать и оценивать. Заранее знаем результаты экспериментов и нового функционала. Понимаем, что нужно быстро исправить — опираемся на опыт и знаем частые проблемы бизнеса. А ещё это дешевле и быстрее, чем работать с отдельными подрядчиками под каждую задачу или нанимать штат специалистов. В ADV мы отвечаем за полный цикл — от сбора данных до визуализации отчётов.