У клиента была настроена комплексная рекламная кампания с классическим для фарм.екома сплитом — performance в Яндексе и соцсетях, программатики (First Data, Segmento, Pharm Target, Hybrid), фиды.
Раньше оптимизация рекламной кампании производилась по ROI на основании данных сквозной аналитики. Но это не отражало реальную картину, потому что ROMI первого заказа в интернет-аптеке отрицательная, окупаемость видна только с учётом последующих заказов клиента на основе CRM-данных.
У показателей по рекламной кампании тоже был потенциал для роста — использовались таргетинги по ключевым словам, интересам,товарные фиды, но сегменты для ретаргетинга и look-alike на основе данных клиента были достаточно общими и нуждались в детализации.
Решили перейти на методику расчета по LTV.
За основу для анализа транзакций мы взяли данные из CRM-базы транзакций пользователей, которые состоят в программе лояльности. В течение 3 лет клиент собирал туда данные по всем покупкам каждого клиента.
У базы был только один недостаток — в ней было … больше 9 миллионов строк. Excel такой массив информации переварить не в состоянии. На помощь пришли кастомные скрипты на Python от аналитиков агентства. Теперь процесс расчета занимал не более 15 минут.
Провели кластерный анализ данных в Python, чтобы разделить базу на сегменты по потребительскому поведению (составу чеков), для каждого сегмента выделить средний чек, частоту покупки, и по этим параметрам выделить наиболее целевые сегменты аудитории.
На основе обработанных данных мы уже понимали, как часто клиенты покупают, на какую сумму, в течение какого времени, и какие товары пользуются наибольшим спросом.
Опираясь на анализ этих сегментов, мы разработали тактики сразу по трем направлениям: привлечение новых клиентов, удержание существующих и возврат ушедших.
Приоритет в этой системе — удержание и возвращение текущих клиентов.
Были разработаны несколько типов рекламных кампаний на широкую аудиторию:
Тестировали лаконичные объявления с логотипом аптеки и призывом заказать онлайн, и эмоциональные картинки. Также использовали товарные фиды и контекстну. рекламу на поиске.
У показателей по рекламной кампании тоже был потенциал для роста — использовались таргетинги по ключевым словам, интересам,товарные фиды, но сегменты для ретаргетинга и look-alike на основе данных клиента были достаточно общими и нуждались в детализации.
Параллельно дорабатывали техническую часть аналитики — наладили подключение по API для дальнейшей автоматизации расчётов, вывели все данные в Power BI, где ведется отчетность клиентов агентства, а также настроили кастомные отчеты по LTV (общий и по сегментам в динамике).
Так клиент видел выполнение плана, прибыль по всем сегментам в режиме реального времени. Также загрузили ретро-данные до 2019 года, чтобы клиент мог видеть показатели в динамике нескольких лет:
По бизнес-показателям:
Мы добились рекордно-низкой в сравнении с конкурентами стоимости целевого действия (на треть, по данным отчета Яндекса):
Остальные показатели в рекламной кампании тоже радуют: при небольшом росте стоимости клика, коэффициент конверсии и количество конверсий опережает конкурентов по рынку в рекламируемых регионах в 2−3 раза:
В планах — дальнейшая детализация сегментов с точки зрения аналитики и оптимизация рекламной кампании на основе полученных знаний.
Начальник отдела интернет-продвижения сети аптек:
"Коллегами была проделана большая аналитическая работа при подготовке стратегии, благодаря которой получилось добиться отличных результатов в рекламной кампании. Наметить новые точки роста, а самое главное, оцифровать их! Работаем дальше!"