Cara mengotomatiskan pelaporan pemasaran dalam bisnis restoran

Dengan bantuan agen pemasaran dan produk OWOX BI, pemasar di rantai restoran telah sepenuhnya memperbarui sistem analitik mereka.

Terdapat 57 restoran dan lokasi layanan pesan antar, yang menyajikan masakan Jepang dan Italia. Sehubungan dengan penskalaan dan diversifikasi bisnis, departemen pemasaran menghadapi tugas baru:

• Pahami aktivitas periklanan apa yang mendatangkan pengguna baru ke situs web dan aplikasi seluler dan berapa biaya untuk menarik klien. Mereka harus menggabungkan data dari situs web, aplikasi seluler, dan sistem CRM untuk mengetahuinya.
• Terima laporan kinerja cepat dan bandingkan kinerja sebenarnya dengan perkiraan. Untuk ini, mereka perlu mengotomatiskan pelaporan pemasaran.
• Mengevaluasi dampak inkremental tayangan media pada saluran kinerja dan aktivitas situs web dan aplikasi seluler yang ditargetkan. Untuk melakukannya, mereka menggabungkan data mentah di tingkat ID klien dengan tayangan dari Manajer Kampanye.

Mari kita lihat bagaimana mereka menyelesaikan setiap tugas ini dan memberikan beberapa saran kepada mereka yang baru memulai jalur otomasi pemasaran.

Catatan: Semua laporan yang disajikan dalam artikel didasarkan pada kumpulan data uji.

Tim membangun analitik lanjutan berdasarkan OWOX BI, Google BigQuery, dan Power BI. Secara skematis, sistemnya terlihat seperti ini:

OWOX BI mengimpor data biaya dari semua sistem periklanan serta data situs web mentah dari Google Analytics dan data aplikasi dari AppsFlyer. Kemudian mengirimkan semua data ini ke Google BigQuery.

Google BigQuery juga menerima metrik perkiraan yang dihitung oleh pakar agensi di antarmuka menggunakan bahasa R.

Di dalam Google BigQuery, data diproses dan digabungkan menggunakan tampilan dan kueri terjadwal.

Terakhir, data divisualisasikan di Power BI.

Tim berfokus pada tiga laporan yang dapat digunakan untuk melacak metrik yang diperlukan:

• Laporan manajemen dasar untuk sistem balanced scorecard
• Laporkan tentang cara menarik pengguna ke situs web
• Laporkan menarik pengguna ke aplikasi

Mereka mengembangkan Matriks Dampak — hierarki metrik — untuk menentukan metrik mana yang menjadi fokus dan dalam kasus apa. Mereka juga menggunakan metodologi balanced scorecard untuk memantau data prediksi. Akibatnya, mereka menerima laporan yang memungkinkan untuk:

• memahami metrik mana yang di depan dan mana yang di belakang rencana
• melacak KPI utama yang memiliki bobot berbeda untuk bisnis (CPO, CR, Pendapatan, RKT)
• memprediksi KPI

Dalam arsitektur laporan, dapat dibedakan tiga level: level bisnis, level KPI, dan level detail.

Tingkat bisnis

Pada level ini, Anda dapat melihat rencana vs fakta untuk metrik bisnis penting.

Dari data diatas, tim dapat menyimpulkan bahwa CR KPI telah terlampaui sebesar 43%. Pada saat yang sama, volume lalu lintas dan konversi tidak mencapai nilai yang direncanakan. CR yang tinggi dapat menunjukkan situs web dan UX aplikasi yang bagus — hanya ada sedikit penurunan, dan pengguna melakukan konversi dengan baik. Namun, perlu meningkatkan volume lalu lintas untuk memastikan volume penjualan yang dibutuhkan.

tingkat KPI

Berdasarkan laporan tingkat KPI, pemasar menganalisis penempatan yang efisien dan tidak efisien dari sudut pandang CR dan indikator biaya — ini memungkinkan untuk membagi anggaran dengan cepat antar saluran untuk memenuhi rencana umum.

Laporan tersebut mengilustrasikan korespondensi tingkat atas KPI yang direncanakan dan aktual (CR, Kunjungan, Pendapatan, Transaksi) dengan nilai perkiraan. Misalnya, Anda dapat melihat bahwa rencana untuk keseluruhan volume lalu lintas situs web tidak terpenuhi, namun hal ini diimbangi dengan CR yang lebih tinggi pada lalu lintas organik dan langsung. Oleh karena itu, CR lalu lintas berbayar (jenis BPK) perlu ditingkatkan dengan pengoptimalan yang lebih dinamis atau peningkatan harga pembelian. Tim mungkin juga perlu meningkatkan pembelian lalu lintas berbayar pada prinsipnya untuk memenuhi rencana lalu lintas umum.

Tingkat rinci

Pada tingkat ini, pemasar melihat dinamika metrik berdasarkan wilayah dan jenis perangkat — hal ini juga membantu mengarahkan anggaran ke hal yang lebih baik.

Dari data diatas dapat disimpulkan bahwa tim miss plan dari segi jumlah transaksi dan CR untuk periode analisa yang diberikan sebesar 5,5%. Pada saat yang sama, lalu lintas desktop dan seluler menunjukkan kecenderungan yang kurang lebih sama untuk tertinggal dari volume konversi (desktop turun sebesar 5,7%, seluler sebesar 5,6%). Karenanya, kedua jenis perangkat menghasilkan jumlah konversi yang sama. Namun untuk mengoptimalkan, lalu lintas di bagian CR harus dianalisis.

Di sini, terlihat bahwa lalu lintas seluler (1,8%) dan lalu lintas tablet (2,8%) menunjukkan CR terendah di bulan Desember. Karena lalu lintas seluler menghasilkan jumlah konversi yang sama dengan lalu lintas desktop dan mungkin lebih murah, pemasar dapat mencoba mengoptimalkan lalu lintas seluler dengan membeli lalu lintas berkualitas lebih baik untuk meningkatkan CR-nya.

Grafik ini mengilustrasikan rencana kinerja untuk lalu lintas lintas kota. Dengan informasi tentang volume yang dibeli, kita dapat menyimpulkan di mana performa buruk sangat penting dan memengaruhi keefektifan semua kampanye.

Berkat laporan ini, tim dapat membagi semua pembelian menjadi pelanggan baru dan kembali. Hal ini memungkinkan untuk mengecualikan pelanggan yang kembali dari kampanye iklan untuk pelanggan baru, sehingga mengurangi CPO di semua saluran. Dengan melihat statistik di bagian saluran untuk kembali dan pengguna baru secara bersamaan, pemasar dapat memahami sumber mana yang mendorong lebih banyak pesanan baru dan memiringkan anggaran sesuai keinginan mereka. Di sumber-sumber di mana pembelian berulang berlaku, mereka mengurangi anggaran, sehingga mengurangi total CPO yang direncanakan.

Omong-omong, KPI utama dalam laporan ini dihitung berdasarkan data CRM.

Laporan di atas menunjukkan bahwa jumlah pembelian baru terbesar untuk semua lalu lintas dari situs web dipimpin oleh inst_kz (81,82%), Iklan Facebook (43,45%), mobrain_int (31,25%), dan gomobile_int (30,38%). Karena, secara umum, perusahaan memiliki audiens yang aktif dan loyal serta persentase cakupan pasar yang tinggi, jelas mengapa beberapa situs web mengarahkan pelanggan yang telah melakukan pemesanan setidaknya satu kali dalam aplikasi. Untuk efisiensi dan pelaksanaan KPI Akuisisi Pelanggan yang lebih baik, tim dapat mencoba mengecualikan audiens CRM aktif dalam pengaturan kampanye iklan dan meluncurkan promosi untuk pelanggan baru.

Di sini, Anda dapat melihat bahwa lebih dari separuh lalu lintas desktop di semua grup saluran adalah pelanggan kembali. Ini menunjukkan pentingnya bekerja dengan basis yang loyal dan meningkatkan retensi.

Dengan analitik post-view, Anda dapat mengevaluasi pengaruh aktivitas media terhadap jumlah pesanan.

Statistik tayangan diunggah ke BigQuery dari Google Campaign Manager dan dirinci hingga ke pengguna individu (client ID). Laporan tersebut membandingkan segmen dari mereka yang melihat dan mereka yang tidak melihat iklan media. Hasilnya, kami dapat mengevaluasi efek inkremental tayangan media pada saluran kinerja dan tindakan yang ditargetkan di situs web dan di aplikasi seluler.

Misalnya, tim mengetahui bahwa konversi pesanan dari mereka yang melihat video dan spanduk 42% lebih tinggi daripada mereka yang tidak melihatnya. Karena analitik post-view, mereka juga menentukan bahwa audiens dari mereka yang melihat iklan media menghasilkan pendapatan dua kali lipat.

Di masa mendatang, tim berencana untuk mengembangkan pelaporan lintas platform. Langkah pertama adalah mengevaluasi dampak lalu lintas web terhadap konversi aplikasi dengan menautkan data aplikasi seluler dan situs web. Pelaporan semacam itu akan menciptakan pemahaman lengkap tentang nilai saluran periklanan dan menilai dampaknya satu sama lain. Ini juga akan membantu membuat keputusan manajemen tentang pengembangan saluran interaksi pelanggan dan menyesuaikan strategi komunikasi pemasaran.