Кейс MediaNation и Parametr: как через сквозную аналитику понять истинные желания клиентов

Девелопер Parametr хотел лучше узнать свою целевую аудиторию, чтобы адаптировать digital-стратегию под ее запросы и повысить эффективность маркетинга. Дмитрий Сергеев, аналитик в MediaNation, рассказывает, как в такой ситуации построить систему сквозной аналитики, определить портрет клиентов, их предпочтения и барьеры при покупке.  

Клиент

Parametr — девелопер, реализующий проекты в сегменте коммерческой недвижимости. Компания проектирует, строит, продает и управляет современными промышленными и логистическими парками. 

Проблема

Девелопер владеет несколькими локациями недвижимости, в которых нет стандартной нарезки блоков по площади. Это позволяет максимально гибко обрабатывать запросы клиентов. В такой гибкой системе очень важно видеть полную картину предпочтений клиентов, чтобы максимально быстро актуализировать предложения бренда. Поэтому в декабре 2023 года маркетинговый отдел Parametr обратился в MediaNation за построением системы сквозной аналитики. 

Задачи

Нужно было определить, кто является основной целевой аудиторией проектов компании:

• какими площадями помещений клиенты интересуются;

• на каких стадиях клиенты выходят из цикла сделки и на каких задерживаются; 

• какие площади и проекты клиенты в итоге чаще покупают или арендуют;

• как меняются предпочтения клиентов в зависимости от локации объектов и т.д. 

Решение

С помощью системы сквозной аналитики StreamMyData мы представили портрет клиента в виде наглядных дашбордов. Например, вот так выглядит график с динамикой спроса клиентов. Он показывает в процентах и абсолютных значениях, чем чаще всего интересовались клиенты в течение последних шести месяцев: покупкой, арендой, арендой с правом выкупа и т.д.

Техническая сторона дашборда

Процесс построения визуализированных дашбордов шел по следующим этапам: 

1. Выбрали облачную базу данных. Чтобы дашборд с визуализацией данных всегда оставался актуальным, нужно было подгружать и регулярно обновлять данные из amoCRM клиента. Для хранения данных мы выбрали облачную базу данных Clickhouse от Яндекса.

2. С помощью сервиса StreamMyData создали потоки данных. Мы получили данные из amoCRM в виде различных таблиц с информацией по лидам, воронкам продаж, клиентам, и настроили ежедневное обновление этих данных в StreamMyData.

Данные из amoCRM

4. Написали код на Python, который помог подготовить данные для визуализации. Этот код работал по следующему принципу:

• Отбирал необходимые данные из каждой таблицы amoCRM.

• Приводил данные к нужным типам: числовым, строковым, логическим, датам.

• Объединял обработанные данные всех таблиц по общим ключам — id сделки, id компании, id клиента.

• Рассчитывал категориальные метрики на основе пожеланий заказчика. Например, класс площади помещения на основе того, попадала ли запрашиваемая клиентом площадь в тот или иной диапазон значений: от 0 до 500 кв.м, от 500 до 1000 кв.м, от 1000 до 2000 кв.м и т.д.

• Обрабатывал пропущенные значения (заполнял пустые строки нулями или none-значением). Такие строки могли появиться в базе данных из-за ошибок в работе CRM или из-за того, что менеджеры на стороне клиента забыли заполнить какие-либо значения. 

5. Автоматизировали обновление данных. Мы написали скрипт, который загружал полученные данные в базу данных. А далее настроили их обновление. С этой задачей нам помог справиться Apache Airflow — инструмент с открытым исходным кодом, который запускал наш код каждые сутки в 7 часов утра. Таким образом, клиент всегда видел актуальные данные.

Как оценить эффективность отдела продаж?

Компания также хотела видеть в дашборде, как менялись предпочтения клиентов по площади помещений в процессе общения с менеджерами. Это нужно было, чтобы понять, насколько эффективно работает отдел продаж, получается ли у менеджеров увеличить стоимость сделки и, соответственно, прибыль для бизнеса. 

Однако нельзя было просто настроить стандартную выгрузку данных по сделкам, поскольку она показывала бы только значения на текущий момент времени, и мы не смогли бы узнать первоначальные пожелания клиентов. 

Чтобы отследить, как меняются запросы клиентов, мы написали дополнительный скрипт, который извлекал по API историю изменений полей сделок и любых других полей в CRM. Благодаря отслеживанию исторических изменений спроса на протяжении жизненного цикла клиента, мы видели, как меняются предпочтения по площади помещений на протяжении работы менеджеров с клиентом. Например, клиент изначально хотел приобрести проект А с площадью 500 кв.м, но после общения с менеджером понимал, что ему подходит помещение с большей площадью, и переходил на проект Б с площадью 5 000 кв.м. Если бы мы не выгружали отдельным скриптом исторические данные amoCRM, мы бы видели только информацию на текущий момент.

Финальный этап: визуализация данных

В качестве системы для визуализации данных и построения дашборда мы выбрали  мощный инструмент Apache Superset. У него открытый исходный код, а значит, можно было не бояться, что отчет вдруг перестанет работать на территории РФ. 

Ниже вы можете увидеть фрагменты финальной версии дашборда. Показатели на скриншотах мы заменили на искусственные значения, чтобы сохранить конфиденциальность данных клиента.

В начале отчета расположили сводные показатели по количеству лидов, успешных лидов и объему спроса. А сразу под ними — диаграммы с их динамикой по дням, неделям и месяцам:

Далее следуют диаграммы с динамикой лидов и объема спроса в процентах. Если значение выше оси X, значит, динамика относительно прошлой недели или месяца была положительная, если ниже — отрицательная. А сам коэффициент изменения указывается в процентах.

Под ними группа диаграмм с динамикой по лидам и объемом спроса с группировкой по проекту и по текущему статусу сделки. По оси Х идет временная шкала или дата с шагом неделя и месяц. По оси У — объем спроса в кв.м. или количество лидов. 

Например, первая диаграмма показывает изменение объема спроса по каждому из проектов обращения за неделю. Каждый цветной столбик — это отдельный проект. Так, у проекта А (голубой столбец) динамика отрицательная, спрос на него падает. А по проекту В (зеленый столбец) был резкий скачок спроса на неделе с 25 февраля, хотя в другие недели им никто не интересовался. 

Следом расположен блок с количеством лидов, объема спроса и их трендами. А также тепловые карты в виде календаря, которые показывают, в какие дни было больше лидов и больший спрос:

Продолжает дашборд группа из нескольких сводных таблиц с данными по лидам и объему спроса на пересечении проекта и класса площади:

Под ними следуют диаграммы показателей продаж с разными группировками. Например, на следующем скриншоте изображен фрагмент диаграмм изменения объема спроса по неделям и месяцам с группировкой по типу владения — аренда, выкуп и т.д. А также диаграммы с процентным соотношением каждого из элементов группы.

Далее расположены диаграммы, показывающие разброс предпочтений пользователей. Так как клиент одновременно продает/сдает объекты в нескольких проектах, важно отслеживать, склонны ли клиенты менять локацию и какой процент пользователей, привлеченных по рекламе одного проекта, в конечном итоге выбирают альтернативный проект.

Например на скриншоте ниже изображен график “sunburst” (диаграмма, похожая на солнце с ветвящимися лучами). Его внутреннее кольцо — проект обращения, среднее кольцо — основной проект, а наружнее кольцо — альтернативные проекты. Здесь можно увидеть, что из всех пользователей, которые обращались по проекту А, только 11.5% (или 9 человек) рассматривают проект Б как альтернативу. Эта же диаграмма показывает, какой процент клиентов пока не изменяет проект обращения на другой, а какой процент людей вообще не рассматривает альтернативы.

Следующий график показывает, какой процент и количество клиентов начали рассматривать другой объект недвижимости и какой именно. Так, на скриншоте ниже 23.4% или 65 человек изменили выбор с проекта А на Б, а 45.8% выбравших проект Б пришли с проект А.

Таким же образом мы смогли отследить средние изменения предпочтений по площади обращения:

Результаты 

Нам удалось отобразить на графиках и дашбордах комплексный портрет клиента и помочь компании узнать, как меняются его предпочтения. В ближайших планах команды продолжить строить систему сквозной аналитики: 

• визуализировать эффективность маркетинговых каналов и отдельных рекламных кампаний;

• создать кастомную модель атрибуции;

• визуализировать эффективность работы менеджеров с входящими лидами и т.д.

Отзыв клиента

Александр Эркен, руководитель направления рекламы и лидогенерации, компания Parametr: "Первый шаг автоматизации сбора статистики уже помогает нам быстрее и более комплексно оценить ту информацию, которую мы получаем от клиентов, а также проверить свои гипотезы. Время подготовки отчетов и поиск каких-либо данных сократился от дней до минут, и что для нас ценно, мы смогли подтянуть всю историю, которая была накоплена на стороне CRM-системы. 

В дальнейшем расширив данные внешней аналитикой каналов лидогенерации, рекламных метрик и прочей информацией мы сможем максимально точно таргетироваться и персонализировать предложения для наших клиентов, и существенно повысить эффективность от каждого вложенного рубля в рекламу".