История успеха

Кейс сети гипермаркетов Лента: построение кроссплатформенной + оффлайн аналитической системы на базе SegmentStream

Узнайте, как сеть гипермаркетов Лента использует SegmentStream для построения кроссплатформенной + оффлайн аналитической системы

Оставить заявку
Кейс сети гипермаркетов Лента: построение кроссплатформенной + оффлайн аналитической системы на базе SegmentStream
Название компании: Лента
Сфера: Продуктовый и FMCG-ритейлер
Местоположение: Россия

О компании

Лента – многоформатный продуктовый и FMCG-ритейлер в России. Позиционируется как №1 на рынке гипермаркетов и №3 по величине выручки в food-ритейле. На текущий момент у компании 254 гипермаркета и 140 супермаркетов (плюс 75 магазинов Семья и 160 Billa). Наряду с такими известными компаниями как Утконос, TUI, Северсталь, Нетология и др. Лента входит в инвестиционную группу «Севергрупп».

На текущий момент у Ленты есть три крупных цифровых продукта: сайт Lenta.com (аудитория 7 млн. уникальных пользователей), приложение для ios и android (аудитория – 3 млн.), и проект Лента Онлайн (выш. Ленточка), который специализируется на быстрой и экспресс-доставке (1 млн. уникальных пользователей).

Проблема

Исходные цифровые продукты:

На начало 2020 года цифровые продукты Ленты представляли из себя следующие два блока.

WEB – титульный сайт lenta.com и все поддоменты. APP – основное приложение Ленты и сопутствующие ему проекты (игры, механики, VR, QR и т.д.). Ленточка (приложение доставки еды, стартап внутри компании Лента).

С точки зрения ценности для пользователей сайт и поддомены выполняли следующие функции:

  1. Ознакомление пользователей с действующими оффлайн-акциями;
  2. Ознакомление пользователей с ассортиментом и ценами;
  3. Вовлечение пользователей в программу лояльности.

Основные функции, которые закрывал блок APP:

  1. Участие пользователей в программе лояльности;
  2. Виртуальная карта, которая позволяла получать скидку на кассе в магазине; 
  3. Активация персонального промо предложения;
  4. Составление списка покупок.

Аналитические сервисы, изначально сопровождающие каждый из блоков:

  • WEB – Google Analytics и Яндекс.Метрика. GA был основным инструментом и закрывал базовые аналитические задачи. Однако ввиду семплирования его данные нельзя было назвать прозрачными, плюс крупные отчеты периодически выбивали всю систему из работоспособности. Все это делало невозможным использование GA как инструмента для измерения более глубоких данных в большей перспективе, нежели оценка статистики за один-два дня или даже неделю.
  • APP – AppsFlyer, Firebase, AppMetrica и Amplitude. AppsFlyer использовался как трекер источников инсталлов и ретаргетингов в случае запуска каких-то платных кампаний по продвижению. Все события, совершаемые в приложении, лились в сервис Firebase. Однако использовать его для аналитики было проблематично, так как он обладал довольно ограниченным функционалом выгрузки и анализа сырых данных. Сервис Amplitude использовался для продуктовой аналитики, его основной пользователь – Лента Онлайн. Сервисы AppMetrica использовался как вспомогательный инструмент.

Что двигало развитие аналитической системы:

  1. Выход на рынок e-grocery – более масштабный е-commerce рынок. Изначально сайт и приложения использовались в основном как информационные ресурсы. Мы же хотели трансформировать их в ресурсы, которые будут активно продавать.
  2. Переход к продуктовому подходу. Если раньше какие-то доработки внутри компании делались как правило для той команды, которая просто их наиболее активно запрашивала, вне зависимости от цифр, аналитики и ценности, которую они должны были принести. То с приходом продуктового подхода доработки должны были назначаться, основываясь на данных – какой профит будет от того или иного внедрения.
  3. Оцифровка маркетинговых процессов. Исторически сложилось, что на каждую нашу федеральную акцию выделялся определенный бюджет. Он распределялся на радио, тв и цифру (WEB и APP). При этом возможности проверить корректность данного сплита не было, исключительно мнение экспертов.

Александр Тычинский, Ex. Head of digital analytics Лента

Какие были требования к аналитическому решению:

1. Быстрота развертывания.

Уже в марте 2020 года команда Ленты хотела начать реализацию плана по масштабированию e-com, что должно было сопровождаться уже настроенной системой аналитики. Плюс менеджмент Ленты остро нуждался в данных по текущим процессам, поддерживающим офлайн продажи.

2. Сопоставимость бюджета на аналитику с получаемой первичной ценностью.

Клиенту было важно понимать, насколько вкладываемые в систему деньги в итоге окупятся.

3. Безопасность и надежность.

Для нас было крайне важно обеспечить высокую степень безопасности данных – в этом плане политика Ленты довольно консервативна, и в первую очередь стремится обеспечить максимальную сохранность информации о своих покупателях. Поэтому как только у нас появилось первое видение архитектуры мы пошли к нашим безопасникам и получили от них «добро». Решение, предложенное SegmentStream полностью соответствовало нашим довольно высоким требованиям к безопасности. 

Александр Тычинский, Ex. Head of digital analytics Лента

4. Минимальная привязка к внутренней инфраструктуре компании.

Так как на момент начала работ в компании уже был сформирован свой стек аналитических систем, сервисов, баз данных и т.д., попытка встроить новую систему в уже существующую инфраструктуру заняла бы слишком много времени. Поэтому на первом этапе клиент хотел получить отдельно работающую аналитическую систему, которую в дальнейшем можно было уже интегрировать в in-house решение.

Решение

Весь процесс внедрения аналитической системы выглядел следующим образом:

Ключевым продуктом, на базе которого было построено решение, стала платформа SegmentStream.

SegmentStream — платформа маркетинговой аналитики и ML-атрибуции, которая позволяет собирать и объединять все маркетинговые данные, применять модель мультиканальной ML-атрибуции, охватывающую все источники трафика, а также автоматически оптимизировать маркетинговые инструменты на основе аналитических данных.

Архитектура решения SegmentStream для Ленты

Шаг 1. Сбор всех данных в хранилище Google BigQuery

Для построения аналитической системы, закрывающей все необходимые по проекту задачи, в первую очередь было необходимо собрать разрозненные данные о поведении пользователей на сайте, в приложении и офлайн и перенести их в хранилище Google BigQuery. Далее – связать все эти данные между собой.

SegmentStream поддерживает любые источники данных о поведении пользователей, поэтому никаких проблем с подключением не возникло. Мы собрали:

  1. Поведенческие данные по сайту;
  2. Информацию о расходах на рекламу со всех рекламных площадок; 
  3. Данные мобильного приложения;
  4. Информацию о реальных чеках (онлайн и офлайн).

Чтобы собрать APP данные, мы настроили коннекторы фактически во всех инструментах, которые использовали и затем также, как данные по сайту, в сыром виде стримили их в BigQuery. Здесь важно упомянуть, что мы смэтчили данные по источникам трафика из AppsFlyer и App Метрики с данными о поведении пользователей из FireBase – причем как на уровне идентификаторов пользователей, которые были авторизованы, так и на уровне идентификаторов устройств для неавторизованных пользователей. Таким образом, ни один пользователь не остался не связанным.

Александр Тычинский, Ex. Head of digital analytics Лента

Последним этапом информация о реальных чеках – онлайн и офлайн – с привязкой к идентификатору пользователя, также заливалась в Google BigQuery, трансформировалась и затем связывалась с источниками трафика и данными о поведении пользователей сайта и приложения.

У нас была информация о созданных заказах (на сайте или в приложении), но при этом не было никаких данных об их выкупаемости. Причем на начальных этапах реализации нашей стратегии она была довольно низкая, ввиду отсутствия какой-либо предоплаты для онлайн-заказов (выкупалось обычно лишь 60 % заказов). Благодаря онлайн-чекам мы либо подтверждали эту выкупаемость, либо помечали заказ как отказной. 

Добавив в единое хранилище информацию по офлайн чекам и связав все данные между собой мы смогли понять ценность транзакций по всем каналам. Дополнительно, как еще один этап, приведший к конверсии пользователя, мы оценивали sms и push. Эти формы коммуникации не всегда приводили к трафику на сайт, однако могли послужить триггерами к покупке в магазине – пользователь видел на экране своего смартфона какое-то ценностное предложение и не переходя на сайт или в приложение, сразу шел в магазин и применял его.

Александр Тычинский, Ex. Head of digital analytics Лента

Шаг 2. Включение предиктивной модели атрибуции SegmentStream

После того как данные начали поступать в хранилище Google BigQuery, стало возможным построение модели атрибуции SegmentStream. Используя возможности машинного обучения и посредством анализа сложных поведенческих паттернов пользователей и прогнозирования конверсий для каждой сессии (показатель «Вероятность покупки»), модель смогла определить ценность каждой сессии посещения – причем как сайта так и приложения*.

*См. наши подробные статьи и другие кейсы для детального изучения логики мультиканальной ML-атрибуции SegmentStream. 

В контексте движение лида по воронке продажи классические ретроспективные модели атрибуции учитывают только те истории, которые завязаны на единый cookie-файл. В SegmentStream нас сразу привлекла возможность присваивать ценность всем сессиям, в том числе тем, которые оборвались. Часто это было связано с тем, что пользователи в соцсетях использовали встроенные браузеры на своих смартфонах. Та же история с Telegram. И если раньше подобные кроссбраузерные и кроссплатформенные путешествия пользователей делали статистику не точной, теперь, даже если сессия обрывалась, модель атрибуции присваивала ей ценность основываясь на вероятности покупки.

Александр Тычинский, Ex. Head of digital analytics Лента

Шаг 3. Визуализация отчета для анализа эффективности маркетинговых каналов

После объединения и анализа всех данных с помощью мультиканальной ML-атрибуции был создан маркетинговый отчет, наглядно показывающий вклад каждого канала в осуществление конверсий – на сайте, в приложении и офлайн.

Результаты

Ценности для маркетинга:

  1. Оцифровка рекламных кампаний, выделение ключевых KPI и определение их целевых показателей.

  1. Поддержка федеральных активностей через диджитал (в основном с помощью поддоменов) стала сопровождаться не только креативом, но и численными планами по ключевым цифровым показателям исходя из ожидания вклада online канала. 

  1. Построение кроссплатформенной модели оценки эффективности каналов привлечения трафика (Last Non Direct Click + ML от SegmentStream), на основе которой маркетологи Ленты начали принимать решения относительно сокращения/наращивании бюджета в соответствующих каналах. 

Ценности для продуктовой команды:

Возможность построения кроссплатформенных воронок и выявление в них узких мест.

Отзыв клиента

Один из критериев, по которому мы выбрали SegmentStream – это возможность продукта к гибкой кастомизации. Ребята были очень отзывчивы на все наши потребности, которые часто возникали в процессе внедрения. Это касалось как небольших доработок, так и в целом: мы совместными усилиями смогли адаптироваться под наш проект и построить во-первых кроссплатформенную систему (WEB, APP, email, PUSH, SMS), плюс связанную с оффлайном. 

В результате мы имеем именно то, что нам было необходимо: свои данные и сопутствующие им инсайты получили как маркетинговая команда, так и продуктовая. Спасибо всей команде SegmentStream за скорость, отзывчивость в работе и высокий профессионализм.

Александр Тычинский, Ex. Head of digital analytics Лента

Вас также может заинтересовать

Все истории успеха

Начните работу с SegmentStream

Оставьте заявку на персональную демонстрацию!