Коллтрекинг - алгоритм будущего
Сейчас все большую популярность (и довольно заслуженно) набирает коллтрекинг. Давайте объективно разберемся, чего действительно можно ожидать от этого инструмента, а что является очередным мифом контекстной рекламы.
Начнем со статического коллтрекинга. Ярким представителем этого вида коллтрекинга является целевой звонок Яндекс.Директа. Каждому рекламному каналу выделяется отдельный номер телефона. Чтобы отследить эффективность контекстной рекламы с точностью, скажем, до объявлений, необходимо подключить количество телефонных номеров, равное количеству объявлений в рекламной кампании. Учитывая тот факт, что обычно количество объявлений в аккаунте может достигать тысяч и даже десятков тысяч, нетрудно сделать вывод, что статический коллтрекинг никоим образом не может выступать как реальный инструмент, используемый на практике. Собственно, на этом можно поставить точку, говоря о статическом коллтрекинге.
Более применимым в реальной практике инструментом является динамический коллтрекинг. Суть его состоит в том, что каждому посетителю сайта показывается уникальный номер телефона. Этот номер телефона закрепляется за этим пользователем либо определенный период времени (обычно 15 минут), либо до того момента, когда этот номер телефона потребовался очередному посетителю сайта. Если в этот период времени происходит звонок, то считается, что этот звонок совершил именно этот посетитель. Собственно, здесь заложена самая большая ошибка динамического коллтрекинга. Т.е. привязки звонка к конкретному посетителю сайта. Однако, как показывает практика, при достаточном количестве телефонных номеров эта ошибка составляет величину меньше 5-10%, и ей, как правило, можно пренебречь. Величина этой ошибки в достаточно сильной степени зависит от вида бизнеса. При покупке достаточно дешевых товаров или услуг, величина этой ошибки может составлять единицы процентов. А вот для дорогих товаров или услуг (например, при покупке квартиры) величина этой ошибки может быть очень значительной. Ну, и понятно, что чем большее количество телефонных номеров используется для коллтрекинга, тем меньше будет величина ошибки.
Стандартная стоимость виртуального телефонного номера у поставщиков коллтрекинга составляет величину 500-800 руб. в месяц. Поэтому при использовании десяти телефонных номеров расходы на коллтрекинг составят примерно 5-8 тыс. руб. в месяц. Ниже приводится примерный расчет необходимого количества телефонных номеров в зависимости от количества посетителей сайта.
Зависимость необходимого количества телефонных номеров от посещаемости является линейной. Поэтому не составит особого труда посчитать количество необходимых номеров для других величин посещаемости. Также количество необходимых номеров зависит от среднего времени, проводимого пользователями на сайте. Однако эта зависимость достаточно слабая и в пределах среднего времени на сайте 2-5 минут ею можно пренебречь.
Необходимым условием использования коллтрекинга является использование на сайте одного многоканального телефонного номера. При звонке на виртуальный номер происходит переадресация на этот единый многоканальный телефонный номер.
Ну, вот до сих пор все было вроде бы понятно. А вот теперь самое главное – как обрабатывать полученные результаты. Во-первых, звонок это еще не покупка. Это вполне могут быть нецелевые звонки – могут звонить конкуренты, поставщики, пользователи из других регионов и просто случайные люди, запомнившие, например, номер телефона, когда он принадлежал совсем другой фирме. Причем, практика показывает, что нецелевых звонков может быть больше, чем целевых. Поэтому статистику по звонкам желательно обрабатывать. Для этого все поставщики коллтрекинга вводят поле, обычно называемое «Тег». В этом поле можно проставить любой символ (слово, фразу), которые послужит впоследствии критерием ценности звонка. В примитиве – какой был звонок – целевой или нецелевой. Однако для еще более точной настройки контекстной рекламы желательно снабдить целевые звонки цифрами, показывающими ценность клиента. Например, все целевые звонки можно помечать тегами «Клиент 1», «Клиент 0,2», «Клиент 5». Это будет означать, что первый звонящий стал средним клиентом, который принес среднюю по фирме прибыль. Второй звонящий был мелким клиентом, который принес в 5 раз меньше прибыли, чем в среднем по фирме. И, наконец, третий звонящий был крупным клиентом и принес в 5 раз больше прибыли, чем средний чек по фирме. Обратим внимание, что абсолютные цифры прибыли здесь не нужны, а нужны только относительные цифры.
Ну, и наконец, самое главное – как обрабатывать полученную статистику. Например, мы собрали в течение какого-то периода статистику по целевым звонкам и увидели, что по каким-то ключевым фразам были такие звонки. Что дальше? Отключить те фразы, по которым звонков не было? В результате через пару месяцев будем иметь исключительно неэффективную рекламную кампанию. То, что нужно поднять ставки на те фразы, по которым были звонки – это понятно. Но самое главное – на сколько нужно поднять ставки. Да еще сделать это так, чтобы не «вывалиться» из бюджета. И здесь, как ни крути, не обойтись без аппарата математической статистики. Причем, стандартный подход, обычно применяемый в статистической обработке каких-либо данных, не сильно-то и подходит. Что толку от знания того, что «данное значение попадает в доверительный интервал с вероятностью 95%»? Практически никакого. Может нужно увеличить точность, а может быть можно обойтись и меньшим значением точности. Поэтому здесь более применима аппроксимация процесса накопления статистических данных комбинацией каких-либо простейших функций. Тех, кто не против посмотреть математику этого процесса, отправим к этой статье. Если кратко, то суть такой аппроксимации состоит в том, что в отсутствие данных мы исходим из прогнозного значения коэффициента конверсии, а по мере накопления этих данных плавно переходим к статистически значимому коэффициенту конверсии. В результате такой обработки мы будем иметь максимально эффективную рекламную кампанию. Однако добавим холодного душа к этой радужной картине. Чтобы прийти к максимальной эффективности потребуются годы и даже десятки лет наработанной статистики. Зависимость тут простая – чем больше период времени накопления данных и, чем больше бюджет, тем быстрее будет происходить переход к оптимальному состоянию.
Теперь попробуем на простейших примерах разобрать, как нужно обрабатывать статистику. Допустим, что за первую неделю мы получили следующие данные по целевым звонкам:
В данном случае нам неважно, по каким объектам мы получаем статистику (ключевые фразы, объявления или же группы объявлений). Однако чтобы было понятнее, допустим, что получены данные по ключевым фразам и в таблице приведены id ключевых фраз. Кроме того, подчеркнем, что речь идет именно о целевых звонках, поэтому их не так уж и много. Теперь предположим, что мы ничего не предпринимали по результатам статистики за первую неделю. За две недели (включая первую) мы получили следующие результаты:
Обратим внимание на то, что у фразы 1234 количество звонков увеличилось на 1. У фразы 893 количество звонков не изменилось. И добавилась фраза 794 с двумя звонками. И вот теперь проанализируем полученные результаты:
- Если бы на основании данных первой недели мы отключили бы фразы с нулевым коэффициентом конверсии, то на второй неделе не получили бы звонков с фразы 794.
- Если бы на основании данных первой недели мы сильно понизили бы в приоритете фразу 794, то могли либо вообще не получить звонков с этой фразы, либо получить меньше звонков.
Основные выводы, вытекающие из этих рассуждений, следующие:
- Если мы отключаем какие-либо фразы (площадки, время показа, регионы и т.п.), то мы никогда не получим данных по их коэффициентам конверсий. Повторю – НИ-КО-ГДА!
- Если мы отключаем какие-либо фразы, не дождавшись статистически значимых результатов, то эффективность рекламной кампании уменьшается.
- Изменять ставки нужно постепенно по мере накопления достоверных статистических данных. И только тогда, когда статистически значимые данные говорят о том, что на фразу нужно установить ставку ниже минимальной (обычно 30 коп.), фразу можно отключить. Хотя обычно такой необходимости нет, поскольку уменьшение ставки в 10 раз уменьшает расход примерно в 100 раз за счет того, что и количество кликов тоже уменьшается примерно в 10 раз. Кроме того нужно понимать, что при увеличении бюджета (если бизнес, что называется, «пошел», и оборот увеличивается) фраза вполне может выйти из этого нижнего коридора. Поэтому лучше вообще не отключать фразы, а оставлять их на минимальной ставке.
Теперь несколько слов о том, имеет ли смысл использовать коллтрекинг, если большая часть клиентов приходит в фирму, минуя сайт. Ответ очевиден – конечно, имеет. С чисто теоретической точки зрения, если хотя бы один клиент определен с помощью коллтрекинга, это уже позволяет хоть и немного, но увеличить эффективность контекстной рекламы. И чем большее количество клиентов позволяет определить коллтрекинг, тем более окупаемыми становятся затраты на коллтрекинг. Все маркетинговые исследования как раз и построены на том, что на основе опроса малой части целевой аудитории (главное, чтобы эта часть была репрезентативной) можно сделать статистически значимые выводы. В случае с коллтрекингом ситуация аналогичная. Если удается достоверно идентифицировать пути прихода на сайт даже небольшой части реальных клиентов фирмы, то правильная обработка этих данных может увеличить эффективность контекстной рекламы в достаточной степени, чтобы оправдать затраты на коллтрекинг.
Все вышеприведенные рассуждения позволяют нам утверждать, что только такой подход способен привести к максимальной эффективности контекстной рекламы, и именно такого подхода придерживается наше агентство. Этому в немалой степени способствует и практический опыт ведения контекстной рекламы наших клиентов, начиная с 2006 года. За это время нами создано более тысячи аккаунтов.
