Наложение данных на карту в Google Data Studio

И обучающая статья, и мини-кейс, где я расскажу, как благодаря диаграмме «Географическая карта» в Google Data Studio мы с заказчиком смогли оценить текущую ситуацию по его проекту и перераспределить ежемесячные расходы на контекстную рекламу на уровне местоположения.

Исходные данные: сеть хостелов в Москве.

Задача:

• собрать статистику для анализа (все звонки, заявки, бронирования) с привязкой к геолокации за последний год по России;
• очистить данные (не учитывать отмененные брони, «вопросительные» звонки, повторные обращения и т.д.);
• оценить «самые популярные» регионы и менее привлекательные;
• перераспределить бюджет в сторону выигрышных.

Зачем это делать? Хостелы нужны для путешествий, командировок, краткосрочного пребывания и «быстрых ночевок» (например, перепихнуться после клуба или переночевать после концерта в Москве). Получается, не до конца ясно, кто наша целевая аудитория – те, кто уже в Москве или те, кто только приедет в Москву? Очевидно, что люди бронируют проживание заранее, и в момент заезда хотят быть уверенными в свободном месте. Но так ли это? Это и требовалось узнать, чтобы улучшить рекламные кампании.

С учетом поставленной задачи просто взять статистику из Google Analytics или Яндекс.Метрики не представляется возможным, поскольку CRM-система не передавала данные по подтвержденным и оплаченным бронированиям в GA и ЯМ. Более того, контекстная реклама – это не единственный канал привлечения, и далеко не основной в этом бизнесе. 60-70% бронирований идет с площадок-агрегаторов типа booking.com, ostrovok.ru и т.д. Реклама в интернете выступает больше как вспомогательный источник. Здесь по-прежнему работают «листочки» около метро», холодные звонки, партнерства с туристическими агентствами, операторами, и сарафанное радио.

CRM-система у хостелов не имела табличного поля с регионом, поэтому отчет пришлось делать вручную. Однако это задача заняла не более 30 минут. Как же ее удалось решить и какие выводы мы сделали?

Примечание: в целях конфиденциальности данных и по просьбе заказчика я покажу не весь процесс, а только последовательность и выводы.

Итак, первым делом необходимо было выгрузить данные из Google Analytics с привязкой к гео и достигнутым целям. Это были и бронирования по отдельным хостелам, и онлайн-обращения в чате.

Звонки, которых в этой тематике 70% от общего количества, я выгрузил напрямую из интерфейса коллтрекинга Calltouch.

Телефонный номер человека более ценный ключ для связывания данных из различных источников. На сайте он указывается при бронировании, в онлайн-чате операторы также просили предоставить контактный номер (хотя с ними не так все просто). В Calltouch он определяется автоматически. Поэтому в CRM-системе заказчика вся информация по статусам сделок анализировалась по номеру телефона, а не Client ID. Это снижало риск недостоверных данных.

Следующим шагом было необходимо свести данные из двух таблиц (Google Analytics и Calltouch) по достигнутым целям. С помощью консолидации данных в Excel это удалось сделать за пару кликов. Таблица, которая была длиной 1300 строк, стала состоять всего лишь из 199.

В результате мы получили 3466 обращений за год по рекламным источникам по нашей сети хостелов. В CRM-системе данные по меткам передавались, поэтому после фильтрации по ключу «уникальный номер телефона» и подтвержденному бронированию эта цифра сократилась до 2228.

Все, что осталось сделать – это свести данные из двух таблиц (из CRM системы) и достигнутым целям с привязкой к номеру телефона. В таблице Calltouch номер звонившего определялся и такой столбец есть, в Google Analytics мы также передавали его в качестве события, вытягивая его из формы бронирования. А вот с чатами всегда не все так просто – поскольку человек не оставляет самостоятельно бронь, а за него это делает оператор, то определить гео или привязать его к правильному Client ID, сложно. Так что ими мы решили пренебречь, сосредоточившись только на звонках и бронированиях.

Произведя окончательные манипуляции с данными, мы получили конечную таблицу по регионам и подтвержденным бронированиям из контекстной рекламы.

Примечание: забавно, но всего этого можно было избежать, если в CRM-системе хостелов просто было бы поле по городу или региону =) Но его не было...

Далее я создал Google Таблицу, в которую загрузил наши данные по гео и клиентам. Затем в Google Data Studio выбрал коннектор Google Таблицы, добавил лист и связал источник данных с отчетом GDS.

Параметр – Регион (географические данные), Показатель – Клиенты (число). Важно: при подключении источника следует изменить тип поля с текстового на географический (Город, Регион), чтобы была возможность масштабирования на карте и не было ошибок.

После этого выбрал диаграмму Географическая карта и добавил ее на лист.

Настройки данных: Параметр - Регион, Показатель - Клиенты, Область масштабирования - Россия:

Чтобы на карте разным цветом были выделены значения, используйте различные стили. Для максимального значения можно поставить более яркий цвет (красный, оранжевый), а для минимального – более холодный (синий, фиолетовый).

В режиме просмотра географическая карта в Data Studio позволяет наводить на регион и видеть конкретное значение по количеству клиентов.

Как видим, 65% всех подтвержденных бронирований было от клиентов, которые находились в Москве. Если посмотреть по данному сегменту в CRM и комментариям к заказу, то ЦА состоит из тех:

• кому хостел был нужен всего на ночь (по разным причинам);
• кто представлял какую-нибудь компанию (в Москве) и которым было нужно заселение их групп для проживания (строители, студенты, путешественники);
• кто ищет спонтанно ночлег будучи уже в Москве (понравилось в столице и решили задержаться).

Это подтверждает и тот факт, что более 70% бронирований совершаются в ближайшие 2-3 дня после брони. То есть люди в хостелах не бронируют как типичные путешественники свои поездки за месяц, полгода, год, а действуют по обстоятельствам и быстро.

Можно исключить Москву из данных на карте, чтобы статистика была более показательной по другим регионам. Делается это с помощью фильтра:

За ней следуют такие гео, как: Санкт-Петербург, Республика Башкортостан, Краснодарский край, Московская область и другие.

Результатом работы явилось то, что мы перераспределили рекламный бюджет не только в сторону лучшего источника, но и регионов, исключив определенный перечень из показа. А те города, на которые пришло наибольшее количество бронирований (с учетом очищенных данных из CRM), были лучше проработаны.

Что нам еще дало наложение данных на карту? Удобное представление табличных данных для заказчика и знакомство с географической картой в Google Data Studio. Если посидеть чуть подольше над отчетом, то можно выгрузить данные и сделать геопривязку с учетом стоимости обращения, типом устройств, демографических данных (пол, возраст), сезонности и статусами бронирований. Однако это и другая задача, и в рамках организации бизнеса существенно усложнит процесс работы.  А заказчик увидел картину под другим углом, сделал для себя выводы и остался доволен моей работой.

Понравилась статья? Ставь оценку 5.0 ->