Брендам становится всё сложнее собирать данные по десятку маркетплейсов и отслеживать сотни метрик без автоматизации. Нужно анализировать категории, конкурентов, позиции бренда внутри категории, качество продуктовых карточек и работу с отзывами. Команда dentsu в ответ на эту потребность в 2019 году начала развивать продукт Commerce analytics tool. В этом году он стал победителем на Martech Start Awards в номинациях Best Analytics Platform и Best Sales Enablement Solution. Александра Копылова, руководитель продукта, рассказала, чем Commerce analytics tool (CAT) сейчас может быть полезен брендам, работающим с маркетплейсами и онлайн-ритейлерами.
Commerce analytics tool (CAT) — это система мониторинга онлайн-полки. К ней подключены более 50 e-commerce площадок, включая крупнейшие маркетплейсы, специализированные магазины детских товаров и товаров для животных, а также мобильные приложения, в том числе приложения сервисов быстрой доставки. Что умеет Commerce analytics tool — рассмотрим на примере основных шагов, которые необходимы для анализа положения бренда в e-commerce канале.
Шаг 1. Оцениваем видимость бренда на онлайн-полке
Видимость бренда складывается из нескольких параметров:
- доля, которую занимает бренд на онлайн-полке
- количество SKU на бренд
- место карточек в выдаче в категории и поиске, при этом наиболее важно анализировать долю бренда именно на премиальных позициях (первые 8), которые наиболее видимы для потребителя.
Анализ этих данных дает представление о текущем положении бренда относительно категории и конкурентов. Наблюдение показателей в динамике с помощью CAT помогает сформировать гипотезы о стратегии конкурентов, а также план улучшения видимости бренда. При это важно, что ситуация внутри одной категории может отличаться на разных сайтах и важно разрабатывать стратегию работы с учетом каждого сайта в отдельности.
Шаг 2. Понимаем ценовую и промо политику каждого игрока в категории на каждой площадке
С помощью CAT можно отслеживать такие показатели, как регулярная цена, цена со скидкой, средние скидки, максимальные скидки, доля промо в разбивке по маркетплейсам. Эти данные помогают брендам максимально эффективно формировать ценовую стратегию, прогнозируя промо и уровень скидки.
Помимо анализа CAT позволяет оперативно реагировать на промо конкурентов, так как мы настраиваем автоматическое оповещение на почту при появлении скидки на любом сайте среди фокусных конкурентов. Это дает возможность медийно поддержать фокусные для бренда товары и не потерять долю в категории.
Шаг 3. Анализируем, на каких сайтах есть проблемы с доступностью товаров
Бренд упускает прибыль, когда его товары недоступны для заказа. Commercial analytics tool отслеживает доступность товаров на каждой площадке и, если они заканчиваются, отправляет автоматическое письмо с напоминанием о необходимости пополнении стоков.
Для ряда сайтов есть функция сбора остатков в штуках в разбивке на все склады и дакрсторы магазина, чтобы эффективнее управлять поставками внутри города. Накопленные данные также помогают анализировать уходимость товара с полки (за какое время заканчивается на складе) и наиболее популярные товары у потребителей.
Шаг 4. Оцениваем качество товарных карточек бренда
Мы уделили особое внимание разработке различных опций в CAT для анализа качества карточек. По опыту это сильно влияет на позиции в поисковой выдаче, привлекательность товара и доверие у потребителей. Помимо сбора базовых характеристик карточки — описание, вес, состав, рейтинг, отзывы, количество имиджей, наличие скидки — наш продукт делает уникальную для рынка аналитику:
- Корреляционный анализ для каждого сайта — взаимосвязь каждого параметра на позицию карточки в выдаче. Среди таких параметров: количество отзывов, рейтинг, количество имиджей, наличие веса, наличие описания, наличие скидки, наличие ключевых слов в названии и описании. Так, становится понятнее, какие из факторов наиболее важны для высоких рангов карточки на каждом из сайтов. Механизм продвижения карточек в топ выдаче отличаются от сайта к сайту.
- Сравнение карточки с эталоном. Сопоставляя эталонные данные, которые мы получаемы из PIM системы бренда, и информацию, размещенную на e-commerce площадках, а именно фронтальное изображение, название и описание, наш ML алгоритм проставляет оценку по похожести. Тем самым, CAT помогает выявить, на каких площадках размещена неактуальная или некорректная информация о продукте.
Используя эту информацию, мы делаем интегральную оценку карточек, опираясь на соответствие эталону, полноту заполненности карточки и технические ограничения онлайн-ритейлеров по допустимому количеству изображений, возможности использования видео и rich-контента (визуализации, 3D-обзоры и т.п.).
Шаг 5. Анализируем отзывы потребителей
Аналитику текстов отзывов (за последний год) оставили нейросетям. В итоге получаем тональность этих отзывов и облако ключевых слов и тем, встречающихся в отзывах. Это помогает быстро сформировать гипотезы о проблемных местах в пользовательском опыте, а также находить важные для категории темы, которые можно транслировать в карточках и креативных материалах.
Кейс
У нас была гипотеза, что продажи бренда можно увеличить, улучшив его товарные карточки, тем самым сделав их более привлекательными как для пользователя, так и для алгоритма ранжирования маркетплейса. С помощью CAT проанализировали все продуктовые карточки и выяснили, что оптимизация требовалась практически для каждой карточки. Дальше вручную провели аудит и оптимизировали карточки. В итоге увеличили количество карточек в топ-100 выдаче на 40%.
Будущее
Следующее, что мы добавим в CAT — данные по продажам и предиктивную аналитику. Сможем прогнозировать продажи, эластичность спроса и создавать триггерные механики, чтобы в дальнейшем автоматически управлять продажами и запускать рекламную поддержку.