Сэкономили десятки часов и организовали автоматический сбор аналитики без специальных сервисов

В статье расскажу как применяя ChatGPT и таблицы, мы в агентстве получили данные, которые обычно можно достать только с помощью сервисов сквозной аналитики. Кстати, благодаря сведению данных, удалось снизить стоимость заявки для клиента в 2,5 раза, ведь без аналитики мы бы работали вслепую.

Проблема: нет данных для оптимизации рекламы

В ноябре 2024 года к нам обратился федеральный дистрибьютор итальянской сантехники BOHEME. На старте у клиента была настроенная реклама, которую вел другой подрядчик. Однако результаты не устраивали — клиент не понимал, насколько в принципе эффективны кампании. Заказчик пополнял рекламный кабинет, но не знал толком, что происходит внутри. К тому же, заявки были дорогими. Компания получила всего 26 обращений по 7232 рубля за 5 месяцев. Мы понимали: стоимость заявки можно снизить.

Задача: придумать, как получить статистику

Первой нашей идее было — подключение ROIStat. Мы часто используем этот сервис, чтобы видеть не только данные в Метрике и Директе, но и понимать, как они соотносятся с тем, что реально заказывают покупатели. Помимо самих заказов с сайта, большой процент продаж совершался по телефону, где менеджеры клиента часто делали апсейл. Традиционных данных из Метрики было недостаточно, а нужно было получать именно данные из CRM, чтобы понимать какую выручку принесла та или иная РК.

Только вот клиенту не подходил вариант с ROIStat. Это требовало от него серьезной перестройки внутренних процессов, а также вложения времени и денег. Но без данных мы не могли оптимизировать кампании на достаточную глубину. Тогда мы решили действовать иначе.

Как получить аналитику без усилий со стороны клиента

Клиент предложил отправлять нам выгрузку из своей CRM. Там были номера телефонов, но, естественно, не было указано, откуда пришел этот заказ — из рекламы, через сарафан или откуда‑то еще.

В итоге у нас на руках оказались две таблицы: в одной были данные о заказах — номера, имена клиентов и суммы, а в другой — номера клиентов и источники заявок. Проблема была в том, что у нас не было понятного способа, как соединить эти данные.

Сначала мы попробовали делать это вручную: искали совпадающие телефонные номера, сопоставляли данные из двух таблиц и определяли, откуда пришла заявка и на какую сумму. Однако на каждый такой поиск уходило около пяти минут — а значит, еженедельно пришлось бы тратить часы только на сведение данных.

Это подтолкнуло нас к поиску автоматизированного решения. Решили написать с помощью ChatGPT скрипт для Google‑таблиц, чтобы он искал соответствие по номеру телефону из первой таблицы во второй. Вот, как получили нужный скрипт.

Обратились с запросом в нейросеть. Описали ей проблему и попросили составить скрипт. На первом этапе она предложила алгоритм действий для Excel, но он не подходил для Google‑таблиц, а мы хотели работать именно в них.

Переформулировали запрос. Нейросеть адаптировала скрипт под Google‑таблицы и дала нам подробную инструкцию, как применить скрипт в таблицах.

Далее нужно применить этот скрипт в таблице. Это чуть сложнее, чем просто добавить формулу в ячейку. Путь такой: «Расширения» — App Script — «Создать новый скрипт». Далее в поле нужно вставить код, которые предложила нейросеть. Для удобства можно также переименовать скрипт. Мы назвали свой «Объединение таблиц».

Далее нажимаем «Выполнить выбранную функцию». Так скрипт начнет свою работу.

Готово. Когда мы применили скрипт, то получили данные, которые обычно доступны только с помощью сквозной аналитики.

Результат: понимание работы РК

В итоге мы стали видеть откуда приходит каждый заказ, какая кампания работает лучше. Все это помогло правильно посчитать окупаемость каждой запущенной РК и принимать решения по их оптимизации, исходя из реальных цифр.

Благодаря этому изящному (хоть и костыльному) решению, клиент не потерял время на перестройку внутренних процессов и деньги на интеграцию сквозной аналитики. А мы — снизили стоимость заявки в 2,5 раза, с 7 232 руб. до 2 860 руб. Все это отразилось и на выручке по бренду. Получив понятную масштабируемую систему, клиент смог увеличить инвестиции в рекламу. Благодаря этому выручка из Я.Директ выросла в 4 раза — до 2 млн рублей в месяц. Вложения начали не только стабильно окупаться, но и приносить прибыль.