كيف تكتشف 2.4 مرة أكثر من الكلمات الرئيسية التي تساعد في التحويلات وزيادة عائد الاستثمار للإعلان PPC بنسبة 17٪

الفوز في مسابقة التسويق اليوم مستحيل دون تطبيق تحليل البيانات لتحسين أداء الأعمال. تسمح التقنيات الجديدة للشركات بتحويل سير عملها ، والاستفادة بشكل فعال من البيانات لاتخاذ القرارات ، والوصول إلى أهداف التسويق بشكل أسرع.

في هذه الحالة ، نصف الحل الذي قدمه فريق OWOX BI لمتاجر التجزئة متعددة القنوات للأثاث والأدوات المنزلية التي يقوم العملاء بشرائها على موقع الويب ، في المتاجر التقليدية ، و / أو عبر الهاتف من خلال مركز الاتصال. واجهت تحديات في تحسين عائد الاستثمار للإعلان عبر الإنترنت.

نظرًا لأن الشركة كانت تتطلع إلى تحسين عائد الاستثمار للإعلان عبر الإنترنت ، تضمنت استراتيجيتها الخطوات التالية:

1. اجمع بيانات كاملة حول الأنشطة المتصلة بالإنترنت وغير المتصلة بالإنترنت لكل عميل ، عبر الأجهزة.
2. قم بتقييم الإيرادات الناتجة عن كل كلمة رئيسية ، بدلاً من تعيين كل الائتمان إلى الكلمة الأساسية الأخيرة.
3. أتمتة إدارة عروض الأسعار والتعديلات الخاصة بإعلانات الدفع لكل نقرة (PPC).

تضمنت العملية: جمع البيانات الكاملة (إجراءات المستخدم ؛ الطلبات المقدمة عبر الإنترنت ، وبلا اتصال بالإنترنت ، والهاتف ؛ بيانات أداء الإعلان) ، وتنفيذ نموذج إحالة مخصص ، وأتمتة إدارة عروض الأسعار في Alytics.

احتاجت الشركة إلى معرفة مدى جودة أداء كل كلمة رئيسية لأتمتة عروض الأسعار. يجب تجميع جميع نقاط اتصال العملاء ، بما في ذلك الجلسات عبر الإنترنت عبر الأجهزة والمكالمات الهاتفية والمشتريات في المتاجر الفعلية معًا لتحديد قيم الكلمات الرئيسية. في Google Analytics ، لا يوجد مثل هذا الخيار.

لا تستطيع نماذج الإحالة في Google Analytics تقييم قنوات الإعلان بدقة بسبب أوجه القصور التالية:

• تجاهل الطلبات الملغاة.
• حذف عمليات الشراء في وضع عدم الاتصال.
• تجاهل الهوامش الإجمالية للمشتريات.
• إغفال أوامر الهاتف.
• خطأ في تتبع المستخدمين الذين يزورون أجهزة متعددة ، كمستخدمين متفردين.
• أخذ عينات البيانات في التقارير.

يؤدي التقييم غير الصحيح لأداء الكلمات الرئيسية إلى صعوبة تعيين عروض الأسعار بشكل صحيح. وبالتالي ، فإن تقديم عرض سعر مرتفع سيكون بمثابة إهدار للميزانية ، وسيؤدي تقديم عرض سعر منخفض إلى تقليل عدد العملاء.

لا تتوفر بيانات حول الطلبات عبر الهاتف والطلبات دون اتصال بالإنترنت ، بالإضافة إلى بيانات التكلفة للحملات الإعلانية المدفوعة التي لا تتبع Google في Google Analytics. لذلك ، تم إعداد جمع البيانات ونمذجة الإحالة في BigQuery من Google.

تم اختيار هذه الخدمة للأسباب التالية:

• معالجة عالية السرعة للاستعلام - تصل إلى 20 ثانية - بأي كمية من البيانات.
• تتيح واجهات برمجة التطبيقات عمليات تكامل سهلة مع الأنظمة الأخرى.
• إمكانية تحميل البيانات بسهولة من الملفات أو جداول بيانات Google.
• الشحن للاستخدام فقط.
• لا حاجة للحفاظ على قواعد البيانات.

تم حساب قيمة القنوات والكلمات الرئيسية في Google BigQuery لإدارة عروض الأسعار ثم تم استيراد النتائج إلى Alytics باستخدام RESTful API.

الآن ، دعنا نلقي نظرة فاحصة على كل خطوة.

يتم استيراد بيانات التكلفة والأداء من Google AdWords تلقائيًا إلى Google Analytics بفضل التكامل الأصلي وربط الحساب.

يستخدم خط أنابيب OWOX BI من أجل:

• جمع بيانات أداء الجلسات والتكلفة والإيرادات من الخدمات الإعلانية إلى Google Analytics. تظهر هذه البيانات في تقرير تحليل التكلفة إلى جانب البيانات من Google AdWords.
• استيراد بيانات أداء الجلسة والتكلفة والإيرادات الموحدة من Google Analytics إلى Google BigQuery.
• استيراد بيانات سلوك المستخدم من موقع الويب إلى Google BigQuery ، في الوقت الفعلي تقريبًا.

يتم إرسال البيانات التالية إلى Google BigQuery باستخدام واجهات برمجة التطبيقات:

• الهوامش الإجمالية للمنتجات ومعدلات إتمام الطلبات من CRM و ERP.
• ClientIDs للمستخدمين الذين أجروا مكالمات هاتفية ، من نظام تتبع المكالمات CallTouch. يتم استخدام أرقام الهواتف المتعددة التي توفرها CallTouch: كلما زاد عدد الزيارات وكلما زاد متوسط ​​مدة الجلسة ، زادت أرقام الهواتف التي توفرها CallTouch. يعرض النظام أحد الأرقام في كل جلسة على الموقع الإلكتروني ويربط الرقم مع ClientID الخاص بالمستخدم. بعد ذلك ، يتم استيراد ClientIDs للمتصلين من CallTouch إلى Google BigQuery.

يتم تقديم مخطط تدفق جمع البيانات أدناه:

الآن يتم جمع جميع بيانات سلوك المستخدم من المتاجر الفعلية ومراكز الاتصال والموقع الإلكتروني في Google BigQuery. يتم نقل بيانات الجلسة (تسلسل النتائج ومعرفات الجلسة والبيانات الشخصية المشفرة للمستخدمين) إلى Google BigQuery باستخدام OWOX BI Pipeline. ترتبط الجلسات بالمستخدمين من خلال المعلمات التالية:

• ClientID ، المعرف الفريد لزوج جهاز المتصفح.
• معرف المستخدم ، المعرف الفريد لكل مستخدم ، المرتبط بعنوان البريد الإلكتروني للمستخدم.
• رقم بطاقة الولاء.

مجموعات Hoff الجلسات باستخدام استعلامات SQL. دعنا نلقي نظرة على 3 أمثلة لكيفية دمج البيانات.

تتصفح آنا الأرائك على موقع الويب باستخدام تطبيق متصفح على هاتفها الذكي. بعد مرور بعض الوقت ، تزور موقع الويب مرة أخرى على نفس الجهاز ، وتقوم باختيارها ، وتسجيل الدخول عبر البريد الإلكتروني ، وتضيف الأريكة إلى عربتها. نظرًا لأن الجهاز والمتصفح متماثلان ، يتم تجميع هاتين الجلستين حسب ClientID. تعود آنا إلى المنزل ، وتفتح الكمبيوتر المحمول الخاص بها ، وتسجيل الدخول إلى حسابها ، وتشتري الأريكة التي تختارها. الآن يمكن دمج الجلسات على هاتفها وجهاز الكمبيوتر المحمول بواسطة UserID:

قام نيك بزيارة الموقع أثناء البحث عن طاولة مطبخ جديدة على كمبيوتر العمل الخاص به. خلال استراحة الغداء ، أنشأ حسابًا على الموقع باستخدام هاتفه الذكي وقدم طلبًا.

استخدم Nick جهازين مختلفين وأذن فقط من هاتفه الذكي. لا يمكن ربط هاتين الجلستين عن طريق ClientID أو UserID. نتيجة لذلك ، يحسبها Google Analytics كجلسات من مستخدمين مختلفين.

بالعودة إلى العمل ، يتذكر نيك أن زوجته كانت تريد دائمًا طاولة ينجي ، وليس طاولة من خشب الجوز ، وأن لديه أيضًا بطاقة ولاء. يدخل إلى موقع الويب على كمبيوتر العمل الخاص به ، ويسجل الدخول ، ويغير طلبه ، ويقوم بعملية شراء باستخدام بطاقة الولاء الخاصة به.

الآن يمكن تجميع جميع جلسات Nick معًا من خلال ربط عملية الشراء على جهاز كمبيوتر بما يلي:

• البحث عن جدول (الجلسة 1) ، بواسطة ClientID ، حيث تم بدء كلتا الجلستين في نفس المتصفح على نفس الكمبيوتر.
• إنشاء حساب على الهاتف (الجلسة 2) - بواسطة معرف المستخدم ، حيث قام نيك بتسجيل الدخول إلى حسابه في كلتا الجلستين.

نتيجة لذلك ، يتم جمع البيانات المتعلقة برحلة Nick من أول زيارة حتى الشراء في Google BigQuery.

يتصفح نيك موقع الويب على كمبيوتر العمل الخاص به ، ويبحث عن كراسي تتناسب مع الطاولة الجديدة. يتصل برقم الهاتف المعروض على الموقع ويضع طلبًا. ثم يقود سيارته إلى المتجر ويشتري الكراسي باستخدام بطاقة الولاء الخاصة به.

تم دمج إجراءات Nick السابقة على الموقع الإلكتروني مع إجراءات في المتجر وعلى الهاتف:

• الطلب عبر الهاتف والأنشطة عبر الإنترنت - عن طريق ClientID ، حيث اشترى Nick الجدول من قبل ، وعرضت CallTouch رقم الهاتف في نفس المتصفح ، على نفس الجهاز.
• الشراء في وضع عدم الاتصال والأنشطة عبر الإنترنت - حسب رقم بطاقة الولاء الخاصة بـ Nick.

الآن أصبحت البيانات كافية لربط جميع تفاعلات Nick معًا. هذا هو كيف تفعل ذلك:

نتيجة لذلك ، تم دمج جميع معرفات العميل وعناوين البريد الإلكتروني وبطاقات الولاء والأوامر الخاصة بالمستخدم لمعرفة أي من استعلامات البحث تجلب الإيرادات وأي منها يستهلك عروض الأسعار دون المساعدة في الشراء.

يكون منطق نموذج الإحالة كما يلي: القيمة الإجمالية للجلسة الأولى والأخيرة في مسار تحويل العميل تساوي قيمة الجلسات بينهما. الجلسة الأولى هي عندما يزور المستخدم موقع الويب لأول مرة ويتعرف على العلامة التجارية. الجلسة الأخيرة هي عندما يجري المستخدم عملية شراء. يساعد دمج البيانات عبر الأجهزة المختلفة في العثور على اتصال بين الجلسات وترتيبها الزمني.

يتم تحديد قيمة كل قناة على مرحلتين:

1. تحديد القناة التي بدأت الجلسة الأولى. إذا كان المستخدم قد زار موقع الويب من قبل ، فإن قناة الاكتساب مرتبطة بقناة الجلسة السابقة. على سبيل المثال ، إذا قام أحد المستخدمين بزيارة موقع الويب بالنقر فوق إعلان صوري من Google ، وقام بزيارة موقع الويب من قبل من خلال بحث مجاني في Bing ، فسيعامل النموذج Bing على أنه القناة التي قدمت المستخدم إلى العلامة التجارية.
2. تحديد قيمة للجلسات. يتم توزيع أرباح الشراء على جلسات المستخدم وفقًا للقواعد التالية:

• الجلسة الأولى تحصل على 20٪ من رصيد البيع.
• الجلسة الأخيرة تحصل على 30٪ من الرصيد.
• الجلسات بينهما تحصل على نسبة الـ 50٪ المتبقية. يتم تقييم الجلسات بعدد الساعات قبل الشراء. كلما تم عرض المزيد من الصفحات خلال الجلسة ، وكلما مر عدد أقل من الساعات قبل الشراء ، زادت القيمة التي تحصل عليها الجلسة.

يتم إعادة حساب قيمة الكلمات الرئيسية والقنوات تلقائيًا على أساس يومي. يتم تخزين النتيجة في جدول في Google BigQuery و Google Cloud Storage. يتم تصدير نتائج الإحالة من Google Cloud Storage إلى Alytics باستخدام RESTful API.

تم إعداد القواعد لـ Alytics لتحديد حجم العطاء. كلما زاد عائد الاستثمار لعبارة البحث التي تذكر المنتج ، ارتفع عرض التسعير. على سبيل المثال ، إذا كان عائد الاستثمار للجداول أقل من 15٪ ، فإن عرض السعر للكلمة الرئيسية لجداول الشراء سيساوي دولارًا واحدًا. إذا كان عائد الاستثمار أكبر من 75٪ ، فإن عرض السعر يساوي 4 دولارات. تم تحديد جميع الأرقام بشكل تجريبي.

بفضل دمج البيانات حول سلوك العملاء عبر الإنترنت وغير المتصل ، وتحديد قيم الكلمات الرئيسية ، وأتمتة تعديلات عروض الأسعار ، أصبحت الشركة الآن قادرة على الإجابة على أسئلة مثل:

• كيف سيتغير عائد الاستثمار للإعلان عبر الإنترنت في ضوء تنفيذ الطلبات؟
• كيف يؤثر الإعلان عبر الإنترنت على الطلبات المقدمة في مركز الاتصال؟
• ما الكلمات الرئيسية التي تقود الطلبات الأكثر ربحية؟
• ما هي المنتجات التي تحقق أكبر عائد على الاستثمار؟
• ما هي حصة المبيعات التي تتم دون اتصال بالإنترنت والتي تأثرت بالإعلان عبر الإنترنت؟

نتيجة لذلك ، كان من الممكن:

• تحسين عروض الأسعار وزيادة عائد استثمار الإعلانات بنظام الدفع بالنقرة (PPC) بنسبة 17٪.
• قم بقياس تأثير عائد الكلمات الرئيسية بشكل أكثر دقة واطلع على الكلمات الرئيسية التي تساعد في التحويلات بمقدار 2.4 مرة. تجاهلتها نماذج الإحالة القياسية ببساطة.
• اكتشف أن بعض العبارات الرئيسية لها تأثير أكبر على عمليات الشراء دون اتصال بالإنترنت مقارنة بالمبيعات عبر الإنترنت.