كيفية زيادة عائد الاستثمار الإعلاني حسب السياق 2.2x لمتاجر التجزئة في المؤسسة

السؤال المألوف لكل شركة هو كيفية خفض الإنفاق على الإعلانات السياقية مع الحفاظ على المبيعات. إذا قمت بشراء حركة مرور إلى موقع الويب الخاص بك في نظام إعلاني مثل إعلانات Google أو Facebook ، فسيذهب جزء كبير من إنفاقك إلى نقرات المستخدمين الذين لا ينتهي بهم الأمر بوضع عناصر في عربة التسوق. وحتى لو فعلوا ذلك ، فهم لا يكملون عملية الشراء دائمًا. إذن ما الذي يمكن عمله لتحسين الحملات الإعلانية؟

في هذه الحالة ، نصف الحل الذي قدمه فريق OWOX BI لمتاجر التجزئة للأجهزة الإلكترونية والأجهزة المنزلية الذي اختبر OWOX BI لحساب احتمالية التحويلات.

من بين مهام تسويق الأداء الرئيسية لمتاجر التجزئة في المؤسسة زيادة مقاييس الكفاءة وتقليل الاتصالات مع المستخدمين غير المهتمين حاليًا بالشراء. الحلول المبنية على البيانات هي أكثر الأدوات الواعدة لتحسين الحملات الإعلانية. يستخدم نموذج إحالة OWOX BI تقنيات التعلم الآلي لحساب احتمالية الشراء لكل مستخدم موقع ويب بدءًا من الزيارة الأولى. باستخدام احتمالات الشراء هذه ، يمكن للشركات تحديد ما إذا كان الأمر يستحق الإنفاق على الإعلان للمستخدم. علاوة على ذلك ، يمكن لنموذج OWOX BI حساب احتمالية قيام المستخدم بأي إجراء.

أيضًا ، تتمثل إحدى المهام الإلزامية لمتخصص التسويق عبر محرك البحث للإعلانات السياقية في تقسيم زوار موقع الويب إلى مجموعات مختلفة اعتمادًا على الإجراءات التي يقومون بها على موقع الويب والوقت المنقضي منذ آخر مشغل. على سبيل المثال ، عدد الأيام منذ إضافة عنصر إلى سلة التسوق بدون شراء. يأخذ التحليل اليدوي لمثل هؤلاء الجماهير وتعديل حسابات عروض الأسعار جزءًا كبيرًا من عملية العمل.

باختصار ، كان الهدف هو زيادة عائد الاستثمار للحملات الإعلانية السياقية مع توفير الإيرادات من الطلبات المكتملة.

تم تطبيق حل التعلم الآلي OWOX BI لتحسين الحملات الإعلانية ، حيث يتم تدريبه على:

• البيانات التاريخية عن سلوك مستخدمي الموقع
• بيانات CRM على الطلبات المستردة
• بيانات مجمعة ومجهولة المصدر من عشرات الآلاف من المشاريع بواسطة عملاء OWOX

ما الذي قدمه OWOX BI:

• لكل مستخدم موقع على شبكة الإنترنت ، يتم حساب احتمالية الشراء لحساب الطلبات المستردة.
• يتم تحديث حسابات الاحتمالية بعد كل إجراء للمستخدم أو بعد فترة من عدم النشاط. على سبيل المثال ، إذا قام أحد المستخدمين بزيارة موقع ويب وقام بتنفيذ مجموعة من الإجراءات ، فسيحصل على احتمال X٪ لإجراء عملية شراء. إذا لم يزوروا الموقع لمدة أربعة أيام بعد ذلك ، فإن هذا الاحتمال يتناقص.
• 10 شرائح مستخدم مقسمة وفقًا لاحتمالية الشراء على مقياس مكون من 10 نقاط.

لتقييم دقة التنبؤ وأداء كل شريحة ، حلل الفريق عدد الطلبات التي أكملها كل جزء.

في الجزء العلوي من الجدول توجد الشريحة ذات أعلى احتمالية للتحويل ، وفي الجزء السفلي توجد الشريحة ذات الحد الأدنى.

1. تم جمع البيانات حول سلوك المستخدم على موقع الويب في Google BigQuery باستخدام OWOX BI. (من الممكن أيضًا استخدام Google Analytics 360.)

2. درب محللو OWOX نموذج الإحالة وبدأوا حسابات احتمالية التحويل المنتظمة لزوار الموقع. تم تعيين احتمال تحويل لكل زائر. تمثل الخوارزمية أكثر من 60 معلمة ، بما في ذلك:

• عدد الجلسات في النتائج ضمن فترة التحويل
• الإجراءات على الموقع خلال الجلسة
• توقف بين الجلسات
• العدد الإجمالي للإجراءات
• جهاز الجلسة ونظام التشغيل
• مصادر الزيارات التي حصل عليها المستخدم خلال فترة التحويل
• عدد الإجراءات في كل صفحة خلال الجلسة
• توقيت جلسة محددة وإجمالي وقت الجلسات ضمن فترة التحويل

3. جمع فريق OWOX BI كل هذه البيانات في جدول واحد في Google BigQuery لتقييم احتمالية الشراء لكل مستخدم.

4. تم نقل بيانات الجمهور إلى خدمة الإعلان باستخدام OWOX BI Pipeline.

5. تمت إضافة الجماهير إلى خدمة الإعلان.

تم إجراء اختبار A / B الأساسي بتقسيم متساوٍ لحركة المرور بين المجموعات التي تم فحصها للحملات الإعلانية:

• تم إنشاؤها يدويًا.
• استنادًا إلى موجز بيانات المنتج بمساعدة خدمة التشغيل الآلي.

بعد نجاح التجربة ، بدأ الاختبار الثاني للحملات ذات الإعلانات الديناميكية. بعد جمع البيانات وفقًا لكفاءتها بين الحملات الإعلانية ، تم حساب عروض أسعار الجماهير وتعديلها:

• خفض عروض الأسعار للجماهير ذات احتمالية شراء منخفضة (تصل أحيانًا إلى 90٪).
• زيادة عروض الأسعار للجماهير ذات احتمالية شراء عالية.

تم حساب حجم تعديلات عروض الأسعار بناءً على البيانات التي تم جمعها حول معامل التحويل لكل جمهور وعائد الاستثمار المستهدف. تم أيضًا أخذ عائد الاستثمار الحالي لكل حملة وجمهور في الاعتبار. لكل جمهور ، قام OWOX BI بحساب السعر المناسب للنقرة. بناءً على هذه الحسابات ، قامت بتعديل السعر الحالي للوصول إلى مؤشر الأداء الرئيسي المستهدف. التعديلات تتغير باستمرار بناءً على النتائج.

لمدة شهرين ، عمل محللو OWOX مع فريق العميل لإجراء اختبارين. استمرت الفترة الأولى شهرًا ونصف الشهر وتضمنت خمس حملات إعلانية ذات حجم حركة مرور منخفض. تم تقسيم كل حملة من هذه الحملات إلى حملتين لاختبار A / B: واحدة تستخدم جمهور OWOX BI والأخرى بدونها.

أظهرت الحملات التي تستخدم جمهور OWOX نتائج أفضل 1.7 مرة من حيث عائد الاستثمار والإيرادات للطلبات المكتملة. بالنسبة إلى بائع التجزئة ، كانت هذه خطوة في اتجاه زيادة الكفاءة للاستثمارات الإعلانية.

بعد التجربة الأولى ، أجرى فريق OWOX BI اختبارًا لمدة ثلاثة أسابيع استنادًا إلى حملات ذات عدد كبير من الزيارات وفقًا للمبدأ نفسه - عدد متساوٍ من الحملات التي تستخدم جمهور OWOX BI وبدون جمهور OWOX BI.

كانت نتيجة الاختبار الثاني أعلى بمقدار 2.2 مرة من عائد الاستثمار وعائد أعلى بمقدار 2.7 مرة للطلبات المكتملة في الحملات مع جمهور OWOX BI.

في كلتا الحالتين ، جلبت مجموعة الاختبار إما المزيد من الإيرادات بنفس الميزانية مثل المجموعة الضابطة أو جلبت نفس الإيرادات بميزانية أقل. باستخدام OWOX BI للتنبؤ بالتحويلات ، وفر عميلنا الوقت في إنشاء شرائح الجمهور ، وتمت معالجة جميع البيانات على مستخدمي موقع الويب تلقائيًا ، وتم إعداد البيانات الناتجة للتحميل إلى خدمة إعلانية حيث يمكن استخدامها في الحملات الإعلانية لتعديل عروض الأسعار وتشغيلها إعادة الاستهداف.

واعتبرت نتائج الاختبار هذه بداية ناجحة لزيادة تحسين الأداء وقنوات أداء العلامة التجارية الأخرى. نظرًا لأن التجارب مع حسابات احتمالية التحويل أثبتت كفاءتها ، كانت الخطوة التالية هي توسيع نطاق الحل - لاستخدامه في جميع حملات البحث ، وتشغيل إعادة الاستهداف عن طريق تعيين عروض أسعار مختلفة اعتمادًا على التحويلات في شريحة ، وتطبيقها في خدمات إعلانية أخرى مثل Facebook و MyTarget وإعلانات Google.