So verwenden Sie die Kundenkohortenanalyse zur Messung der Anzeigenleistung

Heutzutage agieren Unternehmen in einer digitalen Welt, in der riesige Mengen an Kundendaten gesammelt, gespeichert und mit einer detaillierten Prüfung fortgeführt werden müssen. Dies ist selbst für kleine Unternehmen keine einfache Option, ganz zu schweigen von großen Unternehmen. Mit der Weiterentwicklung des Geschäfts wird auch klar, dass es möglich ist, effektiver zu werben und das Werbebudget zu optimieren.

In diesem Fall beschreiben wir die vom OWOX BI-Team bereitgestellte Lösung für ein großes Unternehmen, das eine integrierte Suite von Produkten für Unternehmen bereitstellt. Die Suite umfasst Tools für Projektmanagement, Dokumentation, CRM, Telefonie, Kalender und mehr. Dieser Kunde hatte Probleme damit, das Werbebudget effizienter auszugeben und gleichzeitig eine Kundenkohortenanalyse durchzuführen.

Da die Hauptherausforderung für Marketingspezialisten darin bestand, mehr Kunden zu erreichen, wurde alles getan, um so viele Serviceregistrierungen wie möglich zu erhalten. Nachdem viele aktive Kunden in der Datenbank gewonnen wurden, erschien die Notwendigkeit, den Kundenlebenszyklus zu verbessern. Die Marketingexperten wollten ihre Werbemittel nur für die kaufbereite Zielgruppe ausgeben, da mit der Konkurrenz die Kundenakquisitionskosten gestiegen sind. Dementsprechend beginnen sich die meisten Werbemaßnahmen zwei Monate oder länger nach dem Kauf auszuzahlen, da die meisten Kunden ihr Abonnement monatlich bezahlen.

Um das Werbebudget effizienter einzusetzen, wurde daher beschlossen, eine Kundenkohortenanalyse durchzuführen. Eine Kohorte ist eine Gruppe von Benutzern, die einige gemeinsame Merkmale aufweisen. Durch die Gruppierung von Benutzern in Kohorten basierend auf dem Zeitpunkt ihrer ersten Registrierung wollten Vermarkter detailliertere Informationen darüber erhalten, was ihre Kunden tun, nachdem sie sich auf der Website registriert haben. Die Kohortenanalyse hilft auch dabei, den Umsatz jeder Kohorte zu berechnen, die Effektivität von Kundenakquisitionskampagnen zu bewerten und die Werbekosten zu optimieren. Darüber hinaus hilft der Vergleich von Verhaltensdaten für die Kohorten über verschiedene Quellen, Kanäle und Kampagnen hinweg zu verstehen, welche Kampagnen für die Kundengewinnung besser funktionieren und welche die Bindungsrate verbessern und Benutzer motivieren, mehrere Portale zu registrieren.

Da eine effektive Kohortenanalyse erforderlich war, sollten alle Daten in einem System zusammengeführt werden. Eine weitere Herausforderung war die ständige Datenerfassung während der Arbeit mit der kostenlosen Google Analytics-Version. Die Analysten wollten Datenstichproben vermeiden oder zumindest minimieren, ohne die Daten täglich exportieren zu müssen.

Außerdem musste eine Reihe spezifischer Metriken in den Kohortenanalysebericht aufgenommen werden:

• Anzahl der Registrierungen — die Anzahl der registrierten Portale.
• MAU — die Anzahl der monatlich aktiven Benutzer.
• CR zu MAU – die Anzahl der monatlich aktiven Benutzer im Vergleich zur Anzahl der registrierten Benutzer.
• Retention 2nd day – die Anzahl der Kunden, die am zweiten Tag nach der Registrierung eines neuen Portals zurückgekommen sind.
• Share of Retention 2nd Day – der Prozentsatz der Kunden, die die Website am zweiten Tag nach der Registrierung erneut besuchen.
• Zahlende Benutzer — die Anzahl der zahlenden Kunden.
• CR to Paying – die Anzahl der zahlenden Benutzer im Vergleich zur Anzahl der registrierten Benutzer.
• Umsatz SUM – der Gesamtumsatz, der von einer Kohorte generiert wird.
• Abwanderungsrate – der Prozentsatz der Kundenabwanderung.
• ROMI – der Return on Marketing Investment, berechnet als Einnahmen/Kosten × 100 %.

Das Ziel wurde erreicht, indem die Cloud-Datenbank Google BigQuery auf folgende Weise verwendet wurde:

1. Konfigurieren des Imports der Kundenverhaltensdaten und Marketingkostendaten in Google BigQuery mithilfe von OWOX BI Pipeline.
2. Senden von Benutzer- und Transaktionsdaten an Google BigQuery über das Measurement Protocol.
3. Gruppieren von Benutzern nach Kohorten in Google BigQuery und Auswählen aller erforderlichen Metriken.
4. Senden der Daten von Google BigQuery an Google Sheets und Erstellen von Kohortenanalyseberichten.

Das folgende Schema zeigt den Datenfluss:

Sehen wir uns nun jeden Schritt im Detail an.

Nach Prüfung aller alternativen Plattformen entschied sich das Unternehmen für Google BigQuery, um die Daten zu kombinieren. Die Daten zum Webbenutzerverhalten wurden mithilfe von OWOX BI Pipeline in Google BigQuery importiert. Hier sind die Vorteile dieser Lösung:

• Keine Datenstichproben und Beschränkungen hinsichtlich der Anzahl von Dimensionen und Messwerten in Google Analytics-Berichten. Weitere Informationen zu den Einschränkungen finden Sie hier.
• Daten von der Website erscheinen innerhalb von nur 5 Minuten in Google BigQuery.
• Einnahmen und Werbekosten können nach Sitzungen und Benutzern verglichen werden, was bessere Einblicke in die Kohortenrentabilität liefert. OWOX BI Pipeline macht es möglich zu sehen, wie viel Geld ausgegeben wurde, um jeden Benutzer zu gewinnen, indem Werbekosten auf Benutzersitzungen verteilt werden.

Ebenfalls mit Hilfe von OWOX BI Pipeline werden die Daten der Werbedienste zuerst in Google Analytics und dann in Google BigQuery importiert. Die Ausnahme gilt für AdWords, da Google Analytics nativ integriert ist.

Die Daten über Kunden werden im CRM-System gesammelt. So werden die Daten der Nutzer, die die Website am zweiten Tag nach der Registrierung des Portals erneut besuchen, an Google BigQuery exportiert. Die Daten über aktive Nutzer und Transaktionen werden auch über das Measurement Protocol an Google BigQuery exportiert.

Mit allen erforderlichen Daten, die in Google BigQuery gesammelt wurden, wurden die Kohorten erstellt und die ausgewählten Metriken für jede der Kohorten berechnet.

Da die Kunden die Produkte monatlich bezahlen, wurde der Analysezeitraum auf einen Monat festgelegt. Kohorten wurden basierend auf dem Zeitpunkt der Erstregistrierung gebildet. Dies bedeutet, dass alle Benutzer, die sich beispielsweise im Juli registriert haben, derselben Kohorte angehören. Bei in Google BigQuery berechneten Metriken hat die Tabelle die folgende Struktur:

Da die Daten aus Google BigQuery (über das Add-on OWOX BI BigQuery Reports) exportiert wurden, wurden sie in Google Sheets visualisiert. Diese Daten werden täglich automatisch aktualisiert und können nach Kanal, Quelle, Kampagne und Anzeigeninhalt gefiltert werden.

Der Bericht zeigt, dass die Werbeinitiativen nicht nur dazu beitragen, neue Kunden zu gewinnen, sondern auch den Customer Lifetime Value zu erhöhen, indem sie bereits gewonnene Kunden zurückbringen, die ein weiteres Portal hinzufügen möchten.

In den meisten Fällen amortisieren sich die Werbeinvestitionen bereits nach drei Monaten.

Obwohl die Berichterstellung eine schwierige Aufgabe mit vielen variablen Faktoren war, hat sich das Ergebnis auf jeden Fall gelohnt. Für die Marketingabteilung wurde eine Reihe regelmäßiger automatisierter Berichte erstellt. Zuvor mussten Marketingspezialisten solche Berichte manuell erstellen, alles doppelt überprüfen und viel Zeit und Mühe aufwenden.

Aufgrund neuer Berichte gab es auch einige interessante Entdeckungen. Beispielsweise wurde festgestellt, dass Werbung nicht nur zur Kundengewinnung dient, sondern auch zur Kundenbindung beiträgt und dazu beiträgt, mehr Anmeldungen vom selben Kunden zu erhalten.

• Das Unternehmen verfügt jetzt über eine Reihe von vollautomatischen Berichten, die dabei helfen, die Leistung von Werbekanälen, -quellen und -kampagnen über Kundenkohorten hinweg monatlich zu messen.
• Da die Marketingspezialisten wissen, wie gut ihre Werbung abschneidet, können sie nun die Kosten optimieren, um den Gesamtumsatz jeder Kohorte zu steigern und die Abwanderungsrate zu senken.
• Mit Hilfe der Kohortenanalyse ist es nun möglich, die Quellen zu ermitteln, die die treuesten Kunden bringen. Diese Daten können auch für das Remarketing verwendet werden.