So entdecken Sie 2,4-mal mehr Keywords, die Conversions unterstützen, und steigern den ROI der PPC-Werbung um 17 %

Heutzutage ist es unmöglich, den Marketingwettbewerb zu gewinnen, ohne Datenanalysen zur Verbesserung der Geschäftsleistung anzuwenden. Die neuen Technologien ermöglichen es Unternehmen, ihre Arbeitsabläufe zu transformieren, Daten effektiv für Entscheidungen zu nutzen und Marketingziele schneller zu erreichen.

In diesem Fall beschreiben wir die Lösung des OWOX BI-Teams für einen Omnichannel-Händler für Möbel und Haushaltsartikel, bei dem Kunden auf der Website, in stationären Geschäften und/oder telefonisch über ein Callcenter einkaufen. Es hatte Herausforderungen bei der Verbesserung des ROI seiner Online-Werbung.

Da das Unternehmen den ROI seiner Online-Werbung verbessern wollte, umfasste seine Strategie die folgenden Schritte:

1. Sammeln Sie geräteübergreifend vollständige Daten über die Offline- und Online-Aktivitäten jedes Kunden.
2. Bewerten Sie den Umsatz, der von jedem Keyword erzielt wird, anstatt den gesamten Kredit dem letzten Keyword zuzuweisen.
3. Automatisieren Sie die Gebotsverwaltung und Anpassungen für PPC-Werbung.

Der Prozess umfasste: das Sammeln vollständiger Daten (Benutzeraktionen; online, offline und per Telefon getätigte Bestellungen; Werbeleistungsdaten), die Implementierung eines benutzerdefinierten Zuordnungsmodells und die Automatisierung der Gebotsverwaltung in Alytics.

Das Unternehmen musste wissen, wie gut jedes Keyword abschneidet, um Gebote zu automatisieren. Alle Kundenkontaktpunkte, einschließlich Online-Sitzungen auf verschiedenen Geräten, Telefonanrufe und Einkäufe in physischen Geschäften, müssen zusammengefügt werden, um die Keyword-Werte zu bestimmen. In Google Analytics gibt es diese Option nicht.

Attributionsmodelle in Google Analytics können Werbekanäle aufgrund folgender Mängel nicht genau auswerten:

• Ignorieren stornierter Bestellungen.
• Verzicht auf Offline-Käufe.
• Ignorieren der Bruttomargen von Einkäufen.
• Verzicht auf telefonische Bestellungen.
• Benutzer, die mehrere Geräte besuchen, werden fälschlicherweise als mehrere eindeutige Benutzer verfolgt.
• Stichprobendaten in Berichten.

Eine falsche Bewertung der Keyword-Performance erschwert die korrekte Gebotseinstellung. Folglich wäre ein hohes Gebot eine Verschwendung von Budget, und ein niedriges würde weniger Kunden gewinnen.

Daten zu Telefonbestellungen und Offlinebestellungen sowie Kostendaten für bezahlte Werbekampagnen, die nicht von Google stammen, sind in Google Analytics nicht verfügbar. Die Datenerfassung und Zuordnungsmodellierung wird also in Google BigQuery eingerichtet.

Dieser Service wurde aus folgenden Gründen gewählt:

• Hochgeschwindigkeits-Abfrageverarbeitung – bis zu 20 Sekunden – bei jeder Datenmenge.
• APIs ermöglichen einfache Integrationen mit anderen Systemen.
• Möglichkeit zum einfachen Hochladen von Daten aus Dateien oder Google Sheets.
• Laden nur für den Gebrauch.
• Es müssen keine Datenbanken gepflegt werden.

Der Wert von Kanälen und Schlüsselwörtern wurde in Google BigQuery berechnet, um Gebote zu verwalten, und dann wurden die Ergebnisse mithilfe der RESTful-API in Alytics importiert.

Schauen wir uns nun jeden Schritt genauer an.

Die Kosten- und Leistungsdaten von Google AdWords werden dank der nativen Integration und Kontoverknüpfung automatisch in Google Analytics importiert.

OWOX BI Pipeline wird verwendet für:

• Sammeln von Sitzungs-, Kosten- und Umsatzleistungsdaten von Werbediensten an Google Analytics. Diese Daten erscheinen zusammen mit den Daten aus Google AdWords im Kostenanalysebericht.
• Importieren von konsolidierten Sitzungs-, Kosten- und Umsatzleistungsdaten aus Google Analytics in Google BigQuery.
• Importieren von Benutzerverhaltensdaten von der Website in Google BigQuery, nahezu in Echtzeit.

Die folgenden Daten werden über APIs an Google BigQuery gesendet:

• Bruttomarge der Produkte und Auftragsabschlussraten aus CRM und ERP.
• Client-IDs von Benutzern, die Anrufe getätigt haben, aus dem CallTouch-Anrufverfolgungssystem. Die von CallTouch bereitgestellten mehreren Telefonnummern werden verwendet: Je mehr Besuche und je länger die durchschnittliche Sitzungsdauer, desto mehr Telefonnummern stellt CallTouch zur Verfügung. Das System zeigt bei jeder Sitzung auf der Website eine der Nummern an und ordnet die Nummer der ClientID des Benutzers zu. Als nächstes werden die ClientIDs der Anrufer von CallTouch in Google BigQuery importiert.

Das Datenerfassungs-Flussdiagramm ist unten angegeben:

Jetzt werden alle Daten zum Nutzerverhalten von Ladengeschäften, Callcentern und der Website in Google BigQuery gesammelt. Die Sitzungsdaten (Trefferfolgen, Sitzungs-IDs und verschlüsselte personenbezogene Daten der Benutzer) werden mithilfe von OWOX BI Pipeline an Google BigQuery übertragen. Die Sitzungen werden Benutzern durch die folgenden Parameter zugeordnet:

• ClientID, die eindeutige Kennung für das Browser-Geräte-Paar.
• UserID, die eindeutige Kennung jedes Benutzers, die an die E-Mail-Adresse des Benutzers gebunden ist.
• Treuekartennummer.

Hoff gruppiert Sitzungen mithilfe von SQL-Abfragen. Schauen wir uns 3 Beispiele an, wie die Daten kombiniert werden.

Anna durchsucht Sofas auf der Website mit einer Browser-App auf ihrem Smartphone. Nach einiger Zeit besucht sie die Website erneut mit demselben Gerät, trifft ihre Wahl, meldet sich per E-Mail an und legt das Sofa in ihren Warenkorb. Da das Gerät und der Browser identisch sind, werden diese beiden Sitzungen nach ClientID gruppiert. Anna kommt nach Hause, klappt ihren Laptop auf, loggt sich in ihr Konto ein und kauft das Sofa ihrer Wahl. Jetzt können die Sitzungen auf ihrem Telefon und Laptop nach Benutzer-ID kombiniert werden:

Nick besucht die Website, während er auf seinem Arbeitscomputer nach einem neuen Küchentisch sucht. In der Mittagspause erstellt er mit seinem Smartphone ein Konto auf der Website und gibt eine Bestellung auf.

Nick verwendete zwei verschiedene Geräte und autorisierte nur von seinem Smartphone aus. Diese beiden Sitzungen können nicht durch ClientID oder UserID verknüpft werden. Infolgedessen zählt Google Analytics sie als Sitzungen von zwei verschiedenen Benutzern.

Zurück bei der Arbeit erinnert sich Nick, dass seine Frau schon immer einen Wenge -Tisch haben wollte, keinen Walnusstisch , und dass er auch eine Treuekarte hat. Er ruft die Website auf seinem Arbeitscomputer auf, loggt sich ein, ändert seine Bestellung und kauft mit seiner Kundenkarte ein.

Jetzt können alle Sitzungen von Nick zusammengefügt werden, indem der Kauf auf einem Computer verknüpft wird mit:

• Suche nach einer Tabelle (Sitzung 1) anhand der Client-ID, da beide Sitzungen im selben Browser auf demselben Computer initiiert wurden.
• Erstellen eines Kontos am Telefon (Sitzung 2) – nach der Benutzer-ID, da Nick sich in beiden Sitzungen bei seinem Konto angemeldet hat.

Infolgedessen werden die Daten zu Nicks Reise vom allerersten Besuch bis zum Kauf in Google BigQuery gesammelt.

Nick durchsucht die Website auf seinem Arbeitscomputer und sucht nach Stühlen, die zu dem neuen Tisch passen. Er ruft die auf der Website angezeigte Telefonnummer an und gibt eine Bestellung auf. Dann fährt er in den Laden und kauft die Stühle mit seiner Kundenkarte.

Nicks frühere Aktionen auf der Website wurden mit Aktionen im Geschäft und am Telefon zusammengeführt:

• Telefonbestellung und Online-Aktivitäten – nach ClientID, da Nick den Tisch zuvor gekauft hat und CallTouch die Telefonnummer im selben Browser auf demselben Gerät angezeigt hat.
• Offline-Käufe und Online-Aktivitäten – nach der Nummer von Nicks Treuekarte.

Jetzt sind es genug Daten, um alle Interaktionen von Nick miteinander zu verknüpfen. So machen sie es:

Als Ergebnis wurden alle Client-IDs, E-Mail-Adressen, Kundenkarten und Bestellungen des Benutzers konsolidiert, um zu sehen, welche der Suchanfragen Einnahmen bringen und welche Gebote verbrauchen , ohne bei einem Kauf zu helfen.

Die Logik des Attributionsmodells ist wie folgt: Der Gesamtwert der ersten und der letzten Sitzung im Conversion-Pfad eines Kunden entspricht dem Wert der Sitzungen dazwischen. Die erste Sitzung ist, wenn ein Benutzer die Website zum ersten Mal besucht und sich mit der Marke vertraut macht. Die letzte Sitzung ist, wenn der Benutzer einen Kauf tätigt. Das Kombinieren von Daten über verschiedene Geräte hinweg hilft dabei, eine Verbindung zwischen den Sitzungen und ihrer chronologischen Reihenfolge zu finden.

Der Wert für jeden Kanal wird in 2 Stufen ermittelt:

1. Identifizieren des Kanals, der die erste Sitzung initiiert hat. Wenn ein Benutzer die Website schon einmal besucht hat, wird der Akquisitionskanal mit dem Kanal der vorherigen Sitzung verknüpft. Wenn ein Benutzer beispielsweise die Website besucht, indem er auf eine Google-Display-Anzeige klickt, und die Website zuvor über eine organische Suche in Bing besucht hat, behandelt das Modell Bing als den Kanal, der den Benutzer mit der Marke bekannt gemacht hat.
2. Sitzungen einen Wert zuweisen. Die Einnahmen aus einem Kauf werden nach folgenden Regeln auf Benutzersitzungen verteilt:

• Die erste Sitzung erhält 20 % der Gutschrift für den Verkauf.
• Die letzte Sitzung erhält 30 % der Gutschrift.
• Die Sitzungen dazwischen erhalten die restlichen 50 %. Die Sitzungen werden nach der Anzahl der Stunden vor dem Kauf bewertet. Je mehr Seiten innerhalb der Sitzung angesehen wurden und je weniger Stunden bis zum Kauf vergingen, desto mehr Wert erhält die Sitzung.

Der Wert von Keywords und Kanälen wird täglich automatisch neu berechnet. Das Ergebnis wird in einer Tabelle in Google BigQuery und Google Cloud Storage gespeichert. Die Attributionsergebnisse werden mithilfe der RESTful-API aus Google Cloud Storage nach Alytics exportiert.

Die Regeln wurden für Alytics eingerichtet, um die Gebotsgröße zu bestimmen. Je höher der ROI des Suchbegriffs, der das Produkt erwähnt, desto höher das Gebot. Wenn der ROI für Tabellen beispielsweise weniger als 15 % beträgt, beträgt das Gebot für das Keyword „ Tabellen kaufen “ 1 $. Wenn der ROI größer als 75 % ist, beträgt das Gebot 4 $. Alle Zahlen wurden experimentell bestimmt.

Dank der Zusammenführung von Daten zum Online- und Offline-Kundenverhalten, der Ermittlung von Keyword-Werten und der Automatisierung von Gebotsanpassungen ist das Unternehmen nun in der Lage, folgende Fragen zu beantworten:

• Wie würde sich der ROI der Online-Werbung unter Berücksichtigung der Auftragserfüllung ändern?
• Wie wirkt sich Online-Werbung auf Bestellungen aus, die in einem Callcenter aufgegeben werden?
• Welche Keywords führen zu den profitabelsten Bestellungen?
• Welche Produkte liefern den größten ROI?
• Welcher Anteil der Offline-Verkäufe wurde durch Online-Werbung beeinflusst?

Dadurch war es möglich:

• Optimieren Sie Gebote und steigern Sie den ROI der PPC-Werbung um 17 %.
• Messen Sie die Auswirkungen von Keywords auf den Umsatz genauer und sehen Sie, dass 2,4-mal mehr Keywords zu Conversions beitragen. Herkömmliche Attributionsmodelle ignorierten sie einfach.
• Entdecken Sie, dass einige der Schlüsselphrasen einen größeren Einfluss auf Offline-Käufe haben als auf Online-Verkäufe.