So steigern Sie den ROI für kontextbezogene Werbung für einen Unternehmenseinzelhändler um das 2,2-fache

Eine Frage, die jedem Unternehmen bekannt ist, ist, wie man die Ausgaben für kontextbezogene Werbung senkt und gleichzeitig den Umsatz aufrechterhält. Wenn Sie Traffic zu Ihrer Website in einem Werbesystem wie Google Ads oder Facebook erwerben, fließt ein großer Teil Ihrer Ausgaben in Klicks von Benutzern, die Artikel nicht in den Warenkorb legen. Und selbst wenn sie es tun, schließen sie den Kauf nicht immer ab. Was kann also getan werden, um Werbekampagnen zu optimieren?

In diesem Fall beschreiben wir die Lösung des OWOX BI-Teams für den Elektronik- und Haushaltsgerätehändler, der OWOX BI zur Berechnung der Conversion-Wahrscheinlichkeit getestet hat.

Zu den wichtigsten Performance-Marketing-Aufgaben für einen Unternehmenseinzelhändler gehören die Steigerung der Effizienzkennzahlen und die Reduzierung der Kontakte mit Benutzern, die derzeit nicht am Kauf interessiert sind. Datengetriebene Lösungen sind die vielversprechendsten Instrumente zur Optimierung von Werbekampagnen. Das Attributionsmodell von OWOX BI verwendet maschinelle Lerntechnologien, um die Kaufwahrscheinlichkeit für jeden Website-Benutzer ab dem ersten Besuch zu berechnen. Anhand dieser Kaufwahrscheinlichkeiten können Unternehmen feststellen, ob es sich für einen Nutzer lohnt, in Werbung zu investieren. Darüber hinaus kann das OWOX BI-Modell die Wahrscheinlichkeit berechnen, mit der ein Benutzer eine Aktion ausführt.

Außerdem ist eine der obligatorischen Aufgaben eines SEM-Spezialisten für kontextbezogene Werbung die Segmentierung von Website-Besuchern in verschiedene Gruppen, abhängig von Aktionen, die sie auf der Website ausführen, und der Zeit, die seit dem letzten Trigger vergangen ist. Zum Beispiel die Anzahl der Tage seit dem Hinzufügen eines Artikels zum Einkaufswagen ohne Kauf. Die manuelle Analyse solcher Zielgruppen und die Anpassung der Gebotskalkulation nehmen einen großen Teil des Arbeitsprozesses ein.

Zusammenfassend bestand das Ziel darin, den ROI kontextbezogener Werbekampagnen zu steigern und gleichzeitig Einnahmen aus abgeschlossenen Bestellungen zu sparen.

Die maschinelle Lernlösung OWOX BI wurde zur Optimierung von Werbekampagnen eingesetzt und trainiert auf:

• historische Daten über das Verhalten der Website-Benutzer
• CRM-Daten zu eingelösten Bestellungen
• aggregierte und anonymisierte Daten aus Zehntausenden von Projekten von OWOX-Kunden

Was OWOX BI bietet:

• Für jeden Website-Benutzer wird die Kaufwahrscheinlichkeit unter Berücksichtigung der eingelösten Bestellungen berechnet.
• Wahrscheinlichkeitsberechnungen werden nach jeder Benutzeraktion oder Inaktivität aktualisiert. Wenn ein Benutzer beispielsweise eine Website besucht und eine Reihe von Aktionen ausführt, erhält er eine Wahrscheinlichkeit von X %, einen Kauf zu tätigen. Wenn sie die Website danach vier Tage lang nicht besuchen, sinkt diese Wahrscheinlichkeit.
• 10 Nutzersegmente aufgeteilt nach Kaufwahrscheinlichkeit entlang einer 10-Punkte-Skala.

Um die Prognosegenauigkeit und die Leistung jedes Segments zu bewerten, analysierte das Team, wie viele Aufträge jedes Segment abgeschlossen hat.

Ganz oben in der Tabelle befindet sich das Segment mit der höchsten Conversion-Wahrscheinlichkeit und ganz unten das Segment mit der niedrigsten.

1. Gesammelte Daten über das Benutzerverhalten auf der Website in Google BigQuery mit OWOX BI. (Es ist auch möglich, Google Analytics 360 zu verwenden.)

2. OWOX-Analysten trainierten das Attributionsmodell und begannen mit regelmäßigen Berechnungen der Conversion-Wahrscheinlichkeit für die Website-Besucher. Jedem Besucher wurde eine Konversionswahrscheinlichkeit zugeordnet. Der Algorithmus berücksichtigt mehr als 60 Parameter, darunter:

• Anzahl der Sitzungen in Treffern innerhalb des Conversion-Fensters
• Aktionen auf der Website innerhalb einer Sitzung
• Pausen zwischen den Sitzungen
• Gesamtzahl der Aktionen
• Sitzungsgerät und Betriebssystem
• Zugriffsquellen, die der Benutzer innerhalb eines Conversion-Fensters hatte
• Anzahl der Aktionen auf jeder Seite innerhalb einer Sitzung
• Zeitpunkt einer bestimmten Sitzung und Gesamtzeit der Sitzungen innerhalb eines Conversion-Fensters

3. Das OWOX BI-Team sammelte all diese Daten in einer Tabelle in Google BigQuery, um die Kaufwahrscheinlichkeit für jeden Benutzer zu bewerten.

4. Die Zielgruppendaten wurden über eine OWOX BI Pipeline an den Werbedienst übertragen.

5. Die Zielgruppen wurden dem Werbedienst hinzugefügt.

Der primäre A/B-Test wurde mit einer gleichmäßigen Aufteilung des Traffics auf die untersuchten Gruppen für Werbekampagnen durchgeführt:

• manuell erstellt.
• basierend auf einem Produktdatenfeed mit Hilfe eines Automatisierungsdienstes.

Nach dem erfolgreichen Experiment wurde der zweite Test zu Kampagnen mit dynamischen Anzeigen gestartet. Nachdem Daten nach ihrer Effizienz bei Werbekampagnen gesammelt wurden, wurden Gebote für Zielgruppen berechnet und angepasst:

• Verringern Sie die Gebote für Zielgruppen mit geringer Kaufwahrscheinlichkeit (manchmal bis zu 90 %).
• Gebote für Zielgruppen mit hoher Kaufwahrscheinlichkeit erhöhen.

Die Größe der Gebotsanpassungen wurde basierend auf den gesammelten Daten über den Konversionskoeffizienten jeder Zielgruppe und den Ziel-ROI berechnet. Auch der aktuelle ROI jeder Kampagne und Zielgruppe wurde berücksichtigt. Für jede Zielgruppe berechnete OWOX BI einen angemessenen Preis pro Klick. Basierend auf diesen Berechnungen passte es den aktuellen Preis an, um den Ziel-KPI zu erreichen. Die Anpassungen wurden aufgrund der Ergebnisse ständig geändert.

Zwei Monate lang arbeiteten OWOX-Analysten mit dem Team des Kunden zusammen, um zwei Tests durchzuführen. Die erste dauerte anderthalb Monate und umfasste fünf Werbekampagnen mit geringem Traffic. Jede dieser Kampagnen wurde in zwei Kampagnen für A/B-Tests unterteilt: eine mit OWOX BI-Zielgruppen und eine ohne sie.

Kampagnen mit OWOX-Zielgruppen zeigten 1,7-mal bessere Ergebnisse sowohl in Bezug auf den ROI als auch auf den Umsatz für abgeschlossene Bestellungen. Für einen Händler war dies ein Schritt in Richtung Effizienzsteigerung bei Werbeinvestitionen.

Nach dem ersten Experiment führte das OWOX BI-Team einen dreiwöchigen Test basierend auf Kampagnen mit großem Verkehrsaufkommen nach demselben Prinzip durch – eine gleiche Anzahl von Kampagnen mit OWOX BI-Zielgruppen und ohne OWOX BI-Zielgruppen.

Das Ergebnis des zweiten Tests war ein 2,2-mal höherer ROI und ein 2,7-mal höherer Umsatz für abgeschlossene Bestellungen in Kampagnen mit OWOX BI-Zielgruppen.

In beiden Fällen brachte die Testgruppe bei gleichem Budget entweder mehr Umsatz als die Kontrollgruppe oder bei geringerem Budget den gleichen Umsatz. Durch die Verwendung von OWOX BI zur Vorhersage von Conversions sparte unser Kunde Zeit beim Erstellen von Zielgruppensegmenten, alle Daten zu Website-Benutzern wurden automatisch verarbeitet und die resultierenden Daten wurden zum Hochladen in einen Werbedienst vorbereitet, wo sie in Werbekampagnen verwendet werden konnten, um Gebote anzupassen und auszuführen Retargeting.

Diese Testergebnisse wurden als gelungener Start für die weitere Skalierung anderer Performance- und Markenformance-Kanäle gewertet. Da Experimente mit Conversion-Wahrscheinlichkeitsberechnungen ihre Effizienz bewiesen hatten, bestand der nächste Schritt darin, die Lösung zu skalieren – um sie in allen Suchkampagnen zu verwenden, Retargeting durch Festlegen unterschiedlicher Gebote in Abhängigkeit von Conversions in einem Segment durchzuführen und sie in anderen Werbediensten wie Facebook anzuwenden , MyTarget und Google Ads.