So steigern Sie den E-Mail-gesteuerten Umsatz um 237 % und optimieren die Werbeausgaben

Der gut optimierte E-Mail-Prozess kann Unternehmen über diesen Vertriebskanal den höchstmöglichen ROI bieten. Allerdings müssen Sie E-Mail-Marketing-Kampagnen anpassen, um dies zu erreichen: Der Inhalt sollte für Ihre Zielgruppe personalisiert sein. Andernfalls besteht eine gute Chance, dass Ihre E-Mail-Bemühungen Geld zum Fenster hinauswerfen.

In diesem Fall beschreiben wir die Lösung des OWOX BI-Teams für eine große Einzelhandelskette für Haushaltsgeräte, Elektronik und Haushaltswaren mit mehr als 600 Geschäften in mehr als 200 Städten. Das Unternehmen stand vor der Herausforderung, herauszufinden, wie es seine Konversionsrate verbessern und die Werbekosten optimieren kann, indem es getriggerte E-Mails einsetzt.

In einem wettbewerbsintensiven Geschäftsumfeld geht es vor allem darum, neue Kunden zu gewinnen, den LTV zu erhöhen und das Werbebudget zu optimieren. Business Analysten wollten die Effizienz ihrer Kundenakquisitionskanäle unter Berücksichtigung des resultierenden Gewinns aus jeder der Werbekampagnen analysieren. Standardattributionsmodelle waren für diese Aufgabe nicht geeignet, da sie die folgenden Faktoren ignorieren:

1. Besucher von Preisvergleichs-Websites versuchen, Produkte zum niedrigsten Preis zu kaufen. Dies bedeutet, dass die Kunden bei der Erwägung ihres nächsten Kaufs möglicherweise erneut nach dem Preis wählen möchten und anstatt den Online-Shop des Unternehmens zu besuchen, möglicherweise erneut eine Preisvergleichs-Website besuchen. Bei der Bewertung dieser Verkehrsquelle sollte man den LTV des Kunden über 180 Tage und die Gesamtkosten für Akquise und Bindung berücksichtigen, da das Unternehmen jedes Mal Geld ausgeben kann, wenn es Kunden über Preisvergleichs-Websites zurückbringt.
2. Kunden, die ein billigeres Produkt mit geringer Marge gekauft haben, können später auf die Website zurückkehren, um teurere Produkte zu kaufen. Obwohl die Marge des billigeren Produkts die Anschaffungskosten möglicherweise nicht deckt, zahlen sich solche Werbekampagnen letztendlich (über 180 Tage) besser aus.

Vor diesem Hintergrund hat das Analystenteam ein eigenes LTV-basiertes Attributionsmodell entwickelt, das die Werbekosten und die Marge aus den Käufen über einen Zeitraum von 180 Tagen berücksichtigt. Darüber hinaus wurden die Möglichkeiten getestet, potenzielle Käufer, die Interesse an einem bestimmten Produkt oder einer bestimmten Produktkategorie hatten, zu treuen Kunden zu machen. Einige der Besucher haben die Website durchsucht, aber keine Produkte gekauft. Einige der Besucher haben den Checkout gestartet, aber den Vorgang nicht abgeschlossen (aufgegebene Warenkörbe). Es wurde beschlossen, getriggerte E-Mails einzurichten, um solche Besucher auf die Website zurückzubringen und sie zum Kauf zu motivieren:

1. Erinnerungen an verlassene Warenkörbe für Benutzer, die den Checkout begonnen, aber noch nicht abgeschlossen haben.
2. Empfehlungen basieren auf den angesehenen Produkten an Benutzer, die bestimmte Arten von Seiten (Katalogseiten oder Produktseiten) durchsucht haben.

Der Inhalt der getriggerten E-Mails sollte personalisiert sein, um den aktuellen Bedürfnissen jedes Kunden gerecht zu werden. Um dies zu gewährleisten, sollte es keine Verzögerungen beim Sammeln von Daten über die Handlungen der Website-Besucher geben.

Die zum Erreichen dieser Ziele erforderlichen Daten wurden in verschiedenen Systemen gespeichert – Google Analytics und einer Reihe von Werbediensten. Es war nicht nur notwendig, die Daten zusammenzuführen, sondern auch einen schnellen Zugriff darauf und eine Datenverarbeitung nahezu in Echtzeit zu gewährleisten.

Folgende Aufgaben musste das Unternehmen lösen, um die Ziele zu erreichen:

• Sammeln Sie Daten aus mehreren Quellen in einem einzigen System und optimaler Struktur.
• Besorgen Sie sich alle für das Attributionsmodell erforderlichen Daten und stellen Sie sicher, dass die Daten historisch aktualisiert werden können.

Es wurde beschlossen, die Hypothesen innerhalb von 180 Tagen zu überprüfen.

Die Daten wurden von folgenden Systemen bezogen:

1. Google Analytics: Die Daten der Website sind in Google Analytics über einen Google Tag Manager-Container verfügbar.
2. Werbequellen: Google AdWords, Criteo.

Als einziger Datenspeicher hat man sich für Google BigQuery entschieden:

1. Dieser Cloud-Speicher ermöglicht das Sammeln und schnelle Verarbeiten riesiger Datenmengen.
2. Es bietet eine große Auswahl an vorgefertigten Lösungen und Tools für die Integration mit CRM- und ERP-Systemen.
3. Die Daten sind sicher geschützt.

Die folgenden Tools und Funktionen wurden verwendet, um alle Daten in Google BigQuery zu sammeln:

1. Google BigQuery Export für Google Analytics 360 – um Daten von Google Analytics in Google BigQuery zu erhalten, einschließlich historischer Daten aus 13 Monaten.
2. OWOX BI Pipeline – das Unternehmen erhält nahezu in Echtzeit Trefferdaten von der Website in Google BigQuery zusammen mit den Daten über Kosten, Klicks und Impressionen von Werbequellen, die in Google Analytics und dann in Google BigQuery verfügbar sind.

Dadurch werden alle notwendigen Daten in Google BigQuery gesammelt und anschließend an die unternehmensinternen Analysesysteme gesendet.

Daten, die in Google BigQuery über den Standardexport für Google Analytics 360 und über die OWOX BI-Pipeline erhalten wurden, wurden in einem Datenwürfel organisiert. Ein solcher Würfel, der in einer optimalen Struktur erstellt wurde, ermöglicht eine erhebliche Reduzierung der Datenverarbeitungskosten.

Das folgende Flussdiagramm zeigt, wie die erforderlichen Daten gesammelt und zusammengeführt werden:

Die OWOX BI-Analysten entwickelten zwei Ansichten unter Verwendung von SQL-Abfragen, um getriggerte E-Mails einzurichten. Die Abfragen aggregieren Daten über Benutzeraktionen auf der Website, die über OWOX BI Pipeline erhalten werden, und Daten, die über Google BigQuery Export erhalten werden, in einer optimalen Struktur für die Aufgabe.

Die Effizienz der E-Mails wurde mit A/B-Tests gemessen. Getriggerte E-Mails an die erste Gruppe von Benutzern wurden am nächsten Tag nach dem Besuch der Website gesendet. Die andere Gruppe erhielt getriggerte E-Mails in knapp einer Stunde, da die E-Mails mit den Daten aus den Tabellen in Google BigQuery und dem Datenwürfel versendet wurden. In beiden Fällen wurden die E-Mails über denselben Dienst versendet.

Im Gegensatz zu Google Analytics kann der Wert des userID-Felds in Pivot-Tabellen in Google BigQuery rückwirkend aktualisiert werden, indem die Tabellen überschrieben werden. Sobald ein Benutzer auf der Website auf einem beliebigen Gerät authentifiziert ist (sobald der userID-Wert bekannt ist), erwerben die vorherigen Sitzungen desselben Benutzers auch den userID-Wert, wenn dieser Wert nicht zuvor angegeben oder definiert wurde. Durch die rückwirkenden Aktualisierungen des userID-Feldes wurden genauere Benutzerdaten erhalten und personalisierte getriggerte E-Mails an eine größere Anzahl von Besuchern gesendet.

Das Team entwickelte ein eigenes Attributionsmodell mit den folgenden Merkmalen:

• Verteilung der Kosten für die Besucherakquisition auf Besuche nur von bezahlten Verkehrsquellen.
• Bewertung der Gesamtmarge pro Benutzer für 30, 60, 90 und 180 Tage.
• Berücksichtigen Sie nur Daten von Erstkäufern in den Berechnungen. Bei einem Wiederholungskauf wird der Wert der Bestellung dem Kanal zugeordnet, der den Nutzer zum ersten Mal auf die Website geführt hat.

Dieses Attributionsmodell wurde durch rückwirkende Datenaktualisierungen in Google BigQuery ermöglicht, einschließlich Aktualisierungen des UserID-Felds und der Daten zu den Besucherakquisitionskosten.

Durch das Sammeln von Daten in einem einzigen Datenspeicher, das Einrichten neuer getriggerter E-Mails und die Aktualisierung historischer Daten wurden diese Ziele erreicht:

1. Verbessern Sie ausgelöste E-Mail-KPIs.

E-Mail-Benachrichtigungen über aufgegebene Produkte werden innerhalb einer Stunde an die meisten Benutzer gesendet, die Produkte in ihren Einkaufswagen gelegt, aber den Kauf noch nicht abgeschlossen haben. Die Daten für ausgelöste E-Mails werden automatisch zweimal pro Stunde erfasst.

Die Effizienz der neuen Mailing-Methode wurde durch A/B-Tests bestätigt:

• Die Anzahl der Besuche auf der Website durch zugestellte E-Mails stieg um 76 %.
• Die Konversionsrate für Käufe von Benutzern, die die Website über zugestellte E-Mails besuchten, stieg um 12 %.
• Anzahl der Käufe nach E-Mail-Optimierung für abgebrochene Warenkörbe um 85 % gestiegen.
• Umsatzanteil in der Zielgruppe um 237 % gesteigert.

2. Optimieren Sie das Werbebudget und reduzieren Sie den Anteil der Werbekosten

Die folgenden Grafiken zeigen Daten zum LTV der Kunden pro Sitzung (FM – Marge, COST – Kosten) gemäß dem unternehmenseigenen Attributionsmodell, das den Lebenszeitwert der Kunden berücksichtigt, die verschiedene Produktgruppen über bezahlte Verkehrskanäle besucht haben. Dieser Wert steigt mit der Zeit an – eine Tatsache, die vom Last-Click-Attributionsmodell ignoriert wird. Der maximale Einsatz für jede Kampagne ist auf die Marge begrenzt, die das Unternehmen 180 Tage lang ohne Kundenbindungskosten erzielt.

Wie anhand des CLTV-basierten Attributionsmodells über den Zeitraum von 180 Tagen zu sehen ist, kamen Benutzer zunächst über CPC-Kanäle, kehrten dann zurück und tätigten wiederholte Käufe über kostenlose Kanäle. Der Wert solcher CPC-Kanäle war um ein Vielfaches höher als nach dem Last-Click-Attributionsmodell. Das Volumen und die Häufigkeit von Wiederholungskäufen sowie der Umsatz des Unternehmens waren für jede Produktkategorie, Werbekampagne und Quelle unterschiedlich.