So messen Sie den Anzeigenerfolg und steigern den ROAS durch die Konsolidierung von Daten

Denn je mehr Unternehmen auf den Online-Betrieb umstellen und in eine neue, digitale Welt eintauchen, desto mehr Daten müssen Vermarkter verarbeiten. Geschäftsanwender benötigen ständig hochwertige Dateneinblicke für eine erfolgreiche Leistung, und es wird zu einer der größten Herausforderungen, neue Analyseformate und -strukturen anzunehmen.

In diesem Fall beschreiben wir die Lösung, die das OWOX BI-Team für einen führenden Direktversicherungsanbieter bereitgestellt hat, der Schwierigkeiten hatte, die Wirkung von Werbung auf Einkäufe zu bewerten.

Da das Unternehmen Versicherungen über das Internet, Telefon und Offline verkauft, können Kunden Produkte über einen Kanal recherchieren und über einen anderen kaufen. Beispielsweise kann ein Kunde die Website des Unternehmens besuchen, die Deckung berechnen, einen Online-Antrag ausfüllen und dann ein physisches Büro aufsuchen, um einen Kauf zu tätigen. In solchen Fällen ist es schwierig, die Wirkung von Werbung auf den Kauf zu bewerten.

Die größte Herausforderung bestand darin, die Werbeausgaben zu optimieren und durch die Einführung eines funktionalen Bewertungssystems für die Werbeleistung einen besseren Return on Advertising zu erzielen. Das Unternehmen benötigte eine Möglichkeit, Daten zu Kosten, Einnahmen und Benutzerinteraktionen sowohl online als auch offline zu konsolidieren.

Daten über Benutzerinteraktionen mit der Website, Werbekosten und Offline-Bestellungen werden in verschiedenen Systemen gesammelt:

• Die Daten der Website werden in Google Analytics gesammelt;
• Die Daten der offline gekauften Versicherungspolicen werden im CRM-System des Unternehmens gespeichert;
• Nicht-Adwords-Kostendaten werden in der Regel nicht in Google Analytics erfasst. Daher werden ROAS, ROI und Anteil der Werbekosten für jeden Anzeigendienst separat berechnet.

All diese Daten sollten zusammengeführt werden, um den Beitrag der Werbung zum Versicherungsabschluss genau zu bewerten.

Alle erforderlichen Daten wurden in Google BigQuery mithilfe von OWOX BI Pipeline gesammelt und die trichterbasierten Attributionsmodelle Last Non-Direct Click und First Click implementiert. Als Nächstes wurden die Berichte erstellt, um die Kampagnenleistungsdaten zu vergleichen, die über jedes Attributionsmodell erhalten wurden.

Das Datenerfassungs- und Konsolidierungsflussdiagramm ist unten angegeben:

Werfen wir einen genaueren Blick auf jeden Schritt, den das Unternehmen zur Bewertung von Werbekampagnen unternommen hat: welche Daten wurden auf welche Weise kombiniert und welche Ergebnisse wurden erzielt.

Das Unternehmen entschied sich für den Cloud-Speicher von Google BigQuery, um Daten über Kundenaktivitäten vor Ort mit Daten über Offline-Versicherungskäufe zusammenzuführen. Der Dienst wurde aufgrund seiner Datenverarbeitungsfähigkeiten ausgewählt: Terabytes an Daten können in Sekunden verarbeitet werden, Petabytes an Daten — in ein paar Minuten. Dies macht Google BigQuery zu einem perfekten Dienst für die Durchführung komplexer Analyse- und Berichtsaufgaben. Ein weiterer Vorteil der Verwendung von Google BigQuery ist die hohe Sicherheit, da die Daten automatisch verschlüsselt werden. Weitere Informationen zu den Vorteilen der Verwendung von Google BigQuery finden Sie auf der Website des Dienstes.

OWOX BI Pipeline wurde aus folgenden Gründen für die Datenerfassung ausgewählt:

• Die Daten werden nahezu in Echtzeit erfasst und sind innerhalb von 5 Minuten verfügbar.
• Die Anzahl der Dimensionen und Messwerte in der Berichterstellung ist unbegrenzt. OWOX BI Pipeline ermöglicht das Erstellen von Berichten beliebiger Granularität, wobei eine SQL-ähnliche Syntax zum Abfragen von Rohdaten verwendet wird. Allein in Google Analytics gibt es bestimmte Dimensionen und Messwerte, die nicht in einem Bericht kombiniert werden können. Die Anzahl der Dimensionen und Messwerte in einem Bericht ist begrenzt: 2 Dimensionen in einem Standardbericht, 5 Dimensionen in einem benutzerdefinierten Bericht und 7 Dimensionen in einer Core v3-Anfrage. Außerdem ist es unmöglich, die Werbekosten für jeden einzelnen Nutzer zu analysieren. Weitere Informationen zu Limits und Kontingenten finden Sie im Google Developers Guide.
• Die in Google BigQuery importierten Daten werden unabhängig von ihrem Volumen nicht abgetastet.

Weitere Informationen zu den Unterschieden zwischen Google BigQuery Export für Google Analytics 360 und OWOX BI Pipeline finden Sie in unserem Blogbeitrag.

Die Daten zu Versicherungskäufen werden mithilfe von POST-Anfragen aus dem CRM-System in Google BigQuery hochgeladen.

• Kostendaten für AdWords-Kampagnen werden aufgrund der nativen Integration zwischen Google Analytics und Google AdWords automatisch in Google Analytics erfasst.
• Kostendaten für andere Marketingkanäle werden von OWOX BI Pipeline in Google Analytics importiert.
• Die Daten für alle Kanäle werden aus Google Analytics in Google BigQuery importiert. Dies ermöglicht die Berechnung von ROAS, ROI und Anteil der Werbekosten in Bezug auf die Käufe und nicht nur auf Online-Anwendungen.

Nach der Konsolidierung der Daten in Google BigQuery erstellte das Marketingteam mehrere Attributionsmodelle, um zu messen, wie effektiv Anzeigen neue Kunden gewinnen (das Attributionsmodell „Erster Klick“) und Käufe ankurbeln (das Attributionsmodell „Letzter indirekter Klick“).

Als drittes, objektivstes Attributionsmodell wurde die trichterbasierte Attribution von OWOX BI gewählt. In diesem Modell erhält jeder Kanal eine Gutschrift in Abhängigkeit von seinem Beitrag zum Fortschritt eines Kunden durch den Kauftrichter. Sitzungen werden basierend auf der Wahrscheinlichkeit bewertet, mit der der Kunde zu jedem nächsten Schritt innerhalb des Trichters fortschreitet. Je höher die Wahrscheinlichkeit, desto weniger Wert wird der Sitzung zuerkannt, die einem Benutzer geholfen hat, den Schritt zu durchlaufen. Je niedriger die Wahrscheinlichkeit, desto mehr Anerkennung erhält die Sitzung. Ergebnisse von Berechnungen innerhalb des trichterbasierten Attributionsmodells sind in Google BigQuery und der OWOX BI-Schnittstelle verfügbar. Der Bericht zeigt die Konversionsrate (absolute Konversion), die Wahrscheinlichkeit und den Wert jedes Schritts, den Benutzer auf dem Weg zu einem Kauf unternehmen. Schauen Sie sich das folgende Beispiel an:

• Die Schritt-Conversion -Rate ist der Prozentsatz der Sitzungen, in denen der angegebene Schritt angesehen wurde. Beispielsweise bedeutet die Conversion-Rate von 34 % in Schritt 2, dass 34 % der Gesamtzahl der Website-Besucher zu diesem Schritt navigiert sind.
• Die Wahrscheinlichkeit ist der Prozentsatz der Sitzungen, in denen Besucher vom vorherigen zum angegebenen Schritt navigiert sind. In diesem Beispiel hat Schritt 4 eine Wahrscheinlichkeit von 10 %, was bedeutet, dass 10 % der Besucher von Schritt 3 zu Schritt 4 navigiert sind.
• Der Wert wird wie folgt berechnet. Erstens erhält jeder Schritt eine Punktzahl im umgekehrten Verhältnis zur Wahrscheinlichkeit. Dann wird die Punktzahl des Schritts durch die Gesamtsumme der Punktzahlen innerhalb des Trichters dividiert. Je schwieriger es für Benutzer ist, durch einen bestimmten Schritt des Trichters zu gelangen, desto höher ist der Wert.

Die OWOX BI Smart Data wurde verwendet, um die Arbeit mit allen erhaltenen Daten zu rationalisieren. Das Tool ermöglicht es, Fragen zu den Daten in natürlichem Englisch zu stellen, es sind keine SQL-Abfragen erforderlich. Fragevorlagen ermöglichen es, Antworten in Sekundenschnelle zu erhalten.

Durch die Durchführung der oben genannten Schritte erhielt das Unternehmen ein Dashboard, das sowohl den tatsächlichen Wert jedes Kanals als auch die Art und Weise anzeigt, wie dieser Wert auf verschiedene Gerätetypen über die Trichterschritte verteilt ist.

Die folgende Grafik zeigt, dass derselbe Trichterschritt auf verschiedenen Geräten unterschiedliche Werte haben kann. Der wertvollste Schritt auf Tablets ist der erste Besuch der Website. Das Navigieren durch Schritt 2 und Schritt 3 ist der Schlüssel für mobile Geräte. Bei Sitzungen auf Desktop-Computern und geräteübergreifenden Sitzungen ist der Wert gleichmäßiger verteilt.

Was bedeutet das? Beispielsweise ist es für Tablet-Benutzer weniger wahrscheinlich, dass sie den ersten Schritt tun, dh die Website besuchen. Das bedeutet, dass Anzeigen, die auf Tablet-Geräte ausgerichtet sind, darauf ausgerichtet sein sollten, neue Website-Besucher anzuziehen.

Die Kanalwerte in den Modellen „Erster Klick“ und „Letzter indirekter Klick“ wurden berechnet, um unterbewertete und überbewertete Kanäle zu identifizieren, das Werbebudget effizienter umzuverteilen, und sie mit den Ergebnissen verglichen, die im trichterbasierten Attributionsmodell erzielt wurden.

Weder die Attributionsmodelle „Erster Klick“ noch „Letzter indirekter Klick“ können einen genauen Überblick über die Kampagnenleistung bieten, da Google Analytics keine Daten zu offline gekauften Versicherungspolicen enthält. Ein Benutzer kann den Online-Trichter nur halb durchlaufen und dann offline auf das Produkt zugreifen und es kaufen. Aus diesem Grund wurden die Modelle mithilfe von Google BigQuery bzw. Google Data Studio implementiert und visualisiert.

Durch die Erstellung eines Dashboards in Google Data Studio kann das Unternehmen die Kampagnenleistung für die beiden beliebtesten Attributionsmodelle einfach überwachen und vergleichen: Erster Klick, bei dem sich die Bemühungen auf die Akquisition konzentrieren, und Letzter indirekter Klick, bei dem die Bemühungen gelenkt werden erwerben. Monatliche KPIs werden in einem leicht lesbaren Format gemeldet.

Die unten gezeigte Berichtsseite vergleicht beispielsweise die Verteilung von Umsatz und ROAS auf verschiedene Kanäle. Beim Vergleich der Kanalleistung in den beiden unterschiedlichen Attributionsmodellen sieht man, dass die Zahlen für ROAS und Umsatzanteil des Kanals in beiden Modellen nahezu identisch sind. Das bedeutet, dass diese Kanäle fast gleichermaßen geeignet sind, um Nutzer zu gewinnen und sie zum Abschluss zu bringen.

• Nach der vollständigen Automatisierung der Datenerfassung und -verarbeitung muss das Unternehmensteam aufgrund der Verwendung von OWOX BI und Google-Produkten keine Daten manuell importieren. Alle Daten sind in einer Oberfläche verfügbar, und Marketingspezialisten können schnell auf alle benötigten Daten zugreifen.
• Das trichterbasierte Attributionsmodell ermöglichte eine objektivere und zuverlässigere Bewertung von Marketingkanälen.
• Das Team berechnete die Gutschrift, die Werbekanäle in den Attributionsmodellen „Erster Klick“/„Letzter Klick“ erhalten würden. Durch den Abgleich der Ergebnisse mit dem trichterbasierten Attributionsmodell wurden die unter- und überschätzten Kanäle identifiziert und das Werbebudget effizienter umgeschichtet.

Das obige Diagramm vergleicht Kanalwerte, die in verschiedenen Attributionsmodellen erhalten wurden. Der Beitrag des 5. Kanals wird im Last Non-Direct-Attributionsmodell deutlich unterbewertet. Nach dem trichterbasierten Attributionsmodell hat es einen 100 % höheren ROAS und wirkt sich erheblich auf die endgültige Conversion aus. Die anderen Kanäle sind überwiegend überbewertet. Basierend auf diesen Erkenntnissen kann das Unternehmen das Werbebudget von den überbewerteten Werbekampagnen auf die unterbewerteten umschichten und so die Werbung ohne Mehraufwand effizienter gestalten.