Cómo descubrir 2,4 veces más palabras clave que ayudan en las conversiones y aumentar el ROI de la publicidad PPC en un 17 %

Ganar la competencia de marketing hoy en día es imposible sin aplicar el análisis de datos para mejorar el rendimiento comercial. Las nuevas tecnologías permiten a las empresas transformar su flujo de trabajo, aprovechar de manera efectiva los datos para tomar decisiones y alcanzar los objetivos de marketing más rápido.

En este caso, describimos la solución brindada por el equipo de BI de OWOX para un minorista omnicanal de muebles y artículos para el hogar cuyos clientes realizan compras en el sitio web, en tiendas físicas y/o por teléfono a través de un centro de llamadas. Tuvo desafíos para mejorar su ROI de publicidad en línea.

Dado que la empresa buscaba mejorar el ROI de su publicidad en línea, su estrategia implicó los siguientes pasos:

1. Recopile datos completos sobre las actividades fuera de línea y en línea de cada cliente, en todos los dispositivos.
2. Evalúe los ingresos generados por cada palabra clave, en lugar de asignar todo el crédito a la última palabra clave.
3. Automatice la gestión de ofertas y los ajustes para la publicidad PPC.

El proceso involucró: recopilar datos completos (acciones de los usuarios; pedidos realizados en línea, fuera de línea y por teléfono; datos de rendimiento publicitario), implementar un modelo de atribución personalizado y automatizar la administración de ofertas en Alytics.

La empresa necesitaba saber el rendimiento de cada palabra clave para automatizar las ofertas. Todos los puntos de contacto con los clientes, incluidas las sesiones en línea a través de dispositivos, las llamadas telefónicas y las compras en tiendas físicas, deben unirse para determinar los valores de las palabras clave. En Google Analytics, no existe tal opción.

Los modelos de atribución de Google Analytics no pueden evaluar los canales publicitarios con precisión debido a las siguientes deficiencias:

• Ignorar pedidos cancelados.
• Omitir compras fuera de línea.
• Ignorando los márgenes brutos de las compras.
• Omisión de pedidos telefónicos.
• Seguimiento incorrecto de usuarios que visitan en múltiples dispositivos, como múltiples usuarios únicos.
• Muestreo de datos en informes.

La evaluación incorrecta del rendimiento de las palabras clave dificulta la configuración correcta de las ofertas. En consecuencia, una oferta alta sería una pérdida de presupuesto y una baja generaría menos clientes.

Los datos sobre pedidos por teléfono y pedidos fuera de línea, así como los datos de costos de campañas publicitarias pagas que no son de Google, no están disponibles en Google Analytics. Por lo tanto, la recopilación de datos y el modelo de atribución se configuran en Google BigQuery.

Este servicio fue elegido por las siguientes razones:

• Procesamiento de consultas de alta velocidad, hasta 20 segundos, en cualquier cantidad de datos.
• Las API permiten integraciones sencillas con otros sistemas.
• Posibilidad de cargar fácilmente datos desde archivos o Hojas de cálculo de Google.
• Cobrando solo por uso.
• No es necesario mantener bases de datos.

El valor de los canales y las palabras clave se calculó en Google BigQuery para administrar las ofertas y luego los resultados se importaron a Alytics mediante la API RESTful.

Ahora, echemos un vistazo más de cerca a cada paso.

Los datos de costos y rendimiento de Google AdWords se importan automáticamente a Google Analytics gracias a la integración nativa y la vinculación de cuentas.

El oleoducto OWOX BI se utiliza para:

• Recopilación de datos de rendimiento de sesiones, costos e ingresos de los servicios de publicidad a Google Analytics. Estos datos aparecen en el informe de análisis de costos, junto con los datos de Google AdWords.
• Importación de datos consolidados de rendimiento de sesiones, costos e ingresos de Google Analytics a Google BigQuery.
• Importación de datos de comportamiento del usuario del sitio web a Google BigQuery, casi en tiempo real.

Los siguientes datos se envían a Google BigQuery mediante API:

• Márgenes brutos de productos y tasas de finalización de pedidos de CRM y ERP.
• ID de cliente de los usuarios que han realizado llamadas telefónicas, desde el sistema de seguimiento de llamadas CallTouch. Se utilizan los múltiples números de teléfono proporcionados por CallTouch: cuantas más visitas y mayor sea la duración promedio de la sesión, más números de teléfono proporciona CallTouch. El sistema muestra uno de los números en cada sesión en el sitio web y asocia el número con el ClientID del usuario. A continuación, los ID de cliente de las personas que llaman se importan de CallTouch a Google BigQuery.

El diagrama de flujo de la recopilación de datos se muestra a continuación:

Ahora todos los datos de comportamiento de los usuarios de las tiendas físicas, los centros de llamadas y el sitio web se recopilan en Google BigQuery. Los datos de la sesión (secuencias de aciertos, ID de sesión y datos personales cifrados de los usuarios) se transfieren a Google BigQuery mediante OWOX BI Pipeline. Las sesiones se asocian a los usuarios mediante los siguientes parámetros:

• ClientID, el identificador único para el par navegador-dispositivo.
• UserID, el identificador único de cada usuario, que está vinculado a la dirección de correo electrónico del usuario.
• Número de tarjeta de fidelidad.

Hoff agrupa sesiones usando consultas SQL. Echemos un vistazo a 3 ejemplos de cómo se combinan los datos.

Anna busca sofás en el sitio web usando una aplicación de navegador en su teléfono inteligente. Después de un tiempo, vuelve a visitar el sitio web en el mismo dispositivo, hace su elección, inicia sesión por correo electrónico y agrega el sofá a su carrito. Dado que el dispositivo y el navegador son los mismos, estas dos sesiones se agrupan por ClientID. Anna llega a casa, abre su computadora portátil, inicia sesión en su cuenta y compra el sofá que eligió. Ahora las sesiones en su teléfono y computadora portátil se pueden combinar por ID de usuario:

Nick visita el sitio web mientras busca una nueva mesa de cocina en la computadora de su trabajo. Durante su hora de almuerzo, crea una cuenta en el sitio web usando su teléfono inteligente y hace un pedido.

Nick usó dos dispositivos diferentes y autorizó solo desde su teléfono inteligente. Estas dos sesiones no se pueden vincular por ClientID o UserID. Como resultado, Google Analytics las cuenta como sesiones de dos usuarios diferentes.

De regreso al trabajo, Nick recuerda que su esposa siempre ha querido una mesa de wengué , no de nogal , y también que él tiene una tarjeta de fidelidad. Ingresa al sitio web en la computadora de su trabajo, inicia sesión, cambia su pedido y realiza una compra con su tarjeta de fidelización.

Ahora todas las sesiones de Nick se pueden unir asociando la compra en una computadora con:

• Buscando una tabla (Sesión 1), por ClientID, ya que ambas sesiones se iniciaron en el mismo navegador en la misma computadora.
• Creación de una cuenta en el teléfono (Sesión 2): por ID de usuario, ya que Nick inició sesión en su cuenta en ambas sesiones.

Como resultado, los datos relacionados con el viaje de Nick desde la primera visita hasta la compra se recopilan en Google BigQuery.

Nick navega por el sitio web en la computadora de su trabajo, buscando sillas que combinen con la nueva mesa. Llama al número de teléfono que aparece en el sitio web y hace un pedido. Luego conduce hasta la tienda y compra las sillas con su tarjeta de fidelización.

Las acciones anteriores de Nick en el sitio web se fusionaron con acciones en la tienda y en el teléfono:

• Pedido telefónico y actividades en línea: por ClientID, ya que Nick compró la mesa antes y CallTouch mostró el número de teléfono en el mismo navegador, en el mismo dispositivo.
• Compra fuera de línea y actividades en línea: por el número de la tarjeta de fidelización de Nick.

Ahora hay suficientes datos para vincular todas las interacciones de Nick. Así es como lo hacen:

Como resultado, todos los ClientID, las direcciones de correo electrónico, las tarjetas de fidelización y los pedidos del usuario se consolidaron para ver cuáles de las consultas de búsqueda generan ingresos y cuáles consumen ofertas sin ayudar en una compra.

La lógica del modelo de atribución es la siguiente: el valor total de la primera y la última sesión en la ruta de conversión de un cliente es igual al valor de las sesiones intermedias. La primera sesión es cuando un usuario visita el sitio web por primera vez y se familiariza con la marca. La última sesión es cuando el usuario realiza una compra. La combinación de datos en diferentes dispositivos ayuda a encontrar una conexión entre las sesiones y su orden cronológico.

El valor para cada canal se determina en 2 etapas:

1. Identificar el canal que ha iniciado la primera sesión. Si un usuario ha estado antes en el sitio web, el canal de adquisición se asocia con el canal de la sesión anterior. Por ejemplo, si un usuario visita el sitio web haciendo clic en un anuncio gráfico de Google y ha visitado el sitio web antes a través de una búsqueda orgánica en Bing, el modelo tratará a Bing como el canal que ha presentado la marca al usuario.
2. Asignación de valor a las sesiones. Los ingresos de una compra se distribuyen a las sesiones de usuario de acuerdo con las siguientes reglas:

• La primera sesión recibe el 20% del crédito por la venta.
• La última sesión recibe el 30% del crédito.
• Las sesiones intermedias reciben el 50% restante. Las sesiones se evalúan por el número de horas antes de la compra. Cuantas más páginas se vieron dentro de la sesión y cuantas menos horas pasaron antes de la compra, más valor recibe la sesión.

El valor de las palabras clave y los canales se vuelve a calcular automáticamente a diario. El resultado se almacena en una tabla en Google BigQuery y Google Cloud Storage. Los resultados de la atribución se exportan desde Google Cloud Storage a Alytics mediante la API RESTful.

Las reglas se configuraron para que Alytics determinara el tamaño de la oferta. Cuanto mayor sea el ROI de la frase de búsqueda que menciona el producto, mayor será la oferta. Por ejemplo, si el ROI de las tablas es inferior al 15 %, la oferta para una palabra clave de compra de tablas será igual a 1 $. Si el ROI es superior al 75%, la oferta será igual a $4. Todos los números se determinaron experimentalmente.

Gracias a la combinación de datos sobre el comportamiento de los clientes en línea y fuera de línea, la determinación de los valores de las palabras clave y la automatización de los ajustes de la oferta, la empresa ahora puede responder preguntas como:

• ¿Cómo cambiaría el ROI de la publicidad en línea en relación con el cumplimiento del pedido?
• ¿Cómo afecta la publicidad online a los pedidos realizados en un call center?
• ¿Qué palabras clave generan los pedidos más rentables?
• ¿Qué productos ofrecen el mayor ROI?
• ¿Qué porcentaje de las ventas fuera de línea se vio influenciado por la publicidad en línea?

Como resultado, fue posible:

• Optimice las ofertas y aumente el ROI de la publicidad PPC en un 17 %.
• Mida el impacto en los ingresos de las palabras clave con mayor precisión y vea 2,4 veces más palabras clave que ayudan en las conversiones. Los modelos de atribución estándar simplemente los ignoraron.
• Descubra que algunas de las frases clave tienen un mayor impacto en las compras fuera de línea que en las ventas en línea.