Cómo aumentar el ROI de la publicidad contextual 2,2 veces para un minorista empresarial

Una pregunta familiar para todas las empresas es cómo reducir el gasto en publicidad contextual mientras se mantienen las ventas. Si compra tráfico a su sitio web en un sistema de publicidad como Google Ads o Facebook, una gran parte de su gasto se destina a los clics de los usuarios que no terminan poniendo artículos en el carrito. E incluso si lo hacen, no siempre completan la compra. Entonces, ¿qué se puede hacer para optimizar las campañas publicitarias?

En este caso, describimos la solución proporcionada por el equipo de BI de OWOX para el minorista de productos electrónicos y electrodomésticos que probó OWOX BI para calcular la probabilidad de conversiones.

Entre las principales tareas de marketing de rendimiento para un minorista empresarial se encuentran las métricas de eficiencia crecientes y la reducción de contactos con usuarios que actualmente no están interesados ​​en comprar. Las soluciones basadas en datos son los instrumentos más prometedores para optimizar las campañas publicitarias. El modelo de atribución de BI de OWOX utiliza tecnologías de aprendizaje automático para calcular la probabilidad de compra de cada usuario del sitio web desde la primera visita. Usando estas probabilidades de compra, las empresas pueden determinar si vale la pena gastar en publicidad para un usuario. Además, el modelo OWOX BI puede calcular la probabilidad de que un usuario realice cualquier acción.

Además, una de las tareas obligatorias de un especialista en SEM de publicidad contextual es segmentar a los visitantes del sitio web en varios grupos según las acciones que realizan en el sitio web y el tiempo transcurrido desde la última activación. Por ejemplo, la cantidad de días desde que se agregó un artículo al carrito sin realizar una compra. El análisis manual de dichas audiencias y el ajuste de los cálculos de las ofertas ocupan una gran parte del proceso de trabajo.

En resumen, el objetivo era aumentar el ROI de las campañas publicitarias contextuales y ahorrar ingresos de los pedidos completados.

Se aplicó la solución de machine learning OWOX BI para optimizar campañas publicitarias, siendo capacitados en:

• datos históricos sobre el comportamiento de los usuarios del sitio web
• Datos de CRM sobre pedidos canjeados
• datos agregados y anonimizados de decenas de miles de proyectos de clientes de OWOX

Qué proporcionó OWOX BI:

• Para cada usuario del sitio web, la probabilidad de compra se calcula teniendo en cuenta los pedidos canjeados.
• Los cálculos de probabilidad se actualizan después de cada acción del usuario o período de inactividad. Por ejemplo, si un usuario visita un sitio web y realiza una serie de acciones, recibe un X% de probabilidad de realizar una compra. Si no visitan el sitio web durante cuatro días después de eso, esta probabilidad disminuye.
• 10 segmentos de usuarios divididos según la probabilidad de compra a lo largo de una escala de 10 puntos.

Para evaluar la precisión del pronóstico y el rendimiento de cada segmento, el equipo analizó cuántos pedidos ha completado cada segmento.

En la parte superior de la tabla está el segmento con la mayor probabilidad de conversión y en la parte inferior está el segmento con la menor.

1. Datos recopilados sobre el comportamiento del usuario en el sitio web en Google BigQuery con OWOX BI. (También es posible utilizar Google Analytics 360.)

2. Los analistas de OWOX entrenaron el modelo de atribución y comenzaron cálculos regulares de probabilidad de conversión para los visitantes del sitio web. A cada visitante se le asignó una probabilidad de conversión. El algoritmo tiene en cuenta más de 60 parámetros, que incluyen:

• número de sesiones en hits dentro de la ventana de conversión
• acciones en el sitio web dentro de una sesión
• pausas entre sesiones
• número total de acciones
• dispositivo de sesión y sistema operativo
• fuentes de tráfico que el usuario tenía dentro de una ventana de conversión
• número de acciones en cada página dentro de una sesión
• tiempo de una sesión específica y tiempo total de sesiones dentro de una ventana de conversión

3. El equipo de BI de OWOX reunió todos estos datos en una tabla en Google BigQuery para evaluar la probabilidad de compra de cada usuario.

4. Los datos de la audiencia se transfirieron al servicio de publicidad mediante un Pipeline OWOX BI.

5. Las audiencias se sumaron al servicio de publicidad.

La prueba A/B principal se realizó con una división equitativa del tráfico entre los grupos examinados para campañas publicitarias:

• creado manualmente.
• basado en un feed de datos de productos con la ayuda de un servicio de automatización.

Luego del exitoso experimento, se inició la segunda prueba en campañas con anuncios dinámicos. Una vez recopilados los datos según su eficiencia entre campañas publicitarias, se calcularon y ajustaron las pujas por audiencias:

• Disminuya las ofertas para audiencias con una baja probabilidad de compra (a veces hasta el 90%).
• Aumente las ofertas para audiencias con una alta probabilidad de compra.

El tamaño de los ajustes de la oferta se calculó en función de los datos recopilados sobre el coeficiente de conversión de cada audiencia y el ROI objetivo. También se tuvo en cuenta el ROI actual de cada campaña y audiencia. Para cada audiencia, OWOX BI calculó un precio por clic adecuado. Con base en estos cálculos, ajustó el precio actual para alcanzar el KPI objetivo. Los ajustes cambiaron constantemente en función de los resultados.

Durante dos meses, los analistas de OWOX trabajaron con el equipo del cliente para realizar dos pruebas. El primero tuvo una duración de un mes y medio e incluyó cinco campañas publicitarias con bajos volúmenes de tráfico. Cada una de estas campañas se subdividió en dos campañas para pruebas A/B: una con audiencias de BI de OWOX y otra sin ellas.

Las campañas que utilizaron audiencias OWOX mostraron resultados 1,7 veces mejores tanto en términos de ROI como de ingresos por pedidos completados. Para un minorista, este fue un paso en la dirección de una mayor eficiencia para las inversiones publicitarias.

Después del primer experimento, el equipo de BI de OWOX realizó una prueba de tres semanas basada en campañas con grandes volúmenes de tráfico de acuerdo con el mismo principio: la misma cantidad de campañas con audiencias de BI de OWOX y sin audiencias de BI de OWOX.

El resultado de la segunda prueba fue un ROI 2,2 veces mayor y un ingreso 2,7 veces mayor por pedidos completados en campañas con audiencias OWOX BI.

En ambos casos, el grupo de prueba generó más ingresos con el mismo presupuesto que el grupo de control o generó los mismos ingresos con un presupuesto más bajo. Usando OWOX BI para predecir conversiones, nuestro cliente ahorró tiempo en la creación de segmentos de audiencia, todos los datos sobre los usuarios del sitio web se procesaron automáticamente y los datos resultantes se prepararon para cargarlos en un servicio de publicidad donde podrían usarse en campañas publicitarias para ajustar ofertas y ejecutar reorientación

Los resultados de estas pruebas se consideraron un comienzo exitoso para escalar aún más otros canales de desempeño y desempeño de la marca. Como los experimentos con cálculos de probabilidad de conversión demostraron su eficacia, el siguiente paso fue escalar la solución: usarla en todas las campañas de búsqueda, ejecutar retargeting estableciendo diferentes ofertas según las conversiones en un segmento y aplicarla en otros servicios publicitarios como Facebook. , MyTarget y Google Ads.