Cómo aumentar los ingresos generados por correo electrónico en un 237 % y optimizar la inversión publicitaria

El proceso de correo electrónico bien optimizado puede proporcionar a las empresas el ROI más alto posible en este canal de ventas. Sin embargo, tienes que ajustar las campañas de email marketing para lograrlo: el contenido debe ser personalizado para tu audiencia. De lo contrario, es muy probable que sus esfuerzos de correo electrónico estén tirando dinero por el desagüe.

En este caso, describimos la solución proporcionada por el equipo de BI de OWOX para una gran cadena minorista de electrodomésticos, productos electrónicos y artículos para el hogar, que cuenta con más de 600 tiendas en más de 200 ciudades. La empresa tuvo desafíos para descubrir cómo mejorar su tasa de conversión y optimizar los costos de publicidad mediante la aplicación de correos electrónicos activados.

En un entorno empresarial altamente competitivo, el principal objetivo es captar nuevos clientes, aumentar el LTV y optimizar el presupuesto publicitario. Los analistas de negocios querían analizar la eficiencia de sus canales de adquisición de clientes considerando la ganancia resultante de cada una de las campañas publicitarias. Los modelos de atribución estándar no eran apropiados para esta tarea, ya que ignoran los siguientes factores:

1. Los visitantes de los sitios web de comparación de precios buscan comprar productos al precio más bajo. Esto significa que, al considerar su próxima compra, es posible que los clientes deseen elegir nuevamente por el precio y, en lugar de visitar la tienda en línea de la compañía, pueden volver a visitar un sitio web de comparación de precios. Al evaluar esta fuente de tráfico, se debe considerar el LTV del cliente durante 180 días y el costo total de adquisición y retención, ya que la empresa puede gastar dinero cada vez que atrae a los clientes a través de sitios web de comparación de precios.
2. Los clientes que hayan comprado un producto más barato con un margen bajo pueden regresar al sitio web más tarde para comprar productos más caros. Por lo tanto, aunque el margen del producto más barato no cubra el costo de adquisición, eventualmente (más de 180 días) tales campañas publicitarias dan mejores resultados.

En vista de lo anterior, el equipo de analistas desarrolló su propio modelo de atribución basado en LTV que considera los costos de publicidad y el margen de las compras durante un período de 180 días. Además, se estaban probando las formas de convertir a los compradores potenciales, que tenían interés en un determinado producto o categoría de productos, en clientes leales. Algunos de los visitantes navegaron por el sitio web, pero no compraron ningún producto. Algunos de los visitantes iniciaron el pago pero no terminaron el proceso (carritos abandonados). Se decidió configurar correos electrónicos activados para atraer a dichos visitantes al sitio web y motivarlos a realizar una compra:

1. Recordatorios de carritos abandonados, a usuarios que iniciaron pero no terminaron el checkout.
2. Las recomendaciones se basan en los productos vistos, a los usuarios que navegaron por ciertos tipos de páginas (páginas de catálogo o páginas de productos).

El contenido de los correos electrónicos activados debe personalizarse para satisfacer las necesidades actuales de cada cliente. No debe haber demoras en la recopilación de datos sobre las acciones de los visitantes del sitio web para garantizar esto.

Los datos necesarios para lograr estos objetivos se almacenaron en diferentes sistemas: Google Analytics y una serie de servicios publicitarios. Era necesario no solo fusionar los datos, sino también garantizar un acceso rápido a ellos y un procesamiento de datos casi en tiempo real.

La empresa tuvo que resolver las siguientes tareas para lograr los objetivos:

• Recopile datos de múltiples fuentes en un solo sistema y estructura óptima.
• Obtenga todos los datos necesarios para el modelo de atribución y asegúrese de que los datos se puedan actualizar históricamente.

Se decidió comprobar las hipótesis en un plazo de 180 días.

Los datos se obtuvieron de los siguientes sistemas:

1. Google Analytics: los datos del sitio web están disponibles en Google Analytics a través de un contenedor de Google Tag Manager.
2. Fuentes de publicidad: Google AdWords, Criteo.

Como único almacenamiento de datos, se decidió utilizar Google BigQuery:

1. Este almacenamiento en la nube permite la recopilación y el procesamiento rápido de cantidades masivas de datos.
2. Proporciona un gran conjunto de soluciones y herramientas listas para usar para la integración con los sistemas CRM y ERP.
3. Los datos están protegidos de forma segura.

Se utilizaron las siguientes herramientas y funciones para recopilar todos los datos en Google BigQuery:

1. Exportación de Google BigQuery para Google Analytics 360: para recibir datos de Google Analytics en Google BigQuery, incluidos 13 meses de datos históricos.
2. OWOX BI Pipeline: la empresa recibe datos de visitas casi en tiempo real del sitio web en Google BigQuery junto con los datos sobre costos, clics e impresiones de fuentes publicitarias, que están disponibles en Google Analytics y luego en Google BigQuery.

Como resultado, todos los datos necesarios se recopilan en Google BigQuery y luego se envían a los sistemas de análisis internos de la empresa.

Los datos obtenidos en Google BigQuery a través de la exportación estándar para Google Analytics 360 y a través de OWOX BI Pipeline se organizaron en un cubo de datos. Tal cubo, creado en una estructura óptima, permite una reducción significativa del costo de procesamiento de datos.

El siguiente diagrama de flujo muestra cómo se recopilan y combinan los datos necesarios:

Los analistas de BI de OWOX desarrollaron dos vistas utilizando consultas SQL para configurar correos electrónicos activados. Las consultas agregan datos sobre las acciones del usuario en el sitio web, obtenidos a través de OWOX BI Pipeline, y datos obtenidos a través de Google BigQuery Export, en una estructura óptima para la tarea.

La eficiencia de los correos electrónicos se midió con pruebas A/B. Los correos electrónicos activados al primer grupo de usuarios se enviaron al día siguiente después de visitar el sitio web. El otro grupo recibió correos electrónicos activados en menos de una hora, ya que los correos electrónicos se enviaron utilizando los datos de las tablas en Google BigQuery y el cubo de datos. En ambos casos, los correos electrónicos se enviaron a través del mismo servicio.

A diferencia de Google Analytics, el valor del campo ID de usuario en las tablas dinámicas de Google BigQuery se puede actualizar de forma retroactiva sobrescribiendo las tablas. Una vez que un usuario se autentica en el sitio web en cualquier dispositivo (una vez que se conoce el valor de ID de usuario), las sesiones anteriores del mismo usuario también adquieren el valor de ID de usuario, si este valor no se especificó o definió antes. Debido a las actualizaciones retroactivas del campo ID de usuario, se obtuvieron datos de usuario más precisos y se enviaron correos electrónicos activados personalizados a un mayor número de visitantes.

El equipo desarrolló su propio modelo de atribución con las siguientes características:

• Distribuir los costos de adquisición de visitantes entre las visitas solo de fuentes de tráfico pagas.
• Evaluación del margen total por usuario para 30, 60, 90 y 180 días.
• Teniendo en cuenta solo los datos de los compradores por primera vez en los cálculos. En una compra repetida, el valor del pedido se asigna al canal que llevó al usuario al sitio web por primera vez.

Este modelo de atribución fue posible gracias a las actualizaciones de datos retroactivas en Google BigQuery, incluidas las actualizaciones del campo de ID de usuario y los datos sobre los costos de adquisición de visitantes.

Como resultado de la recopilación de datos en un único almacenamiento de datos, la configuración de nuevos correos electrónicos activados y actualizaciones de datos históricos, se lograron estos objetivos:

1. Mejore los KPI de correo electrónico activados.

Las notificaciones por correo electrónico sobre productos abandonados se envían dentro de una hora a la mayoría de los usuarios que agregaron productos a su carrito de compras pero no completaron la compra. Los datos de los correos electrónicos activados se recopilan automáticamente, dos veces por hora.

La eficiencia del nuevo método de envío fue confirmada por pruebas A/B:

• Número de visitas al sitio web a través de correos electrónicos entregados aumentó en un 76%.
• La tasa de conversión de compras de usuarios que visitaron el sitio web a través de correos electrónicos entregados aumentó en un 12%.
• El número de compras después de la optimización del correo electrónico del carrito abandonado aumentó en un 85%.
• La participación de la facturación en el grupo objetivo aumentó en un 237%.

2. Optimice el presupuesto de publicidad y reduzca la parte del costo de publicidad

Los gráficos a continuación muestran datos sobre el LTV de los clientes por sesión (FM: margen, COSTO: costos) de acuerdo con el modelo de atribución propio de la empresa que considera el valor de por vida de los clientes que visitaron diferentes grupos de productos a través de canales de tráfico pagados. Este valor aumenta con el tiempo, un hecho que el modelo de atribución de último clic ignora. La apuesta máxima para cada campaña está limitada al margen obtenido por la empresa durante 180 días, excluyendo los costos de retención de clientes.

Como se puede ver con el modelo de atribución basado en CLTV durante el período de 180 días, al principio los usuarios llegaron a través de canales de CPC, luego regresaron y realizaron compras repetidas a través de canales gratuitos. El valor de dichos canales de CPC resultó ser varias veces mayor que según el modelo de atribución de último clic. El volumen y la frecuencia de las compras repetidas, así como los ingresos de la empresa, eran diferentes para cada categoría de producto, campaña publicitaria y fuente.