Cómo medir el éxito de los anuncios y aumentar el ROAS mediante la consolidación de datos

Dado que cada vez más empresas transitan a operaciones en línea y se sumergen en un nuevo mundo digital, más datos tienen que procesar los especialistas en marketing. Los usuarios comerciales necesitan constantemente información de datos de alta calidad para un desempeño exitoso y se convierte en uno de los principales desafíos para adoptar nuevos formatos y estructuras de análisis.

En este caso, describimos la solución proporcionada por el equipo de BI de OWOX para un proveedor líder de seguros directos que tenía desafíos para evaluar el efecto que tiene la publicidad en las compras.

Como la empresa vende seguros a través de Internet, por teléfono y fuera de línea, los clientes pueden buscar productos a través de un canal y comprarlos a través de otro. Por ejemplo, un cliente puede visitar el sitio web de la empresa, calcular la cobertura, completar una solicitud en línea y luego visitar una oficina física para realizar una compra. En tales casos, es difícil evaluar el efecto que tiene la publicidad en las compras.

El principal desafío era optimizar el gasto publicitario y obtener un mejor retorno de la publicidad mediante la adopción de un sistema funcional de evaluación del rendimiento de la publicidad. La empresa necesitaba una forma de consolidar los datos sobre costos, ingresos e interacciones de los usuarios tanto en línea como fuera de línea.

Los datos sobre las interacciones del usuario con el sitio web, los costos publicitarios y los pedidos fuera de línea se recopilan en diferentes sistemas:

• Los datos del sitio web se recopilan en Google Analytics;
• Los datos sobre las pólizas de seguro compradas fuera de línea se almacenan en el sistema CRM de la empresa;
• Los datos de costos que no son de AdWords generalmente no se recopilan en Google Analytics. Como resultado, el ROAS, el ROI y la parte de los costos publicitarios para cada servicio publicitario se calculan por separado.

Todos estos datos deben fusionarse para evaluar con precisión la contribución de la publicidad a las compras de seguros.

Todos los datos necesarios se recopilaron en Google BigQuery mediante OWOX BI Pipeline e implementaron los modelos de atribución basados ​​en embudos, último clic no directo y primer clic. A continuación, se crearon los informes para comparar los datos de rendimiento de la campaña obtenidos a través de cada modelo de atribución.

El diagrama de flujo de recopilación y consolidación de datos se proporciona a continuación:

Echemos un vistazo más de cerca a cada paso que tomó la empresa para evaluar las campañas publicitarias: qué datos combinaron, de qué manera y qué resultados se lograron.

La empresa eligió el almacenamiento en la nube de Google BigQuery para fusionar datos sobre las actividades de los clientes en el sitio con datos sobre compras de seguros fuera de línea. El servicio fue elegido por sus capacidades de procesamiento de datos: se pueden procesar terabytes de datos en segundos, petabytes de datos, en un par de minutos. Esto convierte a Google BigQuery en un servicio perfecto para realizar tareas complejas de análisis y elaboración de informes. Otro beneficio de usar Google BigQuery es la alta seguridad, ya que los datos se cifran automáticamente. Puede encontrar más información sobre los beneficios de usar Google BigQuery en el sitio web del servicio.

Se eligió OWOX BI Pipeline para la recopilación de datos por las siguientes razones:

• Los datos se recopilan casi en tiempo real y están disponibles en 5 minutos.
• No hay límite para la cantidad de dimensiones y métricas en los informes. OWOX BI Pipeline permite crear informes de cualquier granularidad, utilizando una sintaxis similar a SQL para consultar datos sin procesar. Solo en Google Analytics, hay ciertas dimensiones y métricas que no se pueden combinar en un informe. Hay un límite para la cantidad de dimensiones y métricas en un informe: 2 dimensiones en un informe estándar, 5 dimensiones en un informe personalizado y 7 dimensiones en una solicitud Core v3. Además, es imposible analizar los costos de publicidad para cada usuario individual. Para obtener más información sobre límites y cuotas, consulte la Guía para desarrolladores de Google.
• Los datos importados a Google BigQuery no se muestrean independientemente de su volumen.

Puede encontrar más información sobre las diferencias entre Google BigQuery Export para Google Analytics 360 y OWOX BI Pipeline en nuestra publicación de blog.

Los datos sobre las compras de seguros se cargan desde el sistema CRM en Google BigQuery mediante solicitudes POST.

• Los datos de costos de las campañas de AdWords se recopilan automáticamente en Google Analytics debido a la integración nativa entre Google Analytics y Google AdWords.
• Los datos de costos para otros canales de marketing son importados a Google Analytics por OWOX BI Pipeline.
• Los datos de todos los canales se importan a Google BigQuery desde Google Analytics. Esto permite calcular el ROAS, el ROI y la participación en los costos de publicidad, en relación con las compras, y no solo con las aplicaciones en línea.

Después de consolidar los datos en Google BigQuery, el equipo de marketing creó varios modelos de atribución para medir la eficacia de los anuncios para atraer nuevos clientes (el modelo de atribución del primer clic) y para generar compras (el modelo de atribución del último clic no directo).

La atribución basada en embudos de OWOX BI fue elegida como el tercer modelo de atribución más objetivo. En este modelo, cada canal recibe crédito según su contribución a la progresión de un cliente a través del embudo de compra. Las sesiones se evalúan en función de la probabilidad de progresión del cliente a cada paso siguiente dentro del embudo. Cuanto mayor sea la probabilidad, menos crédito se otorga a la sesión que ayudó al usuario a avanzar en el paso. Cuanto menor sea la probabilidad, más crédito obtiene la sesión. Los resultados de los cálculos dentro del modelo de atribución basado en embudos están disponibles en Google BigQuery y la interfaz de BI de OWOX. El informe muestra la tasa de conversión (conversión absoluta), la probabilidad y el valor de cada paso que dan los usuarios en su camino hacia una compra. Eche un vistazo al siguiente ejemplo:

• La tasa de conversión de pasos es el porcentaje de sesiones en las que se vio el paso dado. Por ejemplo, la tasa de conversión del 34 % en el Paso 2 significa que el 34 % del número total de visitantes del sitio web navegó hasta este paso.
• La probabilidad es el porcentaje de sesiones en las que los visitantes navegaron al paso dado desde el anterior. En este ejemplo, el Paso 4 tiene una probabilidad del 10 %, lo que significa que el 10 % de los visitantes navegaron al Paso 4 desde el Paso 3.
• El valor se calcula de la siguiente manera. Primero, cada paso obtiene una puntuación en proporción inversa a la probabilidad. Luego, la puntuación del paso se divide por la suma total de puntuaciones dentro del embudo. Cuanto más difícil es para los usuarios avanzar en un determinado paso del embudo, mayor valor obtiene.

Se utilizó OWOX BI Smart Data para agilizar el trabajo con todos los datos obtenidos. La herramienta permite hacer preguntas a los datos en inglés natural, no hay necesidad de consultas SQL. Las plantillas de preguntas permiten obtener respuestas en cuestión de segundos.

Al completar los pasos anteriores, la empresa obtuvo un tablero que muestra tanto el valor real de cada canal como la forma en que este valor se distribuye en los pasos del embudo en diferentes tipos de dispositivos.

El siguiente gráfico muestra que el mismo paso del embudo puede tener diferentes valores en diferentes dispositivos. El paso más valioso en tabletas es visitar el sitio web por primera vez. Navegar a través del Paso 2 y el Paso 3 es clave para los dispositivos móviles. En cuanto a las sesiones en computadoras de escritorio y las sesiones entre dispositivos, el valor se distribuye de manera más uniforme.

¿A qué se traduce esto? Por ejemplo, es menos probable que los usuarios de tabletas den el primer paso, es decir, visiten el sitio web. Esto significa que los anuncios dirigidos a tabletas deben centrarse en atraer nuevos visitantes al sitio web.

Los valores de los canales en los modelos First Click y Last Non-Direct Click se calcularon para identificar canales infravalorados y sobreestimados, redistribuir el presupuesto publicitario de manera más eficiente y compararlos con los resultados obtenidos en el modelo de atribución basado en embudos.

Ni los modelos de atribución del primer clic ni del último clic no directo pueden proporcionar una visión precisa del rendimiento de la campaña, ya que Google Analytics no contiene datos sobre las pólizas de seguro adquiridas sin conexión. Un usuario solo puede recorrer la mitad del embudo en línea y luego acceder y comprar el producto fuera de línea. Es por eso que los modelos se implementaron y visualizaron utilizando Google BigQuery y Google Data Studio, respectivamente.

Al crear un tablero en Google Data Studio, la empresa puede monitorear y comparar fácilmente el rendimiento de la campaña para los dos modelos de atribución más populares: Primer clic, en el que los esfuerzos se centran en la adquisición, y Último clic no directo, en el que se dirigen los esfuerzos. a compra. Los KPI mensuales se informan en un formato fácil de leer.

Por ejemplo, la página del informe que se muestra a continuación compara la distribución de los ingresos y el ROAS en diferentes canales. Al comparar el rendimiento del canal en los dos modelos de atribución diferentes, se puede ver que las cifras de ROAS y la participación en los ingresos del canal son casi idénticas en los dos modelos. Esto significa que estos canales son casi igualmente adecuados tanto para atraer usuarios como para empujarlos a cerrar el trato.

• Después de automatizar por completo la recopilación y el procesamiento de datos, gracias al uso de OWOX BI y los productos de Google, el equipo de la empresa no tiene que importar datos manualmente. Todos los datos están disponibles en una sola interfaz y los especialistas en marketing pueden acceder rápidamente a cualquier información que necesiten.
• El modelo de atribución basado en embudos permitió una evaluación más objetiva y confiable de los canales de marketing.
• El equipo calculó el crédito que recibirían los canales de publicidad en los modelos de atribución Primer clic/Último clic. Al comparar los resultados con el modelo de atribución basado en embudos, se identificaron los canales infravalorados y sobreestimados, y el presupuesto publicitario se reasignó de manera más eficiente.

El gráfico anterior compara los valores de canal obtenidos en diferentes modelos de atribución. La contribución del 5º canal está significativamente infravalorada en el último modelo de atribución no directa. Según el modelo de atribución basado en funnel, tiene un ROAS 100% superior y afecta considerablemente a la conversión final. Los otros canales están sobrevalorados principalmente. Con base en estos hallazgos, la empresa puede reasignar el presupuesto de publicidad de las campañas publicitarias sobrevaluadas a las subvaluadas, haciendo así que la publicidad sea más eficiente sin gastos adicionales.