7 façons d'évaluer et d'améliorer le marketing numérique

Comment pouvez-vous évaluer l'efficacité et augmenter le retour sur investissement (ROI) de votre publicité en ligne ? Comment savoir combien de revenus sont générés par le trafic SEO, les applications mobiles et les publicités multimédias ? Ces questions sont pertinentes pour de nombreuses entreprises en ligne et omnicanales. Dans cet article, nous décrivons les solutions d'OWOX BI qui ont aidé nos clients à trouver des réponses à ces questions et à d'autres et à résoudre leurs problèmes commerciaux.

Nous décrivons succinctement comment nous avons aidé nos clients à réaliser ces sept cas réels ci-dessous. Si vous êtes intéressé par les détails techniques ou si vous souhaitez essayer certaines des choses que nous mentionnons dans votre propre projet, essayez OWOX BI gratuitement.

OWOX BI collecte les données de plusieurs systèmes dans un référentiel unique et crée des rapports qui aident les clients à améliorer leur intelligence marketing. L'objectif est de le faire rapidement, avec un haut niveau de qualité et avec une automatisation maximale afin que les entreprises puissent gagner plus d'argent en utilisant les données dont elles disposent déjà.

Segmenter les utilisateurs pour mieux cibler les campagnes publicitaires est une tâche de base qui peut et doit être effectuée dès les premières étapes de la mise en œuvre de l'analyse marketing.

Objectif du client : Augmenter le ROI des campagnes publicitaires qui visent à réactiver les utilisateurs qui ont déjà visité le site. En théorie, ces utilisateurs ne devraient pas être coûteux à commercialiser car ils ont déjà manifesté leur intérêt.

Défi du client : Améliorer le ciblage des campagnes publicitaires pour les paniers abandonnés et les clients périmés. Ce sont des personnes qui ont effectué un certain nombre d'actions sur le site mais qui n'ont rien acheté. En même temps, notre client pense qu'il pourrait acheter quelque chose.

Notre hypothèse : Si nous sélectionnons un segment de visiteurs du site Web qui ont ajouté un article au panier au cours des X derniers jours et leur montrons de la publicité, ils sont plus susceptibles d'acheter quelque chose que les visiteurs des autres segments. Par conséquent, en faisant de la publicité sur ce segment, nous pouvons augmenter les revenus tout en maintenant le même ratio coûts-revenus (CRR).

La segmentation des utilisateurs est toujours nécessaire pour tester les hypothèses. Nous pouvons supposer que les segments d'utilisateurs sélectionnés se comporteront d'une manière ou d'une autre après avoir vu une annonce, mais il n'y a aucune garantie à 100 % que ce sera le cas.

Notre client a défini les conditions selon lesquelles les segments ont été formés. Après avoir formé des segments en fonction de ces conditions, nous avons transformé notre hypothèse en une tâche technique pour notre analyste. Cette tâche a été divisée en étapes.

Étape 1 . Formez deux segments d'utilisateurs. Le premier segment était composé d'utilisateurs qui ont ajouté un article au panier au cours des X derniers jours mais n'ont rien acheté. Le deuxième segment était composé d'utilisateurs qui ont effectué un ensemble d'actions sur le site (qui ont été définies par le client).

Google Analytics échantillonne les données client en réponse à un trafic important. Par conséquent, pour construire les segments, nous avons utilisé les données brutes du site de notre client transmises à Google BigQuery à l'aide d'OWOX BI Pipeline. BigQuery est un service de stockage dans le cloud qui vous permet non seulement de collecter des informations, mais aussi de les traiter facilement à l'aide de SQL.

Notre analyste a écrit des requêtes SQL pour former les segments en utilisant les données brutes du site Web. Ces segments contiennent des données d'identification client Google et d'identification client Yandex, qui peuvent être utilisées dans les services publicitaires Google Ads et Yandex.Direct.

Étape 2 . Transférez automatiquement les segments vers Google Ads et Yandex.Direct afin que les spécialistes de la publicité puissent les utiliser pour configurer des campagnes publicitaires.

OWOX BI dispose d'un pipeline de données automatique qui prend des segments de Google BigQuery, calcule les données pour eux quotidiennement et télécharge ces données vers Google Analytics. Les segments du système d'analyse Web peuvent être exportés nativement vers Google Ads. Un deuxième pipeline OWOX BI charge ces segments dans Yandex.Audience.

Étape 3 . Les spécialistes de notre client ont mis en place des règles dans les services publicitaires qui ont augmenté les tarifs pour ces segments.

Cette solution présente plusieurs caractéristiques importantes. Par exemple, pour charger un segment dans Yandex. Audience, il doit contenir un minimum de 1 000 lignes (afin d'utiliser un identifiant client Yandex unique).

OWOX BI ne collecte pas les ID client Yandex par défaut. Yandex. Metric doit être installé sur un site pour générer des identifiants client, et pour qu'ils entrent dans Google BigQuery, vous devez configurer leur transmission via OWOX BI.

Si vous êtes un utilisateur OWOX BI et que vous souhaitez collecter les identifiants client Yandex dans Google BigQuery, écrivez-nous. Nous partagerons des instructions sur la façon de le faire avec Google Tag Manager. Si vous n'êtes pas un utilisateur d'OWOX BI mais que cette possibilité vous intéresse, essayez OWOX BI gratuitement et voyez comment cela peut vous aider à atteindre vos objectifs.

Notre client a reconfiguré l'audience de ses campagnes, qui avait déjà fonctionné pour le reciblage, a éliminé les utilisateurs qui n'entraient pas dans les bons segments et a concentré le budget sur les utilisateurs des segments choisis.

Du coup, avec les mêmes campagnes et le même investissement, le ROI a augmenté de 100% à 150% (il y a eu beaucoup de campagnes, donc l'indicateur est moyenné). En fait, les coûts de cette décision étaient minimes et l'efficacité était tout à fait tangible. Ces campagnes fonctionnent encore aujourd'hui. Nous n'avons reçu aucun retour de notre client indiquant que cette augmentation n'était que temporaire.

Lorsque nous commençons à travailler avec un projet, la première tâche consiste à calculer le retour sur investissement sur les revenus réels.

Par défaut, Google Analytics ne peut voir que les ventes du site, mais cela ne reflète pas vraiment l'argent qui entre dans les comptes d'une entreprise.

Nous savons que certaines commandes en ligne ne sont pas complétées ou sont modifiées lors de la confirmation de la commande. Les utilisateurs peuvent :

1. Ne terminez tout simplement pas la commande
2. Modifier sa commande par téléphone, modifiant ainsi le montant de la commande
3. Commandez la livraison dans un magasin physique mais ne récupérez pas l'achat

Par conséquent, l'entreprise ne reçoit pas le montant qui apparaît dans Google Analytics. Par conséquent, il n'est pas tout à fait correct de calculer les revenus en fonction des données de Google Analytics. Il est nécessaire d'évaluer l'efficacité de la publicité en ligne en tenant compte des données de ventes réelles de votre CRM.

Objectif du client : Augmenter le ROI des campagnes publicitaires à un CRR fixe sans augmenter les coûts.

Défi du client : Redistribuer le budget publicitaire en fonction des ventes réelles générées par les sources publicitaires. En termes simples, vous devez déplacer votre budget des canaux qui ne génèrent pas suffisamment de retour sur investissement vers des canaux plus efficaces.

Notre hypothèse : Si vous calculez le ROI en fonction des achats (et idéalement, même des marges), vous pouvez ajuster votre stratégie marketing et investir dans les sources de trafic qui rapportent le plus de revenus. En conséquence, le retour sur investissement des campagnes publicitaires augmentera.

Notre client avait déjà collecté des données non échantillonnées dans Google BigQuery en utilisant OWOX BI. Mais il était nécessaire de compléter ces données par des données sur les ventes issues du système interne de l'entreprise. La tâche a été mise en œuvre en cinq étapes.

Étape 1 . Configurez correctement le transfert des données de commande du site vers le système CRM du client. Transfert de l'ID de transaction et de l'ID client Google.

Un identifiant de transaction est formé lorsqu'une commande est passée sur le site et est envoyé à Google Analytics et BigQuery avec l'identifiant client correspondant. Il est important de transférer les deux identifiants vers le CRM en parallèle afin de pouvoir lier l'utilisateur à la transaction et au paiement.

Étape 2 . Configurez la génération d'ID utilisateur du côté du CRM du client et envoyez l'ID utilisateur à Google BigQuery lors du paiement.

Un ID utilisateur est généré par le système CRM lorsque des informations sur un nouveau client y sont écrites. Par exemple, disons que quelqu'un fait un achat dans un magasin et que le caissier demande son numéro de téléphone et le saisit dans le CRM. Le système attribue alors à cet utilisateur un identifiant unique. A l'avenir, lorsque l'utilisateur s'autorise sur le site à l'aide d'un téléphone, le CRM le reconnaît.

Google Analytics dispose d'une fonctionnalité d'identification d'utilisateur. Nos développeurs l'ont configuré de sorte que lorsque les clients autorisent ou passent une commande sur le site de notre client, l'ID utilisateur est envoyé au site dans DataLayer. De là, il est transmis à Google Analytics et Google Big Query.

Grâce à cela, vous pouvez associer les actions des utilisateurs autorisés sur le site à des informations détaillées les concernant. Par exemple, votre CRM peut stocker le nom, le numéro de téléphone et l'e-mail d'une personne. Avec une clé ID utilisateur intermédiaire, vous pouvez combiner les données du site et du CRM ainsi que les données de paiement pour une commande spécifique.

Étape 3 . Configurez le téléchargement des données de vente réelles de votre CRM vers Google BigQuery dans la structure avec laquelle vous souhaitez travailler. A cet effet, nous avons formé une mission technique et l'avons confiée aux développeurs de notre client pour sa mise en œuvre.

Étape 4 . Combinez toutes les données de BigQuery dans une seule table. Nos analystes ont écrit une requête SQL qui relie les informations de commande en ligne aux données CRM sur les commandes terminées et leurs montants. Les clés pour combiner ces données étaient l'ID de transaction, l'ID utilisateur et l'ID client.

Étape 5 . Créez un rapport dans Google Data Studio qui affiche le retour sur investissement des sources de trafic, en tenant compte des biens achetés dans les commandes. Nous avons calculé le retour sur investissement en fonction des coûts marginaux.

La mise en place du transfert correct des données du site vers le CRM ainsi que le téléchargement des données CRM vers Google BigQuery nécessite l'implication de développeurs côté métier, ce qui retarde souvent considérablement le processus.

Nous avons fourni à notre client un rapport sur les performances de la source de trafic basé sur les données des ventes réelles.

Ce rapport est utilisé par les cadres supérieurs pour prendre des décisions stratégiques ainsi que par les spécialistes de la publicité contextuelle pour gérer le budget de campagnes publicitaires spécifiques.

Voici un exemple de ce rapport :

Vous voulez connaître l'efficacité de vos publicités sur la base de données de ventes réelles dans votre CRM ? Essayez OWOX BI gratuitement et voyez comment cela peut vous aider à atteindre vos objectifs.

La troisième solution à laquelle nos clients se tournent après avoir créé les rapports de base décrits ci-dessus est l'analyse ROPO (recherche en ligne, achat hors ligne). Il montre l'impact du marketing digital sur les ventes dans les magasins physiques. Ceci est particulièrement pertinent pour les projets de commerce électronique omnicanal.

Les gens regardent des produits sur un site et les consultent en magasin pour diverses raisons, de la méfiance à l'égard des achats sur Internet à l'envie de toucher le produit.

Lors de la planification budgétaire annuelle, un CMO souhaite obtenir plus d'argent pour les canaux en ligne, car il comprend que certaines ventes attribuées à la publicité en ligne se produisent hors ligne. Si l'OCM peut mesurer cet effet au moins partiellement, ce sera un bon argument pour augmenter le budget.

Objectif du client : Prouver la nécessité d'augmenter le budget du marketing en ligne et démontrer la valeur cachée des investissements dans la publicité en ligne.

Défi du client : Analyser l'efficacité de la publicité en ligne, en tenant compte de son impact ultérieur sur les ventes hors ligne.

Notre hypothèse : Certains internautes prennent connaissance d'un produit sur le site mais l'achètent en magasin physique. Autrement dit, les campagnes en ligne restent sous-évaluées. Si nous suivons les visites sur le site et les achats ultérieurs de ces utilisateurs dans des magasins physiques, nous pouvons mesurer la véritable valeur de la publicité numérique.

Pour lier l'activité d'un utilisateur sur le site à ses achats ultérieurs dans des magasins hors ligne, nous avons essentiellement procédé de la même manière que pour analyser le retour sur investissement en fonction des commandes terminées (détaillé dans la section précédente) :

1. Configurez l'ID utilisateur côté CRM et envoyez-le à Google BigQuery.
2. Configurez l'ID client afin qu'il soit correctement transmis au CRM et à BigQuery.
3. Configurez le transfert de données pour les champs Téléphone de l'utilisateur et E-mail de l'utilisateur du site vers BigQuery et le CRM du client lors du règlement.
4. Configurez le téléchargement des données depuis le CRM du client vers Google BigQuery. Contrairement au cas précédent, ce téléchargement contient non seulement des commandes en ligne, mais aussi des commandes de magasins de détail.
5. Rédigez une requête SQL qui relie les données d'activité du site aux informations du CRM. Les clés permettant de lier les données aux ventes hors ligne sont ID utilisateur/Téléphone utilisateur/E-mail utilisateur.
6. Créez un rapport dans Google Data Studio pour analyser l'effet ROPO.

Le schéma de combinaison des données ressemble à ceci :

Vous pouvez lier les utilisateurs en ligne aux ventes hors ligne uniquement si un utilisateur effectue un achat sur le site ou est autorisé sur le site.

Comme le montre la pratique, la part des utilisateurs autorisés est d'environ 5 % de tous les visiteurs du site Web. Plus vous avez d'utilisateurs autorisés, plus les données seront représentatives dans vos rapports. Mais même entre 5 % et 10 %, il est possible de tirer des conclusions qui peuvent entraîner de sérieux changements dans la façon dont vous gérez votre budget marketing.

Une autre difficulté est de suivre la qualité des données lorsque vous avez déjà configuré toutes les intégrations. Assurez-vous que les données sont transmises correctement et que les identifiants correspondent afin que les modifications futures du système CRM n'endommagent pas ce que vous avez configuré. Il s'agit de déterminer la qualité de l'équipe informatique de votre client.

Après mesure de l'effet ROPO, le ROI des campagnes publicitaires de notre client a augmenté de 50% à 150% . Il convient de noter que dans de tels cas, le retour sur investissement affiche toujours une croissance car des revenus sont ajoutés qui ont été générés par des campagnes en ligne mais reçus hors ligne.

Exemple de ce à quoi pourrait ressembler un rapport ROPO :

Ce rapport permet à un client d'analyser les données dans les catégories suivantes :

• Revenus en ligne uniquement
• Revenus hors connexion uniquement
• Chiffre d'affaires ROPO
• Source/support/revenus de la campagne en ligne uniquement
• Source/support/revenus de la campagne, y compris les ventes hors ligne ultérieures
• Revenus en ligne et ROPO par catégorie et sous-catégorie de produits
• Revenus en ligne et ROPO par ville
• Délai entre la visite du site et l'achat ROPO en jours
• Nombre de sessions sur le site avant l'achat du ROPO
• Et plein d'autres

Vous voulez savoir comment vos efforts en ligne affectent les ventes hors ligne ? Essayez OWOX BI gratuitement et voyez comment il peut vous aider à atteindre vos objectifs.

C'est une tâche assez complexe et atypique, bien qu'intéressante. L'optimisation SEO a un effet différé, et il est souvent difficile d'évaluer l'efficacité du travail effectué, par exemple, au cours des six derniers mois. Surtout si c'est un site énorme.

En général, nous savons combien d'utilisateurs passent par la recherche Google et pouvons même exclure le trafic de la marque. Mais combien d'utilisateurs viennent justement parce que les catégories et sous-catégories ont été optimisées ou que les textes et les titres ont été bien rédigés ?

Disons que vous avez dépensé 10 000 $ en SEO au dernier trimestre. Combien de revenus avez-vous obtenu dans les six mois grâce à cet argent ?

Objectif du client : Evaluer l'efficacité des investissements SEO en prenant en compte non seulement les commandes en ligne mais aussi les paiements réels.

Défi du client : Construire un rapport qui montre l'efficacité du référencement par catégorie de produit. Ce rapport doit être basé sur les ventes réelles.

Notre hypothèse : Nous savons quels mots-clés ont été pompés et sur quelles pages. Nous connaissons la position du drop-out SEO sur ces clés. Nous connaissons les ventes de ces pages dont le trafic de recherche est la source. Si nous lions ces données, nous obtiendrons des ventes à partir des mots-clés qui figurent dans le TOP des abandons SEO. Autrement dit, nous pouvons mesurer l'efficacité des investissements dans le référencement.

Étape 1 . Importez toutes les informations nécessaires dans Google BigQuery :

• Données brutes sur le comportement des utilisateurs collectées par OWOX BI sur le site
• Données de Google Search Console et Yandex. Métriques sur les principaux mots-clés qui ont conduit le trafic vers le site ainsi que vers les pages de destination. Pourquoi avons-nous utilisé la Search Console ? Parce que dans le service de mesure de position, nous ne voyons qu'un trafic hypothétique qui pourrait provenir de ces mots-clés.
• Données du service de mesure de la position du site dans un abandon organique (par exemple, Allpositions). Cela nous permet de déterminer les positions des mots-clés. Si les mots clés sont, par exemple, en dessous de la cinquième place dans l'abandon, nous pouvons les exclure de l'analyse.
• Données de ventes réelles du système CRM

Étape 2 . En fonction des URL, créez des groupes de requêtes de mots clés dans la section des pages de destination. Nous avons analysé non pas une URL, mais des URL pour des catégories entières de marchandises. Par exemple, pour le petit électroménager, on peut regarder les blenders puis les blenders Braun.

Étape 3 . Trouvez les mots-clés par lesquels le trafic SEO est arrivé sur le site en mesurant les positions dans les abandons. Nous avons téléchargé les résultats sur GBQ et trié les demandes sous une certaine position.

Étape 4 . À l'aide d'une requête SQL, reliez les données d'activité des utilisateurs sur le site aux données de vente réelles du CRM.

Étape 5 . Mettez en évidence les sessions qui ont conduit à des transactions avec une source SEO (en utilisant le modèle d'attribution au dernier clic non direct).

Étape 6 . Mettez en surbrillance les pages de destination de ces transactions et associez-les aux mots-clés SEO qui ont amené du trafic vers ces pages.

Étape 7 . Créez un rapport qui montre comment l'optimisation SEO de certaines pages affecte le trafic réel et les achats sur ces pages.

Google Search Console vous permet de télécharger jusqu'à 5 000 lignes de données. Par conséquent, nous ne pouvons pas analyser toutes les demandes de mots clés qui conduisent le trafic vers le site.

Par exemple, nous pouvons examiner l'efficacité des mots-clés dans un certain groupe de pages. Disons qu'il y avait 100 mots clés, dont 50 étaient dans le top, et sur ces 50, nous savons que 30 représentent le trafic qui est entré dans le déchargement de la Search Console. Nous supposons qu'il y avait également du trafic pour d'autres demandes, seul le service ne nous a pas donné cette information.

Il n'y a aucun moyen de mesurer avec une précision de 100 % quels mots clés ont généré du trafic vers les pages que nous avons analysées. Par conséquent, au début de l'analyse, nous avons accepté comme acquis que nos résultats auraient un certain degré d'erreur.

Nous avons fourni à notre client un rapport qui lui permet d'analyser l'efficacité des activités de référencement pendant une certaine période. L'analyse d'efficacité était basée sur les ventes réelles, il était donc possible de compter le retour sur investissement du trafic SEO.

Voulez-vous créer un rapport qui montre l'efficacité du trafic SEO ? Essayez OWOX BI gratuitement et voyez comment il peut vous aider à atteindre vos objectifs.

Récemment, cette tâche est devenue très urgente. Probablement la moitié de tout le trafic Internet et une grande partie des ventes passent par des appareils mobiles. Beaucoup de nos clients utilisent des applications mobiles en parallèle avec des applications en ligne et hors ligne. Lorsque vous achetez du trafic à partir d'appareils mobiles, vous souhaitez comprendre son efficacité.

Objectif du client : Évaluer l'efficacité d'attirer du trafic via des sources payantes (Google Ads) pour promouvoir les installations d'applications mobiles et les ventes au sein de l'application.

Défi du client : Construire un rapport qui montre l'efficacité des sources de trafic en termes d'actions de conversion clés (installations, inscriptions, transactions, revenus).

Notre hypothèse : En reliant les données brutes d'AppsFlyer (installations, actions des utilisateurs, sources de trafic, revenus) aux données de coûts de Google Ads, nous pouvons construire un rapport qui montre le ROI des campagnes publicitaires en termes d'actions de transaction pertinentes.

1. À l'aide d'OWOX BI, téléchargez des données brutes sur le comportement des utilisateurs dans l'application depuis AppsFlyer vers BigQuery et téléchargez des informations sur les sources d'installation, les transactions ultérieures et les revenus de l'application vers GBQ.
2. Vérifiez le téléchargement pour voir si toutes les données requises pour le rapport correspondent aux données du CRM (revenus, nombre de conversions).
3. Configurez un téléchargement de dépenses Google Ads vers GBQ à l'aide de la méthode de transfert de données.
4. Écrivez une requête SQL qui relie les données d'AppsFlyer et du transfert de données et effectue les calculs requis.
5. Créez un rapport dans Google Data Studio.

Les applications mobiles peuvent avoir un effet différé. Par exemple, quelqu'un peut installer une application mais ne s'y inscrire qu'un mois plus tard. Notre client souhaitait analyser l'efficacité du trafic acheté dans le temps. Autrement dit, si X unités de l'application ont été achetées à partir du canal Y en mars, combien de ces unités ont généré des actions de conversion en avril, mai, juin, etc. ? Pour répondre à cette question, nous avons créé un rapport spécial.

C'était également un défi de faire une analyse à travers les pays, les villes et les groupes de campagnes publicitaires afin que notre client puisse, par exemple, voir l'efficacité des campagnes supervisées par un certain responsable. Cela a été implémenté à l'aide de filtres.

Nous n'avons consciemment pas utilisé les données CRM dans le rapport car il y avait peu d'erreur entre les ventes réelles dans le système interne et les données d'application.

Notre client a reçu un rapport mis à jour automatiquement dans Google Data Studio qui répond aux questions suivantes :

• Combien de paramètres d'application la source de trafic X a-t-elle apportés au cours du mois Y ?
• Combien y a-t-il eu de conversions in-app au cours du mois d'installation et des mois suivants ? (par source de trafic)
• Quelle est l'efficacité des groupes de campagne par rapport aux paramètres ci-dessus ?
• Quelle est l'efficacité des campagnes publicitaires dans tous les pays ?

Nous ne pouvons pas partager un rapport client contenant des données sensibles, mais voici un exemple de rapport de base (sans décalage mensuel) qui peut être créé avec la solution décrite :

Vous souhaitez en savoir plus sur l'efficacité du trafic à partir d'applications mobiles ? Essayez OWOX BI gratuitement et voyez comment il peut répondre à vos besoins.

Les rapports Google Analytics utilisent par défaut le modèle d'attribution au dernier clic non direct. Ce modèle attribue toute la valeur d'une transaction à la dernière source indirecte de la chaîne avant la commande. Pour cette raison, les autres sources qui ont promu l'utilisateur via l'entonnoir sont sous-évaluées.

Vous pouvez utiliser l'attribution basée sur l'entonnoir ML d'OWOX BI pour connaître la valeur réelle des canaux et répartir efficacement votre budget. Il prend en compte tous les points de contact et toutes les actions de l'utilisateur lors du déplacement dans l'entonnoir de la première visite à l'achat.

Objectif du client : Augmenter le retour sur investissement des sources de trafic payantes contrôlées à un indice CRR fixe.

Défi du client : Construire un rapport qui montre les sources de trafic sous-évaluées et leur efficacité en termes monétaires tout en tenant compte des contacts de chaque utilisateur avec le site.

Notre hypothèse : le ROI peut être augmenté sans augmenter le CRR si le budget publicitaire est effectivement redistribué. Pour ce faire, le calcul du retour sur investissement doit prendre en compte la contribution de toutes les campagnes et sources qui ont promu l'utilisateur via l'entonnoir, et pas seulement celles qui ont conclu des offres.

1. Collectez des données brutes sur le comportement des utilisateurs sur le site et envoyez-les à Google BigQuery à l'aide d'OWOX BI.
2. Configurez l'importation des données de coût des services publicitaires vers Google Analytics et Google BigQuery.
3. Configurez l'ID client, l'ID utilisateur et l'ID de transaction à envoyer correctement à BigQuery et au CRM.
4. Téléchargez les données de vente réelles du CRM vers Google BigQuery dans la structure requise.
5. Associez les données de comportement des utilisateurs du site aux commandes terminées en fonction des clés d'ID client, d'ID utilisateur et d'ID de transaction. Les requêtes SQL ne sont pas nécessaires - tout se passe à l'intérieur du modèle d'attribution OWOX BI. Nous chargeons simplement les données dans le bon format et les ajoutons au calcul du modèle.
6. Configurez un modèle d'attribution et exécutez des calculs dans OWOX BI. À ce stade, nous pouvons spécifier comme étapes d'entonnoir les événements importants pour une entreprise particulière, y compris ceux qui se produisent hors ligne (réunions, appels, webinaires, etc.). L'entonnoir peut varier en fonction de ce qu'une entreprise souhaite mesurer et de la façon dont elle voit le chemin de l'utilisateur vers un achat.
7. Effectuez une analyse initiale des données à l'aide des rapports standard OWOX BI Smart Data pour éviter de dépenser des ressources en visualisation de données dans des systèmes de BI tiers. Dans Smart Data, vous pouvez afficher les rapports terminés basés sur les résultats des calculs du modèle d'attribution sans requêtes SQL. Par exemple, vous pouvez voir le retour sur investissement des campagnes publicitaires et en quoi il diffère du retour sur investissement affiché par l'attribution au dernier clic non direct.

Le transfert correct de l'ID client et de l'ID de transaction avec la commande vers votre CRM nécessite une équipe de développement côté client. Il en va de même pour la configuration et la transmission de l'ID utilisateur.

Afin d'interpréter correctement les résultats du calcul d'attribution, il est nécessaire d'impliquer des spécialistes de l'équipe du client. En effet, il est difficile d'évaluer correctement le comportement de certaines sources de trafic sans connaître le contexte et la logique selon laquelle les campagnes publicitaires ont été mises en place.

Notre client a reçu des rapports prêts à l'emploi qui peuvent être utilisés pour :

• Comparez le retour sur investissement des sources de trafic avec les commandes terminées pour l'attribution au dernier clic indirect et l'attribution basée sur l'entonnoir ML
• Analyser l'efficacité des sources de trafic à différentes étapes de l'entonnoir
• Transmettez automatiquement les résultats du calcul du modèle d'attribution à Alytics, Google Ads et K50 pour automatiser la gestion des taux (OWOX BI s'intègre à ces services.)

Voici un exemple de rapport d'OWOX BI Smart Data qui montre comment le retour sur investissement des campagnes publicitaires diffère selon les modèles d'attribution :

Par exemple, dans cette capture d'écran, nous voyons que la source de ROI bing/organic est 20 % plus élevée que dans Google Analytics. Autrement dit, la source a en fait gagné plus d'argent mais a été sous-évaluée dans Google Analytics car elle se trouvait au milieu de l'entonnoir.

Vous souhaitez évaluer l'impact mutuel de vos campagnes publicitaires et leur contribution aux ventes ? Essayez OWOX BI et voyez comment cela peut vous aider à atteindre vos objectifs.

Lorsqu'un utilisateur voit une annonce quelque part, ne clique sur rien, mais après un certain temps, se rend sur le site et effectue une certaine action, cela s'appelle une conversion après affichage. Celles-ci sont difficiles à suivre, car il n'y a pas de lien direct ni de transition vers l'annonce.

De plus, les grands acteurs comme Facebook, Google, YouTube et Yandex ne sont pas très intéressés à laisser des tiers entrer dans leurs systèmes. Autrement dit, ils ne veulent pas divulguer des données indiquant qu'un utilisateur particulier a vu une publicité particulière.

Objectif du client : Accroître l'efficacité des investissements publicitaires dans les médias (bannières et vidéos).

Défi du client : suivre les vues des créations multimédias (sans clic) et les visites ultérieures du site par les utilisateurs qui ont vu une publicité.

Notre hypothèse : Nous pouvons placer un code de suivi (pixel) sur les sites où le client publie ses annonces média. Ce pixel attribuera un cookie unique à chaque utilisateur qui voit l'annonce. Après un certain temps, cet utilisateur peut accéder au site Web du client. Nous pourrons alors lire le cookie que nous avons attribué et utiliser ces données pour créer des analyses après affichage.

L'équipe OWOX BI avait pour tâche de développer une méthode de suivi qui collecterait des données sur les vues d'annonces afin qu'elles puissent être combinées avec les données de comportement des utilisateurs du site du client. Nous avons essentiellement créé un morceau de code qui peut être placé sur les sites où l'annonce est diffusée.

Nous avons ensuite eu besoin de Google BigQuery pour combiner les données d'affichage des annonces avec les données de comportement des utilisateurs du site de notre client afin qu'elles puissent être traitées à l'aide de SQL.

La tâche a été réalisée en plusieurs étapes :

1. Recueillir les exigences commerciales du client.
2. Sur la base de ces exigences commerciales, préparez l'AT pour l'introduction d'un pixel sur les sites où la publicité dans les médias sera placée.
3. Testez la qualité de la mise en œuvre de l'assistance technique et la qualité des données qui entrent dans Google BigQuery lors des projections d'annonces.
4. Lancez des campagnes et surveillez la qualité de la transmission des données.
5. Associez les données collectées pendant la période de campagne aux données de comportement des utilisateurs ainsi qu'aux données CRM.
6. Créez un rapport qui répond aux questions commerciales du client.

• Tous les sites n'étaient pas intéressés par l'hébergement de notre pixel.
• Nous avons utilisé notre propre ID utilisateur OWOX comme clé pour le mappage des données.
• Nous avons surveillé en permanence le suivi et le bon fonctionnement de notre script sur les plateformes appartenant à l'annonceur.
• Nous avons considéré non seulement les ventes directes dans la fenêtre de conversion, mais également l'impact de la publicité sur l'attraction d'un nouveau public (l'un des KPI du client).

Notre client a reçu un rapport répondant aux questions suivantes :

• Quel est le retour sur investissement des campagnes avec commandes en ligne ?
• Quel est le retour sur investissement des campagnes pour les commandes passées dans les 10 jours suivant la visualisation d'une annonce ?
• Quel est le ROI de la publicité compte tenu de l'impact du ROPO ?
• Quels sites se sont révélés les plus efficaces en termes de ROI/CR/nouveaux utilisateurs ?
• Quel pourcentage d'utilisateurs ayant vu des annonces ont déjà consulté le site ?
• Combien de nouveaux utilisateurs ont été amenés sur le site dans les X/Y/Z jours suivant la visualisation d'une annonce ?
• Combien de nouveaux utilisateurs ont acheté après avoir vu une annonce ?
• Quels articles ont été achetés par les utilisateurs qui ont vu une annonce ?
• Combien d'anciens utilisateurs (qui n'ont pas accédé au site ou n'ont pas acheté sur le site pendant X jours) ont été ramenés par une annonce ?

Exemple de rapport sur les conversions après affichage :

Vous voulez le même rapport ? Essayez OWOX BI et voyez comment vous pouvez l'utiliser pour surmonter vos défis d'analyse marketing.

• Les données sont le pétrole du XXIe siècle.
• Travailler avec des données nécessite d'expérimenter et de tester des hypothèses.
• Vous devez être préparé à ce que toutes les expériences ne réussissent pas.
• Le désir de votre directeur marketing ne suffit pas ; vous avez besoin de processus au sein de l'entreprise pour que les données commencent à rapporter de l'argent, et l'équipe devrait en avoir besoin.
• La transformation des données en argent est-elle l'alchimie du 21ème siècle ? Nous ne pensons pas :)