Comment découvrir 2,4 fois plus de mots-clés contribuant aux conversions et augmenter le retour sur investissement de la publicité PPC de 17 %

Gagner le concours de marketing aujourd'hui est impossible sans appliquer l'analyse des données pour améliorer les performances de l'entreprise. Les nouvelles technologies permettent aux entreprises de transformer leur flux de travail, d'exploiter efficacement les données pour prendre des décisions et d'atteindre plus rapidement leurs objectifs marketing.

Dans ce cas, nous décrivons la solution apportée par l'équipe OWOX BI pour un détaillant omnicanal de meubles et d'articles ménagers dont les clients effectuent des achats sur le site Web, dans des magasins physiques et/ou par téléphone via un centre d'appels. Elle a eu des difficultés à améliorer le retour sur investissement de sa publicité en ligne.

Alors que l'entreprise cherchait à améliorer le retour sur investissement de sa publicité en ligne, sa stratégie impliquait les étapes suivantes :

1. Collectez des données complètes sur les activités hors ligne et en ligne de chaque client, sur tous les appareils.
2. Évaluez les revenus générés par chaque mot clé, au lieu d'attribuer tout le crédit au dernier mot clé.
3. Automatisez la gestion des enchères et les ajustements pour la publicité PPC.

Le processus impliquait : la collecte de données complètes (actions des utilisateurs ; commandes passées en ligne, hors ligne et par téléphone ; données de performances publicitaires), la mise en œuvre d'un modèle d'attribution personnalisé et l'automatisation de la gestion des enchères dans Alytics.

L'entreprise avait besoin de connaître les performances de chaque mot clé pour automatiser les enchères. Tous les points de contact avec les clients, y compris les sessions en ligne sur tous les appareils, les appels téléphoniques et les achats dans les magasins physiques, doivent être regroupés pour déterminer les valeurs des mots clés. Dans Google Analytics, il n'y a pas une telle option.

Les modèles d'attribution de Google Analytics ne peuvent pas évaluer avec précision les canaux publicitaires en raison des lacunes suivantes :

• Ignorer les commandes annulées.
• Omettre les achats hors ligne.
• Ignorer les marges brutes des achats.
• Omettre les commandes téléphoniques.
• Erreur de suivi des utilisateurs visitant plusieurs appareils, en tant qu'utilisateurs uniques multiples.
• Données d'échantillonnage dans les rapports.

Une évaluation incorrecte des performances des mots clés rend difficile la définition correcte des enchères. Par conséquent, une enchère élevée serait un gaspillage de budget, et une enchère faible entraînerait moins de clients.

Les données sur les commandes par téléphone et les commandes hors ligne, ainsi que les données sur les coûts des campagnes publicitaires payantes autres que Google, ne sont pas disponibles dans Google Analytics. Ainsi, la collecte de données et la modélisation d'attribution sont configurées dans Google BigQuery.

Ce service a été choisi pour les raisons suivantes :

• Traitement des requêtes à grande vitesse - jusqu'à 20 secondes - quelle que soit la quantité de données.
• Les API permettent des intégrations faciles avec d'autres systèmes.
• Possibilité de télécharger facilement des données à partir de fichiers ou de Google Sheets.
• Chargement uniquement pour l'utilisation.
• Pas besoin de maintenir des bases de données.

La valeur des canaux et des mots clés a été calculée dans Google BigQuery pour gérer les enchères, puis les résultats ont été importés dans Alytics à l'aide de l'API RESTful.

Maintenant, regardons de plus près chaque étape.

Les données de coût et de performance de Google AdWords sont automatiquement importées dans Google Analytics grâce à l'intégration native et à la liaison de compte.

OWOX BI Pipeline est utilisé pour :

• Collecte de données sur les performances des sessions, des coûts et des revenus des services publicitaires vers Google Analytics. Ces données apparaissent dans le rapport d'analyse des coûts, avec les données de Google AdWords.
• Importation de données consolidées sur les performances des sessions, des coûts et des revenus de Google Analytics vers Google BigQuery.
• Importation des données de comportement des utilisateurs du site Web vers Google BigQuery, en temps quasi réel.

Les données suivantes sont envoyées à Google BigQuery à l'aide d'API :

• Marges brutes des produits et taux d'exécution des commandes à partir du CRM et de l'ERP.
• ID client des utilisateurs qui ont passé des appels téléphoniques, à partir du système de suivi des appels CallTouch. Les multiples numéros de téléphone fournis par CallTouch sont utilisés : plus il y a de visites et plus la durée moyenne de la session est longue, plus il y a de numéros de téléphone fournis par CallTouch. Le système affiche l'un des numéros de chaque session sur le site Web et associe le numéro au ClientID de l'utilisateur. Ensuite, les ClientID des appelants sont importés de CallTouch vers Google BigQuery.

L'organigramme de collecte des données est présenté ci-dessous :

Désormais, toutes les données de comportement des utilisateurs provenant des magasins physiques, des centres d'appels et du site Web sont collectées dans Google BigQuery. Les données de session (séquences d'accès, identifiants de session et données personnelles chiffrées des utilisateurs) sont transférées à Google BigQuery à l'aide d'OWOX BI Pipeline. Les sessions sont associées aux utilisateurs par les paramètres suivants :

• ClientID, l'identifiant unique de la paire navigateur-appareil.
• UserID, l'identifiant unique de chaque utilisateur, qui est lié à l'adresse e-mail de l'utilisateur.
• Numéro de carte de fidélité.

Hoff regroupe les sessions à l'aide de requêtes SQL. Examinons 3 exemples de la façon dont les données sont combinées.

Anna parcourt les canapés sur le site Web à l'aide d'une application de navigation sur son smartphone. Après un certain temps, elle visite à nouveau le site Web sur le même appareil, fait son choix, se connecte par e-mail et ajoute le canapé à son panier. Étant donné que l'appareil et le navigateur sont identiques, ces deux sessions sont regroupées par ClientID. Anna rentre à la maison, ouvre son ordinateur portable, se connecte à son compte et achète le canapé qu'elle a choisi. Désormais, les sessions sur son téléphone et son ordinateur portable peuvent être combinées par UserID :

Nick visite le site Web tout en cherchant une nouvelle table de cuisine sur son ordinateur de travail. Pendant sa pause déjeuner, il crée un compte sur le site avec son smartphone et passe commande.

Nick a utilisé deux appareils différents et autorisé uniquement depuis son smartphone. Ces deux sessions ne peuvent pas être liées par ClientID ou UserID. Par conséquent, Google Analytics les comptabilise comme des sessions de deux utilisateurs différents.

De retour au travail, Nick se souvient que sa femme a toujours voulu une table en wengé , pas en noyer , et aussi qu'il a une carte de fidélité. Il entre sur le site depuis son ordinateur professionnel, se connecte, modifie sa commande et effectue un achat avec sa carte de fidélité.

Désormais, toutes les sessions de Nick peuvent être assemblées en associant l'achat sur ordinateur à :

• Recherche d'une table (Session 1), par le ClientID, car les deux sessions ont été lancées dans le même navigateur sur le même ordinateur.
• Création d'un compte sur le téléphone (Session 2) - par l'ID utilisateur, car Nick s'est connecté à son compte dans les deux sessions.

Par conséquent, les données liées au parcours de Nick depuis la toute première visite jusqu'à l'achat sont collectées dans Google BigQuery.

Nick parcourt le site Web sur son ordinateur de travail, à la recherche de chaises assorties à la nouvelle table. Il appelle le numéro de téléphone affiché sur le site et passe une commande. Il se rend ensuite au magasin et achète les chaises avec sa carte de fidélité.

Les actions précédentes de Nick sur le site Web ont été fusionnées avec des actions en magasin et au téléphone :

• Commande téléphonique et activités en ligne — par ClientID, car Nick a déjà acheté la table et CallTouch a affiché le numéro de téléphone dans le même navigateur, sur le même appareil.
• Achat hors ligne et activités en ligne — par le numéro de la carte de fidélité de Nick.

Maintenant, il y a suffisamment de données pour relier toutes les interactions de Nick. C'est comme ça qu'ils le font:

En conséquence, tous les identifiants client, adresses e-mail, cartes de fidélité et commandes de l'utilisateur ont été consolidés pour voir lesquelles des requêtes de recherche génèrent des revenus et lesquelles consomment des enchères sans aider à un achat.

La logique du modèle d'attribution est la suivante : la valeur totale de la première et de la dernière session dans le chemin de conversion d'un client est égale à la valeur des sessions intermédiaires. La première session a lieu lorsqu'un utilisateur visite le site Web pour la toute première fois et se familiarise avec la marque. La dernière session correspond au moment où l'utilisateur effectue un achat. La combinaison de données sur différents appareils permet de trouver une connexion entre les sessions et leur ordre chronologique.

La valeur de chaque voie est déterminée en 2 étapes :

1. Identification du canal qui a lancé la première session. Si un utilisateur a déjà visité le site Web, le canal d'acquisition est associé au canal de la session précédente. Par exemple, si un utilisateur visite le site Web en cliquant sur une annonce graphique Google et a déjà visité le site Web via une recherche organique dans Bing, le modèle traitera Bing comme le canal qui a présenté la marque à l'utilisateur.
2. Affectation de valeur aux sessions. Le revenu d'un achat est réparti entre les sessions utilisateur selon les règles suivantes :

• La première session reçoit 20% du crédit pour la vente.
• La dernière session reçoit 30% du crédit.
• Les sessions intermédiaires reçoivent les 50 % restants. Les séances sont évaluées par le nombre d'heures avant l'achat. Plus de pages ont été consultées au cours de la session et moins il s'est écoulé d'heures avant l'achat, plus la session a de valeur.

La valeur des mots-clés et des canaux est automatiquement recalculée quotidiennement. Le résultat est stocké dans une table dans Google BigQuery et Google Cloud Storage. Les résultats d'attribution sont exportés de Google Cloud Storage vers Alytics à l'aide de l'API RESTful.

Les règles ont été définies pour Alytics afin de déterminer la taille de l'enchère. Plus le retour sur investissement de la phrase de recherche mentionnant le produit est élevé, plus l'enchère est élevée. Par exemple, si le retour sur investissement des tables est inférieur à 15 %, l'enchère pour un mot clé d' achat de tables sera égale à 1 $. Si le retour sur investissement est supérieur à 75 %, l'enchère sera égale à 4 €. Tous les nombres ont été déterminés expérimentalement.

Grâce à la fusion des données sur le comportement des clients en ligne et hors ligne, à la détermination des valeurs des mots clés et à l'automatisation des ajustements des enchères, l'entreprise est désormais en mesure de répondre à des questions telles que :

• Comment le retour sur investissement de la publicité en ligne changerait-il compte tenu de l'exécution des commandes ?
• Comment la publicité en ligne affecte-t-elle les commandes passées dans un centre d'appel ?
• Quels mots-clés génèrent les commandes les plus rentables ?
• Quels produits offrent le meilleur retour sur investissement ?
• Quelle part des ventes hors ligne a été influencée par la publicité en ligne ?

En conséquence, il a été possible de :

• Optimisez les enchères et augmentez le ROI de la publicité PPC de 17 %.
• Mesurez plus précisément l'impact des mots-clés sur les revenus et constatez 2,4 fois plus de mots-clés contribuant aux conversions. Les modèles d'attribution standard les ont simplement ignorés.
• Découvrez que certaines des phrases clés ont un plus grand impact sur les achats hors ligne que sur les ventes en ligne.