Comment améliorer les analyses internes à l'aide du modèle d'attribution basé sur l'entonnoir ML

En appliquant autant de canaux publicitaires que possible pour atteindre les clients, les entreprises sont confrontées à un gros problème d'évaluation correcte des performances, du succès et, bien sûr, de la croissance des revenus. Les questions auxquelles ils doivent répondre sont : Quel canal fonctionne le mieux ? Lequel doit être éliminé et lequel fournit des prospects qualifiés ? Il est maintenant temps que les modèles d'attribution entrent en jeu.

Dans ce cas, nous décrivons la solution fournie par l'équipe OWOX BI pour un grand détaillant en ligne qui avait des difficultés à améliorer ses performances et à utiliser le bon modèle d'attribution.

Avant de coopérer avec OWOX BI, l'entreprise utilisait le modèle d'attribution Last Click qui donnait toute la valeur à la dernière source, ignorant la contribution de toutes les étapes précédentes avant la commande. Pour évaluer correctement les performances des campagnes publicitaires, il a été décidé de mettre en place le modèle d'attribution basé sur l'entonnoir ML.

L'entreprise dispose d'une variété de points de contact avec les utilisateurs : publicités sur les réseaux sociaux, site Web de comparaison de prix, PPC, site Web, appels téléphoniques, marketing direct, centres de distribution et avant-postes. Comme la plupart des détaillants avec le marketing multicanal, il a été confronté au problème de la dispersion des données, car l'entreprise collecte et stocke les données dans différents systèmes.

Pour évaluer la contribution de chaque canal au parcours des clients tout au long de l'entonnoir, le détaillant devait fusionner les données sur le comportement des utilisateurs, les coûts publicitaires, les commandes hors ligne et les revenus réels de l'entreprise, avec le compte des commandes terminées. Cela signifie que l'entreprise devait mettre en place des analyses marketing en procédant comme suit :

1. Développez un ensemble individuel de métriques pour collecter les données de comportement des utilisateurs du site Web vers Google Analytics 360. À l'aide de l'exportation standard, les données non échantillonnées peuvent être envoyées à Google BigQuery.
2. Configurez le pipeline OWOX BI pour collecter les données des services publicitaires vers Google BigQuery.
3. Configurez l'exportation des données de transaction du système CRM vers Google BigQuery.
4. Créez un modèle d'attribution basé sur l'entonnoir ML basé sur les données fusionnées dans Google BigQuery.
5. Effectuez le couplage d'enregistrements pour les groupes de canaux avec les analystes OWOX BI, car les propres noms du détaillant pour les groupes de canaux sont différents de GA 360.
6. Obtenez des rapports dans Google Sheets pour la planification budgétaire mensuelle.

Ci-dessous le tableau de consolidation des données :

Examinons maintenant de plus près comment le modèle d'attribution basé sur l'entonnoir ML a été créé avec les rapports.

Les analystes OWOX BI ont aidé à développer, configurer et mettre en œuvre l'ensemble individuel de mesures pour le détaillant. De plus, nos spécialistes testent et mettent à jour régulièrement le système de métrique pour les nouveaux domaines ainsi que les nouvelles fonctionnalités.

Les données sur le comportement des utilisateurs sur le site Web ont été collectées dans Google Analytics 360 et envoyées quotidiennement à Google BigQuery, pour être liées aux données sur les coûts publicitaires et les transactions. La société a choisi la version payante de Google Analytics car son site Web a un niveau de trafic élevé. La version standard applique un échantillonnage lorsque le nombre de sessions utilisateur dépasse 500 000, tandis que Google Analytics 360 permet d'obtenir des données précises jusqu'à un résultat.

Les données sur les coûts AdWords sont transmises à Google Analytics 360, grâce à l'intégration native. Alors que OWOX BI Pipeline est utilisé pour envoyer les données de Facebook à Google Analytics 360 et pour fusionner les données de coût de tous les services publicitaires dans Google BigQuery. Le tableau ci-dessous montre la structure des données envoyées :

Pour prendre en compte les données sur les retours et les commandes terminées, les analystes exportent les données sur les transactions du système CRM vers Google BigQuery. La structure des données est présentée ci-dessous :

Cette structure permet de fusionner les données sur les commandes terminées avec les données sur le comportement des utilisateurs du site Web, en utilisant les clés user_id et time .

L'entonnoir de vente du détaillant se compose de 5 étapes : visite, page produit, ajout au panier, paiement, achat. L'équipe OWOX BI a calculé le délai moyen entre la visite du site Web et l'achat et a recommandé la fenêtre de conversion et la fenêtre de transaction optimales.

À l'aide de ces données, un modèle d'attribution basé sur l'entonnoir ML a été créé :

Le modèle d'attribution basé sur l'entonnoir ML évalue la probabilité qu'un utilisateur passe d'une étape de l'entonnoir de vente à une autre. La colonne grise montre la valeur de probabilité. Plus la probabilité de passer d'une étape à l'autre est faible, plus la session dans laquelle un utilisateur a passé cette étape est valorisée. Seules les sessions qui ont conduit à la commande obtiendront la valeur. Vous pouvez en savoir plus sur la logique de calcul d'OWOX BI Attribution dans notre article de blog.

Les résultats d'attribution sont utilisés pour créer des rapports que nous décrirons à l'étape 6.

Toutes les sources de trafic dans les rapports Google Analytics 360 sont par défaut regroupées dans les groupes de canaux suivants : direct, organique, e-mail, référence, social, display, CPC et autre.

Cependant, les spécialistes du marketing utilisent leurs propres noms de groupe de canaux pour les rapports internes. Pour créer le modèle d'attribution, l'équipe de l'entreprise a utilisé les données déjà collectées pour les périodes passées avec leurs propres noms pour les groupes de canaux. C'est pourquoi il était trop tard pour modifier les noms dans les paramètres de Google Analytics 360. De ce fait, les analystes OWOX BI ont effectué le couplage des enregistrements et créé une liste actualisable des noms correspondants pour les groupes de canaux dans Google Sheets. Le tableau ci-dessous illustre la structure de la liste :

L'équipe OWOX BI a créé un script pour combiner la liaison d'enregistrements dans Google BigQuery avec les résultats d'attribution sur une base mensuelle, à l'aide des clés de source et de support .

Avec l'aide des analystes OWOX BI, deux rapports ont été créés. Le premier rapport a permis de comprendre quels affiliés s'attribuent la valeur des autres canaux. Ce rapport est disponible dans OWOX BI Smart Data. Les analystes ont exporté les données du rapport obtenu vers Google Sheets, à l'aide du module complémentaire gratuit OWOX BI BigQuery Reports.

Voici les étapes suivies par les analystes OWOX BI pour exporter les données vers Google Sheets :

1. Accédez à Smart Data et demandez comment la valeur des sources et des supports est-elle répartie entre les étapes de l'entonnoir , puis ouvrez le rapport.
2. Accédez au coin supérieur droit et choisissez Copier la requête SQL dans le Presse-papiers .

1. Créez un nouveau rapport dans Google Sheets. Pour ce faire, ouvrez le menu Add-ons , puis choisissez OWOX BI BigQuery Reports et Add a new report . Sélectionnez ensuite des projets Google Cloud Platform existants, choisissez Ajouter un nouveau rapport et cliquez sur Coller :

Veuillez noter que chaque nouveau rapport est créé dans une nouvelle feuille :

Fournissez la configuration du rapport dans une barre latérale : sélectionnez un projet Google Cloud Platform existant et une requête Google BigQuery, qui fourniront les données à télécharger.

Noter! Vous pouvez trouver plus de détails sur la configuration des rapports ici.

1. Le rapport est maintenant disponible dans Google Sheets. Vous pouvez programmer la mise à jour automatique du rapport pour plus de commodité. Pour ce faire, accédez à Planifier des rapports dans les paramètres des rapports OWOX BI BigQuery :

Définissez la période de temps nécessaire pour la mise à jour :

Noter! Pour en savoir plus sur la planification de la mise à jour régulière du rapport, suivez ce lien.

Les spécialistes OWOX BI ont modifié la requête et ajouté des paramètres dynamiques : la source et la période d'analyse.

Noter! Suivez ce lien pour en savoir plus sur les paramètres dynamiques dans les requêtes.

En conséquence, le rapport d'analyse du trafic a été obtenu et il montre quelle étape de l'entonnoir obtient le plus d'influence d'une certaine source :

Après avoir filtré les partenaires affiliés uniquement, l'entreprise peut identifier ceux qui ont le plus de valeur à l'étape finale de l'entonnoir :

Le deuxième rapport présente les coûts réels, les revenus et le ROAS des campagnes publicitaires. À l'aide de ce rapport, les spécialistes du marketing peuvent déterminer quelles sources génèrent le plus de revenus et lesquelles ne rapportent pas :

• Le système correct et flexible de collecte de données a été mis en place par l'équipe OWOX BI.
• En utilisant les produits OWOX BI et Google, le processus de collecte de données a été automatisé. Toutes les données sont désormais disponibles dans une seule interface, en temps réel.
• Le modèle d'attribution basé sur l'entonnoir ML a aidé l'entreprise à mieux évaluer les performances des campagnes publicitaires et des canaux.