Comment multiplier par 2,2 le retour sur investissement de la publicité contextuelle pour un détaillant d'entreprise

Une question familière à toutes les entreprises est de savoir comment réduire les dépenses en publicité contextuelle tout en maintenant les ventes. Si vous achetez du trafic vers votre site Web dans un système publicitaire tel que Google Ads ou Facebook, une grande partie de vos dépenses est consacrée aux clics des utilisateurs qui ne finissent pas par mettre des articles dans le panier. Et même s'ils le font, ils ne complètent pas toujours l'achat. Alors que faire pour optimiser les campagnes publicitaires ?

Dans ce cas, nous décrivons la solution fournie par l'équipe OWOX BI pour le détaillant d'électronique et d'électroménager qui a testé OWOX BI pour calculer la probabilité de conversions.

Parmi les principales tâches de marketing de performance pour un détaillant d'entreprise figurent l'augmentation des mesures d'efficacité et la réduction des contacts avec les utilisateurs qui ne sont actuellement pas intéressés par l'achat. Les solutions basées sur les données sont les instruments les plus prometteurs pour optimiser les campagnes publicitaires. Le modèle d'attribution OWOX BI utilise des technologies d'apprentissage automatique pour calculer la probabilité d'achat pour chaque utilisateur du site Web à partir de la première visite. En utilisant ces probabilités d'achat, les entreprises peuvent déterminer s'il vaut la peine de dépenser en publicité pour un utilisateur. De plus, le modèle OWOX BI peut calculer la probabilité qu'un utilisateur effectue une action.

De plus, l'une des tâches obligatoires d'un spécialiste SEM de la publicité contextuelle est de segmenter les visiteurs du site Web en différents groupes en fonction des actions qu'ils effectuent sur le site Web et du temps écoulé depuis le dernier déclencheur. Par exemple, le nombre de jours depuis l'ajout d'un article au panier sans achat. L'analyse manuelle de ces audiences et l'ajustement des calculs d'enchères occupent une grande partie du processus de travail.

En résumé, l'objectif était d'augmenter le retour sur investissement des campagnes publicitaires contextuelles tout en économisant les revenus des commandes terminées.

La solution d'apprentissage automatique OWOX BI a été appliquée pour optimiser les campagnes publicitaires, étant formée sur :

• données historiques sur le comportement des utilisateurs du site Web
• Données CRM sur les commandes échangées
• données agrégées et anonymisées de dizaines de milliers de projets par les clients OWOX

Ce que OWOX BI a fourni :

• Pour chaque utilisateur du site Web, la probabilité d'achat est calculée en tenant compte des commandes échangées.
• Les calculs de probabilité sont mis à jour après chaque action ou période d'inactivité de l'utilisateur. Par exemple, si un utilisateur visite un site Web et effectue une série d'actions, il reçoit X% de probabilité de faire un achat. S'ils ne visitent pas le site Web pendant quatre jours après cela, cette probabilité diminue.
• 10 segments d'utilisateurs divisés en fonction de la probabilité d'achat sur une échelle de 10 points.

Pour évaluer la précision des prévisions et les performances de chaque segment, l'équipe a analysé le nombre de commandes que chaque segment a effectuées.

En haut du tableau se trouve le segment avec la probabilité de conversion la plus élevée, et en bas se trouve le segment avec la plus faible.

1. Collecte de données sur le comportement de l'utilisateur sur le site Web dans Google BigQuery avec OWOX BI. (Il est également possible d'utiliser Google Analytics 360.)

2. Les analystes d'OWOX ont formé le modèle d'attribution et commencé des calculs réguliers de probabilité de conversion pour les visiteurs du site Web. Chaque visiteur s'est vu attribuer une probabilité de conversion. L'algorithme prend en compte plus de 60 paramètres, dont :

• nombre de sessions en hits dans la fenêtre de conversion
• actions sur le site Web au cours d'une session
• pauses entre les sessions
• nombre total d'actions
• périphérique de session et système d'exploitation
• sources de trafic dont disposait l'utilisateur dans une fenêtre de conversion
• nombre d'actions sur chaque page au cours d'une session
• moment d'une session spécifique et durée totale des sessions dans une fenêtre de conversion

3. L'équipe OWOX BI a rassemblé toutes ces données dans un seul tableau dans Google BigQuery pour évaluer la probabilité d'achat de chaque utilisateur.

4. Les données d'audience ont été transférées au service de publicité à l'aide d'un pipeline OWOX BI.

5. Les audiences ont été ajoutées au service de publicité.

Le test A/B principal a été réalisé avec une répartition égale du trafic entre les groupes examinés pour les campagnes publicitaires :

• créé manuellement.
• sur la base d'un flux de données produit à l'aide d'un service d'automatisation.

Après l'expérience réussie, le deuxième test sur les campagnes avec des annonces dynamiques a été lancé. Après avoir collecté des données en fonction de son efficacité parmi les campagnes publicitaires, les enchères d'audience ont été calculées et ajustées :

• Diminuez les enchères pour les audiences à faible probabilité d'achat (parfois jusqu'à 90 %).
• Augmentez les enchères pour les audiences à forte probabilité d'achat.

La taille des ajustements d'enchères a été calculée sur la base des données recueillies sur le coefficient de conversion de chaque audience et le ROI cible. Le retour sur investissement actuel de chaque campagne et audience a également été pris en compte. Pour chaque audience, OWOX BI a calculé un prix par clic approprié. Sur la base de ces calculs, il a ajusté le prix actuel pour atteindre le KPI cible. Les ajustements ont constamment changé en fonction des résultats.

Pendant deux mois, les analystes d'OWOX ont travaillé avec l'équipe du client pour réaliser deux tests. La première a duré un mois et demi et comportait cinq campagnes publicitaires à faible trafic. Chacune de ces campagnes a été subdivisée en deux campagnes d'A/B testing : une utilisant des audiences OWOX BI et une sans elles.

Les campagnes utilisant les audiences OWOX ont montré des résultats 1,7 fois meilleurs à la fois en termes de retour sur investissement et de revenus pour les commandes terminées. Pour un détaillant, il s'agissait d'un pas dans la direction d'une efficacité accrue des investissements publicitaires.

Après la première expérience, l'équipe OWOX BI a mené un test de trois semaines basé sur des campagnes à fort trafic selon le même principe - un nombre égal de campagnes utilisant des audiences OWOX BI et sans audiences OWOX BI.

Le résultat du deuxième test a été un retour sur investissement 2,2 fois plus élevé et des revenus 2,7 fois plus élevés pour les commandes terminées dans les campagnes avec des audiences OWOX BI.

Dans les deux cas, le groupe test a soit apporté plus de revenus avec le même budget que le groupe témoin, soit apporté les mêmes revenus avec un budget inférieur. En utilisant OWOX BI pour prédire les conversions, notre client a gagné du temps sur la création de segments d'audience, toutes les données sur les utilisateurs du site Web ont été traitées automatiquement et les données résultantes ont été préparées pour être téléchargées sur un service publicitaire où elles pourraient être utilisées dans des campagnes publicitaires pour ajuster les enchères et exécuter reciblage.

Ces résultats de test ont été considérés comme un bon début pour une mise à l'échelle supplémentaire d'autres canaux de performance et de brandformance. Comme les expériences avec les calculs de probabilité de conversion ont prouvé leur efficacité, l'étape suivante consistait à faire évoluer la solution - pour l'utiliser dans toutes les campagnes de recherche, exécuter le reciblage en définissant différentes enchères en fonction des conversions dans un segment et l'appliquer dans d'autres services publicitaires tels que Facebook. , MyTarget et Google Ads.