Comment augmenter les revenus générés par les e-mails de 237 % et optimiser les dépenses publicitaires

Le processus de messagerie bien optimisé peut fournir aux entreprises le retour sur investissement le plus élevé possible sur ce canal de vente. Cependant, vous devez ajuster les campagnes d'email marketing pour y parvenir : le contenu doit être personnalisé pour votre public. Sinon, il y a de fortes chances que vos efforts de courrier électronique gaspillent de l'argent.

Dans ce cas, nous décrivons la solution fournie par l'équipe OWOX BI pour une grande chaîne de vente au détail d'appareils électroménagers, d'électronique et d'articles ménagers, qui compte plus de 600 magasins dans plus de 200 villes. L'entreprise avait du mal à trouver comment améliorer son taux de conversion et optimiser ses coûts publicitaires en appliquant des e-mails déclenchés.

Dans un environnement commercial hautement concurrentiel, l'objectif principal est d'acquérir de nouveaux clients, d'augmenter la LTV et d'optimiser le budget publicitaire. Les analystes commerciaux souhaitaient analyser l'efficacité de leurs canaux d'acquisition de clients en tenant compte du gain résultant de chacune des campagnes publicitaires. Les modèles d'attribution standard n'étaient pas appropriés pour cette tâche, car ils ignorent les facteurs suivants :

1. Les visiteurs des sites de comparaison de prix cherchent à acheter des produits au prix le plus bas. Cela signifie que, tout en envisageant leur prochain achat, les clients peuvent à nouveau choisir en fonction du prix, et plutôt que de visiter la boutique en ligne de l'entreprise, ils peuvent revisiter un site Web de comparaison de prix. Lors de l'évaluation de cette source de trafic, il convient de prendre en compte la LTV du client sur 180 jours et le coût total d'acquisition et de fidélisation, car l'entreprise peut dépenser de l'argent chaque fois qu'elle ramène des clients via des sites de comparaison de prix.
2. Les clients qui ont acheté un produit moins cher avec une faible marge peuvent revenir plus tard sur le site Web pour acheter des produits plus chers. Ainsi, bien que la marge du produit le moins cher puisse ne pas couvrir le coût d'acquisition, à terme (sur 180 jours), de telles campagnes publicitaires rapportent mieux.

Compte tenu de ce qui précède, l'équipe d'analystes a développé son propre modèle d'attribution basé sur la LTV qui prend en compte les coûts publicitaires et la marge des achats sur une période de 180 jours. De plus, les moyens de transformer les acheteurs potentiels, intéressés par un certain produit ou une certaine catégorie de produits, en clients fidèles étaient à l'essai. Certains des visiteurs ont parcouru le site Web, mais n'ont acheté aucun produit. Certains visiteurs ont commencé le paiement mais n'ont pas terminé le processus (panier abandonné). Il a été décidé de mettre en place des e-mails déclenchés pour ramener ces visiteurs sur le site Web et les motiver à effectuer un achat :

1. Rappels des paniers abandonnés, aux utilisateurs qui ont commencé mais n'ont pas terminé le paiement.
2. Les recommandations sont basées sur les produits consultés, aux utilisateurs qui ont parcouru certains types de pages (pages catalogue ou pages produits).

Le contenu des e-mails déclenchés doit être personnalisé pour répondre aux besoins actuels de chaque client. Il ne devrait y avoir aucun retard dans la collecte de données sur les actions des visiteurs du site Web pour garantir cela.

Les données nécessaires pour atteindre ces objectifs étaient stockées dans différents systèmes - Google Analytics et un certain nombre de services publicitaires. Il était nécessaire non seulement de fusionner les données, mais aussi d'en assurer un accès rapide et un traitement des données en temps quasi réel.

L'entreprise devait résoudre les tâches suivantes pour atteindre les objectifs :

• Collectez des données provenant de plusieurs sources dans un système unique et une structure optimale.
• Obtenez toutes les données requises pour le modèle d'attribution et assurez-vous que les données peuvent être mises à jour historiquement.

Il a été décidé de vérifier les hypothèses dans un délai de 180 jours.

Les données ont été obtenues à partir des systèmes suivants :

1. Google Analytics : les données du site Web sont disponibles dans Google Analytics via un conteneur Google Tag Manager.
2. Sources publicitaires : Google AdWords, Criteo.

En tant que stockage de données unique, il a été décidé d'utiliser Google BigQuery :

1. Ce stockage en nuage permet la collecte et le traitement rapide de quantités massives de données.
2. Il fournit un large éventail de solutions et d'outils prêts à l'emploi pour l'intégration avec les systèmes CRM et ERP.
3. Les données sont protégées en toute sécurité.

Les outils et fonctionnalités suivants ont été utilisés pour collecter toutes les données dans Google BigQuery :

1. Google BigQuery Export for Google Analytics 360 — pour recevoir des données de Google Analytics dans Google BigQuery, y compris 13 mois de données historiques.
2. OWOX BI Pipeline — l'entreprise reçoit des données sur les visites en temps quasi réel du site Web dans Google BigQuery, ainsi que des données sur les coûts, les clics et les impressions provenant de sources publicitaires, qui sont disponibles dans Google Analytics, puis dans Google BigQuery.

En conséquence, toutes les données nécessaires sont collectées dans Google BigQuery, puis envoyées aux systèmes d'analyse internes de l'entreprise.

Les données obtenues dans Google BigQuery via l'export standard pour Google Analytics 360 et via OWOX BI Pipeline, ont été organisées dans un cube de données. Un tel cube, créé dans une structure optimale, permet une réduction significative du coût de traitement des données.

L'organigramme ci-dessous montre comment les données nécessaires sont collectées et fusionnées :

Les analystes OWOX BI ont développé deux vues utilisant des requêtes SQL pour configurer les e-mails déclenchés. Les requêtes regroupent les données sur les actions des utilisateurs sur le site Web, obtenues via OWOX BI Pipeline, et les données obtenues via Google BigQuery Export, dans une structure optimale pour la tâche.

L'efficacité des e-mails a été mesurée avec des tests A/B. Les e-mails déclenchés au premier groupe d'utilisateurs ont été envoyés le lendemain de la visite du site Web. L'autre groupe a reçu des e-mails déclenchés en un peu moins d'une heure, car les e-mails ont été envoyés à l'aide des données des tables de Google BigQuery et du cube de données. Dans les deux cas, les e-mails ont été envoyés via le même service.

Contrairement à Google Analytics, la valeur du champ userID dans les tableaux croisés dynamiques de Google BigQuery peut être mise à jour rétroactivement en écrasant les tableaux. Une fois qu'un utilisateur est authentifié sur le site Web sur n'importe quel appareil (une fois que la valeur userID est connue), les sessions précédentes du même utilisateur acquièrent également la valeur userID, si cette valeur n'a pas été spécifiée ou définie auparavant. En raison des mises à jour rétroactives du champ userID, des données utilisateur plus précises ont été obtenues et des e-mails déclenchés personnalisés ont été envoyés à un plus grand nombre de visiteurs.

L'équipe a développé son propre modèle d'attribution avec les fonctionnalités suivantes :

• Répartir les coûts d'acquisition de visiteurs sur les visites uniquement à partir de sources de trafic payantes.
• Évaluation de la marge totale par utilisateur pendant 30, 60, 90 et 180 jours.
• En considérant uniquement les données des primo-accédants dans les calculs. Lors d'un achat répété, la valeur de la commande est attribuée au canal qui a amené l'utilisateur sur le site Web pour la première fois.

Ce modèle d'attribution a été rendu possible grâce aux mises à jour rétroactives des données dans Google BigQuery, y compris les mises à jour du champ UserID et des données sur les coûts d'acquisition des visiteurs.

Grâce à la collecte de données dans un stockage de données unique, à la configuration de nouveaux e-mails déclenchés et à la mise à jour des données historiques, ces objectifs ont été atteints :

1. Améliorez les KPI des e-mails déclenchés.

Les notifications par e-mail concernant les produits abandonnés sont envoyées dans l'heure à la plupart des utilisateurs qui ont ajouté des produits à leur panier mais n'ont pas terminé l'achat. Les données des e-mails déclenchés sont collectées automatiquement, deux fois par heure.

L'efficacité de la nouvelle méthode de mailing a été confirmée par des tests A/B :

• Le nombre de visites sur le site Web par le biais d'e-mails livrés a augmenté de 76 %.
• Le taux de conversion pour les achats des utilisateurs qui ont visité le site Web via des e-mails livrés a augmenté de 12 %.
• Le nombre d'achats après l'optimisation des e-mails de panier abandonné a augmenté de 85 %.
• La part du chiffre d'affaires dans le groupe cible a augmenté de 237 %.

2. Optimiser le budget publicitaire et réduire la part des coûts publicitaires

Les graphiques ci-dessous montrent des données sur la LTV des clients par session (FM - marge, COST - coûts) selon le propre modèle d'attribution de l'entreprise qui prend en compte la valeur à vie des clients qui ont visité différents groupes de produits via des canaux de trafic payants. Cette valeur augmente avec le temps, un fait ignoré par le modèle d'attribution au dernier clic. La mise maximale pour chaque campagne est limitée à la marge obtenue par l'entreprise pendant 180 jours, hors frais de fidélisation.

Comme on peut le voir avec le modèle d'attribution basé sur CLTV sur une période de 180 jours, les utilisateurs sont d'abord passés par les canaux CPC, puis sont revenus et ont effectué des achats répétés via des canaux gratuits. La valeur de ces canaux CPC s'est avérée plusieurs fois plus élevée que selon le modèle d'attribution au dernier clic. Le volume et la fréquence des achats répétés, ainsi que les revenus de l'entreprise, étaient différents pour chaque catégorie de produits, campagne publicitaire et source.