Comment mesurer le succès des publicités et augmenter le ROAS en consolidant les données

Étant donné que de plus en plus d'entreprises passent à des opérations en ligne et plongent dans un nouveau monde numérique, plus les spécialistes du marketing de données doivent traiter. Les utilisateurs professionnels ont constamment besoin d'informations de haute qualité sur les données pour des performances réussies et adopter de nouveaux formats et structures d'analyse devient l'un des principaux défis.

Dans ce cas, nous décrivons la solution fournie par l'équipe OWOX BI pour un important fournisseur d'assurance directe qui avait des difficultés à évaluer l'effet de la publicité sur les achats.

Comme la société vend des assurances via Internet, par téléphone et hors ligne, les clients peuvent rechercher des produits via un canal et les acheter via un autre. Par exemple, un client peut visiter le site Web de l'entreprise, calculer la couverture, remplir une demande en ligne, puis se rendre dans un bureau physique pour effectuer un achat. Dans de tels cas, il est difficile d'évaluer l'effet de la publicité sur les achats.

L'enjeu principal était d'optimiser les dépenses publicitaires et d'obtenir un meilleur retour sur la publicité en adoptant un système fonctionnel d'évaluation des performances publicitaires. L'entreprise avait besoin d'un moyen de consolider les données sur les coûts, les revenus et les interactions des utilisateurs à la fois en ligne et hors ligne.

Les données sur les interactions des utilisateurs avec le site Web, les coûts publicitaires et les commandes hors ligne sont collectées dans différents systèmes :

• Les données du site Web sont collectées dans Google Analytics ;
• Les données sur les polices d'assurance achetées hors ligne sont stockées dans le système CRM de l'entreprise ;
• Les données de coût non AdWords ne sont généralement pas collectées dans Google Analytics. Par conséquent, le ROAS, le ROI et la part des coûts publicitaires pour chaque service publicitaire sont calculés séparément.

Toutes ces données doivent être fusionnées pour évaluer avec précision la contribution de la publicité aux achats d'assurance.

Toutes les données nécessaires ont été collectées dans Google BigQuery à l'aide d'OWOX BI Pipeline et ont mis en œuvre les modèles d'attribution basés sur l'entonnoir, le dernier clic non direct et le premier clic. Ensuite, les rapports ont été créés pour comparer les données de performance des campagnes obtenues via chaque modèle d'attribution.

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

Examinons de plus près chaque étape franchie par l'entreprise pour évaluer les campagnes publicitaires : quelles données elles ont combinées, de quelle manière et quels résultats ont été obtenus.

L'entreprise a choisi le stockage cloud Google BigQuery pour fusionner les données sur les activités sur site des clients avec les données sur les achats d'assurance hors ligne. Le service a été choisi pour ses capacités de traitement de données : des téraoctets de données peuvent être traités en quelques secondes, des pétaoctets de données — en quelques minutes. Cela fait de Google BigQuery un service parfait pour effectuer des tâches complexes d'analyse et de création de rapports. Un autre avantage de l'utilisation de Google BigQuery est la haute sécurité, car les données sont automatiquement cryptées. Vous trouverez plus d'informations sur les avantages de l'utilisation de Google BigQuery sur le site Web du service.

OWOX BI Pipeline a été choisi pour la collecte de données pour les raisons suivantes :

• Les données sont collectées en temps quasi réel et deviennent disponibles dans les 5 minutes.
• Il n'y a pas de limite au nombre de dimensions et de statistiques dans les rapports. OWOX BI Pipeline permet de créer des rapports de n'importe quelle granularité, en utilisant une syntaxe de type SQL pour interroger les données brutes. Dans Google Analytics uniquement, certaines dimensions et statistiques ne peuvent pas être combinées dans un seul rapport. Le nombre de dimensions et de statistiques dans un rapport est limité : 2 dimensions dans un rapport standard, 5 dimensions dans un rapport personnalisé et 7 dimensions dans une requête Core v3. De plus, il est impossible d'analyser les coûts publicitaires pour chaque utilisateur individuel. Pour plus d'informations sur les limites et les quotas, consultez le Guide des développeurs Google.
• Les données importées dans Google BigQuery ne sont pas échantillonnées quel que soit leur volume.

Vous trouverez plus d'informations sur les différences entre Google BigQuery Export pour Google Analytics 360 et OWOX BI Pipeline dans notre article de blog.

Les données sur les achats d'assurance sont téléchargées du système CRM vers Google BigQuery à l'aide de requêtes POST.

• Les données de coût des campagnes AdWords sont automatiquement collectées dans Google Analytics en raison de l'intégration native entre Google Analytics et Google AdWords.
• Les données de coût des autres canaux marketing sont importées dans Google Analytics par OWOX BI Pipeline.
• Les données de tous les canaux sont importées dans Google BigQuery depuis Google Analytics. Cela permet de calculer le ROAS, le ROI et le partage des frais publicitaires, par rapport aux achats, et pas seulement aux applications en ligne.

Après avoir consolidé les données dans Google BigQuery, l'équipe marketing a créé plusieurs modèles d'attribution pour mesurer l'efficacité des publicités à attirer de nouveaux clients (le modèle d'attribution au premier clic) et à générer des achats (le modèle d'attribution au dernier clic non direct).

L'attribution basée sur l'entonnoir par OWOX BI a été choisie comme troisième modèle d'attribution, le plus objectif. Dans ce modèle, chaque canal reçoit un crédit en fonction de sa contribution à la progression d'un client dans l'entonnoir d'achat. Les sessions sont évaluées en fonction de la probabilité de progression du client à chaque étape suivante dans l'entonnoir. Plus la probabilité est élevée, moins de crédit est accordé à la session qui a aidé un utilisateur à franchir l'étape. Plus la probabilité est faible, plus la session obtient de crédit. Les résultats des calculs dans le modèle d'attribution basé sur l'entonnoir sont disponibles dans Google BigQuery et l'interface OWOX BI. Le rapport indique le taux de conversion (conversion absolue), la probabilité et la valeur de chaque étape que les utilisateurs franchissent avant d'effectuer un achat. Jetez un oeil à l'exemple ci-dessous:

• Le taux de conversion des étapes correspond au pourcentage de sessions au cours desquelles l'étape donnée a été consultée. Par exemple, le taux de conversion de 34 % à l'étape 2 signifie que 34 % du nombre total de visiteurs du site Web ont accédé à cette étape.
• La probabilité est le pourcentage de sessions au cours desquelles les visiteurs ont navigué jusqu'à l'étape donnée à partir de la précédente. Dans cet exemple, l'étape 4 a une probabilité de 10 %, ce qui signifie que 10 % des visiteurs ont accédé à l'étape 4 à partir de l'étape 3.
• La valeur est calculée comme suit. Tout d'abord, chaque étape obtient un score inversement proportionnel à la probabilité. Ensuite, le score de l'étape est divisé par la somme totale des scores dans l'entonnoir. Plus il est difficile pour les utilisateurs de franchir une certaine étape de l'entonnoir, plus la valeur est élevée.

L'OWOX BI Smart Data a été utilisé pour rationaliser le travail avec toutes les données obtenues. L'outil permet de poser des questions aux données en anglais naturel, il n'y a pas besoin de requêtes SQL. Les modèles de questions permettent d'obtenir des réponses en quelques secondes.

En suivant les étapes ci-dessus, l'entreprise a obtenu un tableau de bord qui montre à la fois la valeur réelle de chaque canal et la façon dont cette valeur est répartie entre les étapes de l'entonnoir sur différents types d'appareils.

Le graphique ci-dessous montre qu'une même étape d'entonnoir peut avoir des valeurs différentes sur différents appareils. L'étape la plus précieuse sur les tablettes est de visiter le site Web pour la première fois. La navigation à travers les étapes 2 et 3 est essentielle pour les appareils mobiles. Comme pour les sessions sur les ordinateurs de bureau et les sessions multi-appareils, la valeur est répartie plus uniformément.

Qu'est-ce que cela se traduit ? Par exemple, les utilisateurs de tablettes sont moins susceptibles de faire le premier pas, c'est-à-dire de visiter le site Web. Cela signifie que les annonces ciblées sur les tablettes doivent viser à attirer de nouveaux visiteurs sur le site Web.

Les valeurs des canaux dans les modèles First Click et Last Non-Direct Click ont ​​été calculées pour identifier les canaux sous-évalués et surestimés, redistribuer le budget publicitaire plus efficacement et les comparer aux résultats obtenus dans le modèle d'attribution basé sur l'entonnoir.

Ni les modèles d'attribution au premier clic ni au dernier clic non direct ne peuvent fournir une vue précise des performances de la campagne, car Google Analytics ne contient pas de données sur les polices d'assurance achetées hors ligne. Un utilisateur ne peut parcourir que la moitié de l'entonnoir en ligne, puis accéder et acheter le produit hors ligne. C'est pourquoi les modèles ont été implémentés et visualisés à l'aide de Google BigQuery et Google Data Studio, respectivement.

En créant un tableau de bord dans Google Data Studio, l'entreprise peut facilement surveiller et comparer les performances des campagnes pour les deux modèles d'attribution les plus populaires : premier clic, dans lequel les efforts sont concentrés sur l'acquisition, et dernier clic non direct, dans lequel les efforts sont dirigés. acheter. Les KPI mensuels sont rapportés dans un format facile à lire.

Par exemple, la page de rapport ci-dessous compare la répartition des revenus et du ROAS sur différents canaux. En comparant les performances du canal dans les deux modèles d'attribution différents, on peut voir que les chiffres du ROAS et de la part des revenus du canal sont presque identiques dans les deux modèles. Cela signifie que ces canaux conviennent presque aussi bien pour attirer les utilisateurs que pour les pousser à conclure l'affaire.

• Après avoir entièrement automatisé la collecte et le traitement des données, grâce à l'utilisation des produits OWOX BI et Google, l'équipe de l'entreprise n'a pas besoin d'importer manuellement les données. Toutes les données sont disponibles dans une seule interface et les spécialistes du marketing peuvent accéder rapidement à toutes les données dont ils ont besoin.
• Le modèle d'attribution basé sur l'entonnoir a permis une évaluation plus objective et fiable des canaux marketing.
• L'équipe a calculé le crédit que les canaux publicitaires recevraient dans les modèles d'attribution premier clic/dernier clic. En comparant les résultats au modèle d'attribution basé sur l'entonnoir, les canaux sous-évalués et surestimés ont été identifiés et le budget publicitaire a été réaffecté plus efficacement.

Le graphique ci-dessus compare les valeurs de canal obtenues dans différents modèles d'attribution. La contribution du 5ème canal est significativement sous-évaluée dans le modèle d'attribution Last Non-Direct. Selon le modèle d'attribution basé sur l'entonnoir, il a un ROAS 100% plus élevé et affecte considérablement la conversion finale. Les autres canaux sont majoritairement surévalués. Sur la base de ces résultats, l'entreprise peut réaffecter le budget publicitaire des campagnes publicitaires surévaluées aux campagnes sous-évaluées, rendant ainsi la publicité plus efficace sans dépenses supplémentaires.