7 cara untuk mengevaluasi dan meningkatkan pemasaran digital

Bagaimana Anda dapat mengevaluasi efektivitas dan meningkatkan laba atas investasi (ROI) iklan online Anda? Bagaimana Anda bisa tahu berapa banyak pendapatan yang dihasilkan oleh lalu lintas SEO, aplikasi seluler, dan iklan media? Pertanyaan-pertanyaan ini relevan dengan banyak bisnis online dan omnichannel. Dalam artikel ini, kami menjelaskan solusi dari OWOX BI yang telah membantu klien kami menemukan jawaban atas pertanyaan ini dan lainnya serta memecahkan masalah bisnis mereka.

Kami secara ringkas menjelaskan bagaimana kami telah membantu klien kami melakukan tujuh kasus dunia nyata di bawah ini. Jika Anda tertarik dengan detail teknis atau ingin mencoba beberapa hal yang kami sebutkan di proyek Anda sendiri, coba OWOX BI secara gratis.

OWOX BI mengumpulkan data dari beberapa sistem dalam satu repositori dan membuat laporan yang membantu pelanggan meningkatkan kecerdasan pemasaran mereka. Tujuannya adalah untuk melakukannya dengan cepat, dengan kualitas tingkat tinggi, dan dengan otomatisasi maksimal sehingga bisnis dapat menghasilkan lebih banyak uang dengan menggunakan data yang sudah mereka miliki.

Menyegmentasikan pengguna untuk menargetkan kampanye iklan yang lebih baik adalah tugas dasar yang dapat dan harus ditangani pada tahap awal penerapan analisis pemasaran.

Sasaran klien : Meningkatkan ROI kampanye iklan yang bertujuan untuk mengaktifkan kembali pengguna yang telah mengunjungi situs. Secara teori, pengguna ini seharusnya tidak mahal untuk dipasarkan karena mereka sudah menunjukkan minat.

Tantangan klien : Tingkatkan penargetan kampanye iklan untuk keranjang belanja yang ditinggalkan dan pelanggan lama. Ini adalah orang-orang yang telah melakukan serangkaian tindakan tertentu di situs tetapi belum membeli apa pun. Pada saat yang sama, klien kami percaya bahwa mereka dapat membeli sesuatu.

Hipotesis kami : Jika kami memilih segmen pengunjung situs web yang telah menambahkan item ke keranjang dalam X hari terakhir dan menampilkan iklan kepada mereka, mereka cenderung membeli sesuatu daripada pengunjung dari segmen lain. Oleh karena itu, dengan beriklan di segmen ini, kami dapat meningkatkan pendapatan dengan tetap mempertahankan rasio pendapatan biaya (CRR) yang sama.

Segmentasi pengguna selalu diperlukan untuk menguji hipotesis. Kami dapat berasumsi bahwa segmen pengguna yang dipilih akan berperilaku dengan satu atau lain cara setelah melihat iklan, tetapi tidak ada jaminan 100% bahwa hal itu akan terjadi.

Klien kami menentukan kondisi sesuai dengan segmen yang dibentuk. Setelah membentuk segmen sesuai dengan kondisi tersebut, kami mengubah hipotesis kami menjadi tugas teknis untuk analis kami. Tugas ini dibagi menjadi beberapa tahap.

Tahap 1 . Bentuk dua segmen pengguna. Segmen pertama terdiri dari pengguna yang menambahkan item ke keranjang dalam X hari terakhir tetapi tidak membeli apa pun. Segmen kedua terdiri dari pengguna yang melakukan beberapa tindakan di situs (yang ditentukan oleh klien).

Google Analytics mengambil sampel data pelanggan sebagai respons terhadap lalu lintas yang padat. Oleh karena itu, untuk membangun segmen, kami menggunakan data mentah dari situs klien kami yang dikirimkan ke Google BigQuery menggunakan OWOX BI Pipeline. BigQuery adalah layanan penyimpanan cloud yang memungkinkan Anda tidak hanya mengumpulkan informasi tetapi juga memprosesnya dengan mudah menggunakan SQL.

Analis kami menulis kueri SQL untuk membentuk segmen menggunakan data situs web mentah. Segmen ini berisi data ID Klien Google dan ID Klien Yandex, yang dapat digunakan di layanan periklanan Google Ads dan Yandex.Direct.

Tahap 2 . Transfer segmen secara otomatis ke Google Ads dan Yandex.Direct sehingga pakar periklanan dapat menggunakannya dalam menyiapkan kampanye iklan.

OWOX BI memiliki saluran data otomatis yang mengambil segmen dari Google BigQuery, menghitung datanya setiap hari, dan mengunggah data tersebut ke Google Analytics. Segmen dari sistem analisis web dapat diekspor secara native ke Google Ads. Pipa OWOX BI kedua memuat segmen ini ke Yandex.Audience.

Tahap 3 . Pakar klien kami membuat aturan dalam layanan periklanan yang menaikkan tarif untuk segmen ini.

Solusi ini memiliki beberapa karakteristik penting. Misalnya, untuk memuat segmen ke Yandex. Pemirsa, harus berisi minimal 1.000 baris (untuk menggunakan ID Klien Yandex yang unik).

OWOX BI tidak mengumpulkan ID Klien Yandex secara default. Yandex. Metrik harus dipasang di situs untuk menghasilkan ID Klien, dan agar dapat masuk ke Google BigQuery, Anda perlu mengonfigurasi transmisinya melalui OWOX BI.

Jika Anda pengguna OWOX BI dan ingin mengumpulkan ID Klien Yandex di Google BigQuery, hubungi kami. Kami akan membagikan petunjuk tentang cara melakukannya dengan Google Pengelola Tag. Jika Anda bukan pengguna OWOX BI tetapi tertarik dengan kemungkinan ini, cobalah OWOX BI secara gratis dan lihat bagaimana ini dapat membantu mencapai tujuan Anda.

Klien kami mengonfigurasi ulang audiens dalam kampanye mereka, yang telah berhasil untuk penargetan ulang, menyaring pengguna yang tidak termasuk dalam segmen yang tepat, dan memfokuskan anggaran pada pengguna di segmen yang mereka pilih.

Hasilnya, dengan kampanye yang sama dan investasi yang sama, ROI meningkat 100% menjadi 150% (ada banyak kampanye, jadi indikatornya dirata-rata). Faktanya, biaya keputusan ini minimal, dan efisiensinya cukup nyata. Kampanye ini masih berfungsi sampai sekarang. Kami belum menerima umpan balik dari klien kami bahwa peningkatan ini hanya sementara.

Ketika kita mulai bekerja dengan sebuah proyek, tugas pertama adalah menghitung ROI pada pendapatan riil.

Secara default, Google Analytics hanya dapat melihat penjualan dari situs, tetapi itu tidak benar-benar mencerminkan uang yang masuk ke akun bisnis.

Kami tahu bahwa beberapa pesanan online tidak diselesaikan atau diubah selama konfirmasi pesanan. Pengguna mungkin:

1. Hanya tidak menyelesaikan pesanan
2. Ubah pesanan mereka melalui telepon, sehingga mengubah jumlah pesanan
3. Pesan pengiriman ke toko fisik tetapi tidak mengambil pembelian

Akibatnya, bisnis tidak menerima jumlah yang muncul di Google Analytics. Oleh karena itu, kurang tepat menghitung pendapatan berdasarkan data di Google Analytics. Penting untuk menilai efektivitas iklan online dengan mempertimbangkan data penjualan nyata dari CRM Anda.

Sasaran klien : Meningkatkan ROI kampanye iklan dengan CRR tetap tanpa meningkatkan biaya.

Tantangan klien : Mendistribusikan kembali anggaran periklanan berdasarkan penjualan aktual yang dihasilkan oleh sumber periklanan. Sederhananya, Anda perlu mengalihkan anggaran dari saluran yang tidak menghasilkan ROI yang cukup ke saluran yang lebih efisien.

Hipotesis kami : Jika Anda menghitung ROI berdasarkan pembelian (dan idealnya, bahkan pada margin), Anda dapat menyesuaikan strategi pemasaran dan berinvestasi pada sumber lalu lintas yang menghasilkan lebih banyak pendapatan. Dengan demikian, ROI kampanye iklan akan meningkat.

Klien kami telah mengumpulkan data tanpa sampel di Google BigQuery menggunakan OWOX BI. Tetapi perlu untuk melengkapi data ini dengan data penjualan dari sistem internal perusahaan. Tugas itu dilaksanakan dalam lima tahap.

Tahap 1 . Atur transfer data pesanan dengan benar dari situs ke sistem CRM klien. ID Transaksi Transfer dan ID Klien Google.

ID Transaksi terbentuk saat pesanan dilakukan di situs dan dikirim ke Google Analytics dan BigQuery bersama dengan ID Klien yang sesuai. Penting untuk mentransfer kedua ID ke CRM secara paralel sehingga Anda dapat menautkan pengguna dengan transaksi dan pembayaran.

Tahap 2 . Siapkan pembuatan ID Pengguna di sisi CRM klien dan kirim ID Pengguna ke Google BigQuery selama pembayaran.

ID Pengguna dihasilkan oleh sistem CRM ketika informasi tentang klien baru ditulis ke dalamnya. Misalnya, seseorang melakukan pembelian di toko dan kasir meminta nomor telepon mereka dan memasukkannya ke dalam CRM. Sistem kemudian memberikan pengguna ini pengidentifikasi unik. Di masa mendatang, ketika pengguna mengotorisasi situs menggunakan telepon, CRM mengenali mereka.

Google Analytics memiliki fitur User-ID. Pengembang kami mengonfigurasinya sehingga ketika pelanggan mengotorisasi atau memesan di situs klien kami, ID Pengguna dikirim ke situs di DataLayer. Dari sana, itu ditransmisikan ke Google Analytics dan Google Big Query.

Berkat ini, Anda dapat mengaitkan tindakan pengguna yang diotorisasi di situs dengan informasi terperinci tentang mereka. Misalnya, CRM Anda dapat menyimpan nama, nomor telepon, dan email seseorang. Dengan kunci ID Pengguna perantara, Anda dapat menggabungkan data situs dan CRM serta data pembayaran untuk pesanan tertentu.

Tahap 3 . Konfigurasikan pengunggahan data penjualan aktual dari CRM Anda ke Google BigQuery dalam struktur yang ingin Anda gunakan. Untuk tujuan ini, kami membentuk tugas teknis dan menyerahkannya kepada pengembang klien kami untuk diterapkan.

Tahap 4 . Gabungkan semua data di BigQuery menjadi satu tabel. Analis kami menulis kueri SQL yang menautkan informasi pesanan online ke data CRM tentang pesanan yang diselesaikan dan jumlahnya. Kunci untuk menggabungkan data ini adalah ID Transaksi, ID Pengguna, dan ID Klien.

Tahap 5 . Buat laporan di Google Data Studio yang menunjukkan ROI untuk sumber lalu lintas, dengan mempertimbangkan barang yang dibeli dalam pesanan. Kami menghitung ROI berdasarkan biaya marjinal.

Menyiapkan transfer data yang benar dari situs ke CRM serta mengunduh data CRM ke Google BigQuery memerlukan keterlibatan pengembang di sisi bisnis, yang seringkali sangat menunda proses.

Kami memberi klien kami laporan kinerja sumber lalu lintas berdasarkan data untuk penjualan aktual.

Laporan ini digunakan oleh manajer puncak untuk membuat keputusan strategis serta oleh pakar periklanan kontekstual untuk mengelola anggaran kampanye iklan tertentu.

Berikut adalah contoh laporan ini:

Ingin tahu seberapa efektif iklan Anda berdasarkan data penjualan nyata di CRM Anda? Coba OWOX BI secara gratis dan lihat bagaimana OWOX BI dapat membantu mencapai tujuan Anda.

Solusi ketiga yang didapat pelanggan kami setelah membuat laporan dasar yang dijelaskan di atas adalah analisis ROPO (riset online, pembelian offline). Ini menunjukkan dampak pemasaran digital pada penjualan di toko fisik. Ini sangat relevan untuk proyek e-commerce omnichannel.

Orang-orang melihat barang di situs dan memeriksanya di toko karena berbagai alasan, mulai dari ketidakpercayaan pembelian di internet hingga keinginan untuk menyentuh produk.

Selama perencanaan anggaran tahunan, CMO ingin mendapatkan lebih banyak uang untuk saluran online karena mereka memahami bahwa beberapa penjualan yang dikaitkan dengan iklan online terjadi secara offline. Jika CMO dapat mengukur efek ini setidaknya sebagian, ini akan menjadi argumen yang baik untuk menaikkan anggaran.

Sasaran klien : Membuktikan perlunya meningkatkan anggaran untuk pemasaran online dan menunjukkan nilai tersembunyi dari investasi dalam periklanan online.

Tantangan klien : Menganalisis efektivitas periklanan online, dengan mempertimbangkan dampak selanjutnya pada penjualan offline.

Hipotesis kami : Beberapa pengguna mengenal produk di situs tetapi membelinya di toko fisik. Artinya, kampanye online tetap diremehkan. Jika kami melacak kunjungan ke situs dan pembelian lebih lanjut oleh pengguna ini di toko fisik, kami dapat mengukur nilai sebenarnya dari iklan digital.

Untuk menautkan aktivitas pengguna di situs ke pembelian berikutnya di toko offline, kami kebanyakan melakukan hal yang sama seperti yang kami lakukan untuk menganalisis ROI berdasarkan pesanan yang telah diselesaikan (diuraikan di bagian sebelumnya):

1. Siapkan ID Pengguna di sisi CRM dan kirimkan ke Google BigQuery.
2. Konfigurasikan ID Klien agar diteruskan dengan benar ke CRM dan BigQuery.
3. Siapkan transfer data untuk bidang Telepon Pengguna dan Email Pengguna dari situs ke BigQuery dan CRM klien selama pembayaran.
4. Siapkan pengunggahan data dari CRM klien ke Google BigQuery. Berbeda dengan kasus sebelumnya, unggahan kali ini tidak hanya berisi pesanan online tetapi juga pesanan dari toko retail.
5. Tulis kueri SQL yang menautkan data aktivitas di situs ke informasi dari CRM. Kunci untuk menautkan data ke penjualan offline adalah ID Pengguna/Telepon Pengguna/Email Pengguna.
6. Buat laporan di Google Data Studio untuk menganalisis efek ROPO.

Skema untuk menggabungkan data terlihat seperti ini:

Anda dapat menautkan pengguna online ke penjualan offline hanya jika pengguna melakukan pembelian di situs atau diberi otorisasi di situs.

Seperti yang ditunjukkan oleh praktik, pangsa pengguna resmi adalah sekitar 5% dari semua pengunjung situs web. Semakin banyak pengguna resmi yang Anda miliki, semakin representatif data dalam laporan Anda. Tetapi bahkan pada 5% hingga 10%, ada kemungkinan untuk menarik beberapa kesimpulan yang dapat menyebabkan perubahan serius dalam cara Anda mengelola anggaran pemasaran.

Kesulitan lain adalah melacak kualitas data saat Anda telah menyiapkan semua integrasi. Pastikan data dikirimkan dengan benar dan pengidentifikasi cocok sehingga perubahan di masa mendatang dalam sistem CRM tidak merusak apa yang telah Anda konfigurasikan. Ini adalah pertanyaan tentang seberapa baik tim TI klien Anda.

Setelah mengukur efek ROPO, ROI kampanye iklan klien kami meningkat 50% menjadi 150% . Perlu dicatat bahwa dalam kasus seperti itu ROI selalu menunjukkan pertumbuhan karena pendapatan ditambahkan yang dihasilkan oleh kampanye online tetapi diterima secara offline.

Contoh tampilan laporan ROPO:

Laporan ini memungkinkan pelanggan untuk menganalisis data dalam kategori berikut:

• Pendapatan hanya dari online
• Pendapatan hanya dari offline
• Pendapatan ROPO
• Sumber/media/pendapatan kampanye hanya online
• Pendapatan sumber/media/kampanye termasuk penjualan offline berikutnya
• Pendapatan online dan ROPO menurut kategori dan subkategori produk
• Pendapatan online dan ROPO menurut kota
• Waktu dari kunjungan situs hingga pembelian ROPO dalam beberapa hari
• Jumlah sesi di situs sebelum pembelian ROPO
• Dan banyak lagi

Ingin tahu bagaimana upaya online Anda memengaruhi penjualan offline? Coba OWOX BI secara gratis dan lihat bagaimana OWOX BI dapat membantu mencapai tujuan Anda.

Ini adalah tugas yang agak rumit dan tidak biasa, meskipun menarik. Pengoptimalan SEO memiliki efek tertunda, dan seringkali sulit untuk menilai efektivitas pekerjaan yang dilakukan, misalnya, selama enam bulan terakhir. Apalagi jika itu adalah situs yang sangat besar.

Secara umum, kita tahu berapa banyak pengguna yang datang melalui pencarian Google dan bahkan dapat mengecualikan lalu lintas merek. Tetapi berapa banyak pengguna yang datang justru karena kategori dan subkategori dioptimalkan atau teks dan judul ditulis dengan baik?

Katakanlah Anda menghabiskan $10.000 untuk SEO kuartal terakhir. Berapa banyak pendapatan yang Anda dapatkan dalam waktu enam bulan dari uang itu?

Sasaran klien : Mengevaluasi keefektifan investasi SEO, dengan mempertimbangkan bukan hanya pesanan online tetapi juga pembayaran aktual.

Tantangan klien : Buat laporan yang menunjukkan efektivitas SEO berdasarkan kategori produk. Laporan ini harus didasarkan pada penjualan aktual.

Hipotesis kami : Kami tahu kata kunci mana yang dipompa dan di halaman mana. Kami tahu posisi SEO drop-out pada kunci-kunci ini. Kami mengetahui penjualan dari halaman-halaman ini yang memiliki lalu lintas pencarian sebagai sumbernya. Jika kita menautkan data ini, kita akan mendapatkan penjualan dari kata kunci yang ada di TOP drop-out SEO. Artinya, kita bisa mengukur efektivitas investasi dalam SEO.

Tahap 1 . Unggah semua informasi yang diperlukan ke Google BigQuery:

• Data perilaku pengguna mentah yang dikumpulkan oleh OWOX BI di situs
• Data dari Google Search Console dan Yandex. Metrik pada kata kunci teratas yang mengarahkan lalu lintas ke situs serta ke halaman arahan. Mengapa kami menggunakan Search Console? Karena dalam layanan pengukuran posisi, kami hanya melihat traffic hipotetis yang bisa berasal dari kata kunci tersebut.
• Data dari layanan pengukuran posisi situs di drop-out organik (misalnya, Allpositions). Ini memungkinkan kami untuk menentukan posisi mana yang dimiliki kata kunci. Jika kata kunci, katakanlah, di bawah tempat kelima dalam drop-out, kami dapat mengecualikannya dari analisis.
• Data penjualan aktual dari sistem CRM

Tahap 2 . Berdasarkan URL, buat kelompok kueri kata kunci di bagian halaman arahan. Kami tidak menganalisis satu URL tetapi URL untuk seluruh kategori barang. Misalnya, untuk peralatan rumah tangga kecil, kita bisa menonton blender dan kemudian blender Braun.

Tahap 3 . Temukan kata kunci di mana lalu lintas SEO datang ke situs dengan mengukur posisi di drop-out. Kami mengunggah hasilnya ke GBQ dan mengurutkan permintaan di bawah posisi tertentu.

Tahap 4 . Menggunakan kueri SQL, tautkan data aktivitas pengguna di situs ke data penjualan aktual dari CRM.

Tahap 5 . Soroti sesi yang menghasilkan transaksi dengan sumber SEO (menggunakan model atribusi klik tidak langsung terakhir).

Tahap 6 . Sorot halaman arahan dari transaksi ini dan kaitkan dengan kata kunci SEO yang membawa lalu lintas ke halaman ini.

Tahap 7 . Buat laporan yang menunjukkan bagaimana pengoptimalan SEO halaman tertentu memengaruhi lalu lintas dan pembelian aktual di halaman ini.

Google Search Console memungkinkan Anda mengunggah hingga 5.000 baris data. Oleh karena itu, kami tidak dapat menganalisis semua permintaan kata kunci yang mengarahkan lalu lintas ke situs.

Misalnya, kita dapat melihat efektivitas kata kunci dalam kelompok halaman tertentu. Katakanlah ada 100 kata kunci, 50 di antaranya berada di posisi teratas, dan dari 50 ini kita tahu bahwa 30 mewakili lalu lintas yang masuk ke pemuatan Search Console. Kami berasumsi ada juga lalu lintas untuk permintaan lain, hanya layanan yang tidak memberi kami informasi ini.

Tidak ada cara untuk mengukur dengan akurasi 100% kata kunci mana yang mengarahkan lalu lintas ke halaman yang kami analisis. Oleh karena itu, pada awal analisis, kami menerima bahwa hasil kami akan memiliki tingkat kesalahan tertentu.

Kami memberi klien kami laporan yang memungkinkan mereka menganalisis efektivitas aktivitas SEO untuk periode tertentu. Analisis efisiensi didasarkan pada penjualan aktual, sehingga memungkinkan untuk menghitung ROI lalu lintas SEO.

Apakah Anda ingin membuat laporan yang menunjukkan efisiensi lalu lintas SEO? Coba OWOX BI secara gratis dan lihat bagaimana OWOX BI dapat membantu Anda mencapai tujuan Anda.

Baru-baru ini, tugas ini menjadi sangat mendesak. Mungkin setengah dari semua lalu lintas internet dan sebagian besar penjualan melalui perangkat seluler. Banyak pelanggan kami menggunakan aplikasi seluler secara paralel dengan aplikasi online dan offline. Saat Anda membeli lalu lintas dari perangkat seluler, Anda ingin memahami keefektifannya.

Sasaran klien : Mengevaluasi efisiensi dalam menarik lalu lintas melalui sumber berbayar (Google Ads) untuk mempromosikan pemasangan dan penjualan aplikasi seluler di dalam aplikasi.

Tantangan klien : Buat laporan yang menunjukkan efisiensi sumber lalu lintas dalam hal tindakan konversi utama (pemasangan, pendaftaran, transaksi, pendapatan).

Hipotesis kami : Dengan menautkan data mentah dari AppsFlyer (pemasangan, tindakan pengguna, sumber lalu lintas, pendapatan) dengan data biaya dari Google Ads, kami dapat membuat laporan yang menunjukkan ROI kampanye iklan dalam hal tindakan transaksi yang relevan.

1. Dengan menggunakan OWOX BI, unggah data mentah tentang perilaku pengguna dalam aplikasi dari AppsFlyer ke BigQuery dan unggah informasi tentang sumber penginstalan, transaksi berikutnya, dan pendapatan dari aplikasi ke GBQ.
2. Periksa unggahan untuk melihat apakah semua data yang diperlukan untuk laporan cocok dengan data dari CRM (pendapatan, jumlah konversi).
3. Siapkan unggahan pengeluaran Google Ads ke GBQ menggunakan metode Transfer data.
4. Tulis kueri SQL yang menautkan data dari AppsFlyer dan Transfer data serta melakukan penghitungan yang diperlukan.
5. Buat laporan di Google Data Studio.

Aplikasi seluler dapat memiliki efek tertunda. Misalnya, seseorang mungkin menginstal aplikasi tetapi hanya mendaftar sebulan kemudian. Klien kami ingin menganalisis efektivitas lalu lintas yang dibeli dari waktu ke waktu. Artinya, jika X unit aplikasi dibeli dari saluran Y pada bulan Maret, berapa banyak unit ini yang menghasilkan tindakan konversi pada bulan April, Mei, Juni, dll? Untuk menjawab pertanyaan ini, kami membuat laporan khusus.

Juga merupakan tantangan untuk melakukan analisis lintas negara, kota, dan grup kampanye iklan sehingga klien kami dapat, misalnya, melihat efektivitas kampanye yang diawasi oleh manajer tertentu. Ini diimplementasikan menggunakan filter.

Kami secara sadar tidak menggunakan data CRM dalam laporan karena ada sedikit kesalahan antara penjualan aktual di sistem internal dan data aplikasi.

Klien kami menerima laporan yang diperbarui secara otomatis di Google Data Studio yang menjawab pertanyaan berikut:

• Berapa banyak pengaturan aplikasi yang dihasilkan oleh sumber lalu lintas X di bulan Y?
• Berapa banyak konversi dalam aplikasi yang terjadi pada bulan penginstalan dan pada bulan-bulan berikutnya? (menurut sumber lalu lintas)
• Bagaimana efektivitas kelompok kampanye dalam hal parameter di atas?
• Seberapa efektif kampanye iklan di seluruh negara?

Kami tidak dapat membagikan laporan pelanggan yang berisi data sensitif, tetapi berikut adalah contoh laporan dasar (tanpa offset bulanan) yang dapat dibuat dengan solusi yang dijelaskan:

Ingin belajar tentang efisiensi lalu lintas dari aplikasi seluler? Coba OWOX BI secara gratis dan lihat bagaimana OWOX BI dapat memenuhi kebutuhan Anda.

Laporan Google Analytics menggunakan model atribusi Klik Tidak Langsung Terakhir secara default. Model ini memberikan semua nilai dari transaksi ke sumber tidak langsung terakhir dalam rantai sebelum pesanan. Karena itu, sumber lain yang mempromosikan pengguna melalui corong kurang dihargai.

Anda dapat menggunakan atribusi berbasis corong ML dari OWOX BI untuk mempelajari nilai sebenarnya dari saluran dan mendistribusikan anggaran Anda secara efektif. Ini memperhitungkan semua titik kontak dan semua tindakan pengguna saat berpindah melalui corong dari kunjungan pertama hingga pembelian.

Sasaran klien: Meningkatkan ROI dari sumber lalu lintas berbayar terkontrol pada indeks CRR tetap.

Tantangan klien: Buat laporan yang menunjukkan sumber lalu lintas yang kurang dihargai dan keefektifannya dalam hal moneter sambil mempertimbangkan setiap kontak pengguna dengan situs.

Hipotesis kami: ROI dapat ditingkatkan tanpa menaikkan CRR jika anggaran iklan didistribusikan kembali secara efektif. Untuk melakukannya, penghitungan ROI harus memperhitungkan kontribusi semua kampanye dan sumber yang mempromosikan pengguna melalui corong, bukan hanya yang menutup transaksi.

1. Kumpulkan data perilaku pengguna mentah di situs dan kirimkan ke Google BigQuery menggunakan OWOX BI.
2. Siapkan impor data biaya dari layanan periklanan ke Google Analytics dan Google BigQuery.
3. Konfigurasikan ID Klien, ID Pengguna, dan ID Transaksi untuk dikirim dengan benar ke BigQuery dan CRM.
4. Unggah data penjualan aktual dari CRM ke Google BigQuery dalam struktur yang diperlukan.
5. Tautkan data perilaku pengguna dari situs ke pesanan yang diselesaikan berdasarkan ID Klien, ID Pengguna, dan kunci ID Transaksi. Kueri SQL tidak diperlukan — semuanya terjadi di dalam model atribusi OWOX BI. Kami hanya memuat data dalam format yang benar dan menambahkannya ke perhitungan model.
6. Siapkan model atribusi dan jalankan penghitungan di OWOX BI. Pada tahap ini, kita dapat menentukan peristiwa sebagai langkah corong yang penting untuk bisnis tertentu, termasuk yang terjadi secara offline (rapat, panggilan, webinar, dll.). Corong dapat bervariasi bergantung pada apa yang ingin diukur oleh bisnis dan bagaimana mereka melihat jalur pengguna untuk melakukan pembelian.
7. Lakukan analisis data awal menggunakan laporan OWOX BI Smart Data standar untuk menghindari pengeluaran sumber daya untuk visualisasi data di sistem BI pihak ketiga. Di Data Cerdas, Anda dapat melihat laporan lengkap yang dibuat berdasarkan hasil perhitungan model atribusi tanpa kueri SQL. Misalnya, Anda dapat melihat ROI kampanye iklan dan perbedaannya dengan ROI yang ditunjukkan oleh atribusi klik tidak langsung terakhir.

Mentransfer ID Klien dan ID Transaksi dengan benar bersama dengan pesanan ke CRM Anda memerlukan tim pengembangan sisi klien. Hal yang sama berlaku untuk mengonfigurasi dan mengirimkan ID Pengguna.

Untuk menginterpretasikan hasil perhitungan atribusi dengan benar, perlu melibatkan spesialis dari tim klien. Itu karena sulit untuk mengevaluasi dengan benar perilaku beberapa sumber lalu lintas tanpa mengetahui konteks dan logika yang sesuai dengan kampanye iklan yang disiapkan.

Pelanggan kami menerima laporan siap pakai yang dapat digunakan untuk:

• Bandingkan ROI sumber lalu lintas dengan pesanan yang diselesaikan untuk atribusi klik tidak langsung terakhir dan atribusi berbasis corong ML
• Analisis keefektifan sumber lalu lintas pada berbagai tahap corong
• Secara otomatis meneruskan hasil perhitungan model atribusi ke Alytics, Google Ads, dan K50 untuk mengotomatiskan pengelolaan tarif (OWOX BI terintegrasi dengan layanan ini.)

Berikut adalah contoh laporan dari OWOX BI Smart Data yang menunjukkan perbedaan ROI kampanye iklan di seluruh model atribusi:

Misalnya, dalam tangkapan layar ini, kami melihat bahwa bing/organik sumber ROI 20% lebih tinggi daripada di Google Analytics. Artinya, sumber sebenarnya menghasilkan lebih banyak uang tetapi dinilai terlalu rendah di Google Analytics karena berada di tengah-tengah corong.

Ingin menilai dampak timbal balik dari kampanye iklan Anda dan kontribusinya terhadap penjualan? Cobalah OWOX BI dan lihat bagaimana hal itu dapat membantu mencapai tujuan Anda.

Ketika pengguna melihat iklan di suatu tempat, tidak mengklik apa pun, tetapi setelah beberapa saat pergi ke situs dan melakukan tindakan tertentu, itu disebut konversi pasca-tampilan. Ini sulit dilacak, karena tidak ada koneksi dan transisi langsung ke iklan.

Selain itu, pemain besar seperti Facebook, Google, YouTube, dan Yandex tidak terlalu tertarik untuk membiarkan pihak ketiga masuk ke dalam sistem mereka. Artinya, mereka tidak ingin memberikan data yang menunjukkan bahwa pengguna tertentu melihat iklan tertentu.

Sasaran klien: Meningkatkan efisiensi investasi dalam periklanan media (spanduk dan video).

Tantangan klien: Melacak tampilan materi iklan media (tanpa klik) dan kunjungan situs berikutnya oleh pengguna yang melihat iklan.

Hipotesis kami: Kami dapat menempatkan kode pelacakan (piksel) di situs tempat pelanggan mempublikasikan iklan media mereka. Piksel ini akan menetapkan cookie unik untuk setiap pengguna yang melihat iklan. Setelah beberapa saat, pengguna ini dapat membuka situs web klien. Kami kemudian dapat membaca cookie yang telah kami tetapkan dan menggunakan data ini untuk membangun analitik pasca-tampilan.

Tim OWOX BI memiliki tugas mengembangkan metode pelacakan yang akan mengumpulkan data tentang tampilan iklan sehingga dapat digabungkan dengan data perilaku pengguna dari situs klien. Kami pada dasarnya membuat sepotong kode yang dapat ditempatkan di situs tempat iklan berjalan.

Kami kemudian membutuhkan Google BigQuery untuk menggabungkan data tampilan iklan dengan data perilaku pengguna dari situs klien kami sehingga dapat diproses menggunakan SQL.

Tugas itu dilaksanakan dalam beberapa tahap:

1. Kumpulkan kebutuhan bisnis dari pelanggan.
2. Berdasarkan persyaratan bisnis tersebut, siapkan TA untuk memperkenalkan piksel di situs tempat iklan media akan ditempatkan.
3. Uji kualitas penerapan TA dan kualitas data yang masuk ke Google BigQuery selama pemutaran iklan.
4. Luncurkan kampanye dan pantau kualitas transmisi data.
5. Tautkan data yang dikumpulkan selama periode kampanye ke data perilaku pengguna serta data CRM.
6. Buat laporan yang menjawab pertanyaan bisnis klien.

• Tidak semua situs tertarik untuk menghosting piksel kami.
• Kami menggunakan ID Pengguna OWOX kami sendiri sebagai kunci untuk pemetaan data.
• Kami terus memantau pelacakan dan cara kerja skrip kami yang benar di platform milik pengiklan.
• Kami mempertimbangkan tidak hanya penjualan langsung dalam jendela konversi tetapi juga dampak iklan dalam menarik audiens baru (salah satu KPI klien).

Klien kami menerima laporan yang menjawab pertanyaan berikut:

• Berapa ROI kampanye dengan pesanan online?
• Berapa ROI kampanye untuk pesanan yang diselesaikan dalam waktu 10 hari setelah melihat iklan?
• Berapa ROI iklan mengingat dampak ROPO?
• Situs mana yang terbukti paling efektif dalam hal ROI/CR/pengguna baru?
• Berapa persentase pengguna yang telah melihat iklan yang telah berada di situs?
• Berapa banyak pengguna baru yang dibawa ke situs dalam X/Y/Z hari setelah melihat iklan?
• Berapa banyak pengguna baru yang membeli setelah melihat iklan?
• Item apa yang dibeli oleh pengguna yang melihat iklan?
• Berapa banyak pengguna lama (yang tidak memasuki situs atau membeli di situs selama X hari) yang dibawa kembali oleh iklan?

Contoh laporan konversi pasca-tampilan:

Mau laporan yang sama? Coba OWOX BI dan lihat bagaimana Anda dapat menggunakannya untuk mengatasi tantangan analisis pemasaran Anda.

• Data adalah minyak abad ke-21.
• Bekerja dengan data membutuhkan eksperimen dan pengujian hipotesis.
• Anda harus siap bahwa tidak semua eksperimen akan berhasil.
• Keinginan CMO Anda saja tidak cukup; Anda memerlukan proses di dalam perusahaan agar data mulai menghasilkan uang, dan tim harus membutuhkannya.
• Apakah mengubah data menjadi uang adalah alkimia abad ke-21? Menurut kami tidak :)