Cara menggunakan analisis kelompok pelanggan untuk mengukur kinerja iklan

Saat ini bisnis tampil di dunia digital, memiliki sejumlah besar data pelanggan untuk dikumpulkan, disimpan, dan dilanjutkan dengan pengawasan hingga detail. Ini bukan pilihan yang mudah bahkan untuk perusahaan berukuran kecil, belum lagi perusahaan besar. Seiring berkembangnya bisnis, ada juga pemahaman bahwa mungkin untuk beriklan lebih efektif dan mengoptimalkan anggaran iklan.

Dalam hal ini, kami menjelaskan solusi yang diberikan oleh tim OWOX BI untuk perusahaan besar yang memasok rangkaian produk terintegrasi untuk bisnis. Suite ini mencakup alat untuk manajemen proyek, dokumentasi, CRM, telepon, kalender, dan banyak lagi. Klien ini memiliki tantangan dalam membelanjakan anggaran iklan secara lebih efisien serta melakukan analisis kelompok pelanggan.

Karena tantangan utama bagi spesialis pemasaran adalah menjangkau lebih banyak pelanggan, segala sesuatunya dilakukan untuk mendapatkan pendaftaran layanan sebanyak mungkin. Setelah mendapatkan banyak pelanggan aktif dalam database, muncul kebutuhan untuk meningkatkan siklus hidup pelanggan. Para ahli pemasaran ingin menghabiskan sumber daya periklanan mereka hanya pada audiens target yang siap membeli produk mereka karena biaya akuisisi pelanggan meningkat seiring dengan persaingan bisnis. Dengan demikian, sebagian besar upaya periklanan mulai membuahkan hasil dua bulan atau lebih setelah pembelian, karena sebagian besar pelanggan membayar langganan mereka setiap bulan.

Oleh karena itu, untuk menghemat anggaran periklanan, diputuskan untuk melakukan analisis kohort pelanggan. Kohort adalah sekelompok pengguna yang berbagi beberapa karakteristik umum. Dengan mengelompokkan pengguna ke dalam kelompok berdasarkan waktu pendaftaran pertama mereka, pemasar mencari informasi lebih rinci tentang apa yang dilakukan pelanggan mereka setelah mereka mendaftar di situs web. Analisis kelompok juga membantu menghitung pendapatan dari setiap kelompok, menilai efektivitas kampanye akuisisi pelanggan, dan mengoptimalkan biaya iklan. Selain itu, membandingkan data perilaku untuk kelompok di berbagai sumber, saluran, dan kampanye membantu memahami kampanye mana yang bekerja lebih baik untuk akuisisi pelanggan dan mana yang meningkatkan tingkat retensi dan memotivasi pengguna untuk mendaftarkan beberapa portal.

Karena ada kebutuhan dalam menyediakan analisis kohort yang efektif, semua data harus digabungkan menjadi satu sistem. Tantangan lain adalah terus-menerus menghadapi pengambilan sampel data saat bekerja dengan versi Google Analytics gratis. Para analis ingin menghindari atau setidaknya meminimalkan pengambilan sampel data tanpa harus mengekspor data setiap hari.

Selain itu, sejumlah metrik khusus harus disertakan dalam laporan analisis kelompok:

• Jumlah pendaftaran — jumlah portal terdaftar.
• MAU — jumlah pengguna aktif bulanan.
• CR ke MAU — jumlah pengguna aktif bulanan dibandingkan dengan jumlah pengguna terdaftar.
• Retensi hari ke-2 — jumlah pelanggan yang kembali pada hari kedua setelah mendaftarkan portal baru.
• Pangsa retensi hari ke-2 — persentase pelanggan yang mengunjungi kembali situs web pada hari kedua setelah pendaftaran.
• Pengguna yang Membayar — jumlah pelanggan yang membayar.
• CR untuk Membayar — jumlah pengguna yang membayar dibandingkan dengan jumlah pengguna terdaftar.
• SUM Pendapatan — total pendapatan yang dihasilkan oleh kelompok.
• Churn Rate — persentase churn pelanggan.
• ROMI — pengembalian investasi pemasaran, dihitung sebagai pendapatan/biaya × 100%.

Sasaran dicapai dengan menggunakan database cloud Google BigQuery dengan cara berikut:

1. Mengonfigurasi impor data perilaku pelanggan dan data biaya pemasaran ke Google BigQuery menggunakan OWOX BI Pipeline.
2. Mengirim data pengguna dan transaksi ke Google BigQuery melalui Measurement Protocol.
3. Mengelompokkan pengguna menurut kelompok di Google BigQuery dan memilih semua metrik yang diperlukan.
4. Mengirim data dari Google BigQuery ke Google Spreadsheet dan membuat laporan analisis kelompok.

Skema di bawah ini menunjukkan aliran data:

Sekarang mari kita lihat setiap langkah secara detail.

Setelah mempertimbangkan semua platform alternatif, perusahaan memilih Google BigQuery untuk menggabungkan data. Data perilaku pengguna web diimpor ke Google BigQuery menggunakan OWOX BI Pipeline. Berikut adalah keuntungan dari solusi ini:

• Tidak ada pengambilan sampel data dan batasan jumlah dimensi dan metrik dalam laporan Google Analytics. Informasi lebih lanjut tentang batasan dapat ditemukan di sini.
• Data dari situs web muncul di Google BigQuery hanya dalam 5 menit.
• Pendapatan dan biaya iklan dapat dibandingkan berdasarkan sesi dan pengguna, memberikan wawasan yang lebih baik tentang profitabilitas kelompok. OWOX BI Pipeline memungkinkan untuk melihat berapa banyak uang yang dihabiskan untuk memperoleh setiap pengguna, dengan mendistribusikan biaya iklan selama sesi pengguna.

Juga dengan bantuan OWOX BI Pipeline, data dari layanan periklanan diimpor terlebih dahulu ke Google Analytics dan kemudian ke Google BigQuery. Pengecualian untuk AdWords karena Google Analytics memiliki integrasi asli dengannya.

Data tentang pelanggan dikumpulkan dalam sistem CRM. Jadi, data tentang pengguna yang mengunjungi kembali situs web pada hari kedua setelah mendaftar portal diekspor ke Google BigQuery. Data tentang pengguna aktif dan transaksi juga diekspor ke Google BigQuery melalui Measurement Protocol.

Dengan semua data yang diperlukan dikumpulkan di Google BigQuery, kelompok dibuat dan metrik yang dipilih untuk setiap kelompok dihitung.

Karena pelanggan membayar produk setiap bulan, periode waktu untuk analisis ditetapkan menjadi satu bulan. Kohort dibuat berdasarkan waktu pendaftaran pertama. Ini berarti bahwa semua pengguna yang mendaftar, katakanlah pada bulan Juli, termasuk dalam kelompok yang sama. Dengan metrik yang dihitung di Google BigQuery, tabel memiliki struktur berikut:

Karena data diekspor dari Google BigQuery (melalui add-on OWOX BI BigQuery Reports), data tersebut divisualisasikan di Google Spreadsheet. Data ini diperbarui secara otomatis setiap hari dan dapat difilter berdasarkan saluran, sumber, kampanye, dan konten iklan.

Laporan tersebut menunjukkan bahwa inisiatif periklanan tidak hanya membantu memperoleh pelanggan baru tetapi juga meningkatkan nilai umur pelanggan, membawa kembali pelanggan yang sudah diakuisisi yang ingin menambahkan portal lain.

Dalam kebanyakan kasus, investasi periklanan mulai terbayar dalam tiga bulan.

Meskipun pembuatan laporan adalah tugas yang sulit dengan banyak faktor variabel, hasilnya pasti sepadan. Satu set laporan otomatis reguler telah dibuat untuk departemen pemasaran. Sebelum itu, spesialis pemasaran harus membuat laporan seperti itu secara manual, memeriksa ulang semuanya, dan menghabiskan banyak waktu dan tenaga.

Karena laporan baru, terjadi juga beberapa penemuan menarik. Misalnya, ditemukan bahwa iklan tidak hanya berfungsi untuk akuisisi pelanggan tetapi juga berkontribusi pada retensi pelanggan dan membantu mendapatkan lebih banyak pendaftaran dari pelanggan yang sama.

• Perusahaan sekarang memiliki serangkaian laporan yang sepenuhnya otomatis yang membantu mengukur kinerja saluran periklanan, sumber, dan kampanye di seluruh kelompok pelanggan setiap bulan.
• Mengetahui seberapa baik kinerja iklan mereka, spesialis pemasaran sekarang dapat mengoptimalkan biaya untuk meningkatkan pendapatan total dari masing-masing kelompok dan mengurangi tingkat penghentian.
• Dengan bantuan analisis kohort, sekarang dimungkinkan untuk menentukan sumber yang mendatangkan pelanggan paling setia. Data ini juga dapat digunakan untuk pemasaran ulang.