Cara menemukan 2,4 kali lebih banyak kata kunci yang membantu dalam konversi dan meningkatkan ROI iklan PPC sebesar 17%

Memenangkan persaingan pemasaran saat ini tidak mungkin tanpa menerapkan analisis data untuk meningkatkan kinerja bisnis. Teknologi baru memungkinkan perusahaan untuk mengubah alur kerja mereka, secara efektif memanfaatkan data untuk membuat keputusan, dan mencapai tujuan pemasaran lebih cepat.

Dalam hal ini, kami menjelaskan solusi yang diberikan oleh tim OWOX BI untuk pengecer omnichannel furnitur dan barang-barang rumah tangga di mana pelanggan melakukan pembelian di situs web, di toko fisik, dan/atau melalui telepon melalui pusat panggilan. Itu memiliki tantangan dalam meningkatkan ROI iklan online-nya.

Karena perusahaan ingin meningkatkan ROI iklan online, strateginya melibatkan langkah-langkah berikut:

1. Kumpulkan data lengkap tentang aktivitas offline dan online setiap pelanggan, di seluruh perangkat.
2. Evaluasi pendapatan yang didorong oleh setiap kata kunci, alih-alih menetapkan semua kredit ke kata kunci terakhir.
3. Otomatiskan manajemen tawaran dan penyesuaian untuk iklan PPC.

Prosesnya meliputi: mengumpulkan data lengkap (tindakan pengguna; pesanan yang dibuat secara online, offline, dan melalui telepon; data kinerja iklan), menerapkan model atribusi khusus, dan mengotomatiskan pengelolaan tawaran di Alytics.

Perusahaan perlu mengetahui seberapa baik kinerja setiap kata kunci untuk mengotomatiskan tawaran. Semua titik kontak pelanggan, termasuk sesi online di seluruh perangkat, panggilan telepon, dan pembelian di toko fisik harus digabungkan untuk menentukan nilai kata kunci. Di Google Analytics, tidak ada opsi seperti itu.

Model pengaitan di Google Analytics tidak dapat mengevaluasi saluran iklan secara akurat karena kekurangan berikut:

• Mengabaikan pesanan yang dibatalkan.
• Mengabaikan pembelian offline.
• Mengabaikan margin kotor pembelian.
• Mengabaikan pesanan telepon.
• Salah melacak pengguna yang mengunjungi beberapa perangkat, sebagai beberapa pengguna unik.
• Pengambilan sampel data dalam laporan.

Evaluasi kinerja kata kunci yang salah mempersulit penetapan tawaran dengan benar. Akibatnya, tawaran yang tinggi akan membuang-buang anggaran, dan tawaran yang rendah akan mendorong lebih sedikit pelanggan.

Data tentang pesanan telepon dan pesanan offline, serta data biaya untuk kampanye iklan berbayar non-Google, tidak tersedia di Google Analytics. Jadi, pengumpulan data dan model atribusi disiapkan di Google BigQuery.

Layanan ini dipilih karena alasan berikut:

• Pemrosesan kueri berkecepatan tinggi — hingga 20 detik — pada jumlah data berapa pun.
• API memungkinkan integrasi yang mudah dengan sistem lain.
• Kemungkinan untuk dengan mudah mengunggah data dari file atau Google Spreadsheet.
• Pengisian hanya untuk digunakan.
• Tidak perlu memelihara database.

Nilai saluran dan kata kunci dihitung di Google BigQuery untuk mengelola tawaran, lalu hasilnya diimpor ke Alytics menggunakan RESTful API.

Sekarang, mari kita lihat lebih dekat setiap langkahnya.

Data biaya dan kinerja Google AdWords diimpor secara otomatis ke Google Analytics berkat integrasi asli dan penautan akun.

Pipa OWOX BI digunakan untuk:

• Mengumpulkan data kinerja sesi, biaya, dan pendapatan dari layanan periklanan ke Google Analytics. Data ini muncul dalam laporan Analisis Biaya, bersama dengan data dari Google AdWords.
• Mengimpor data kinerja sesi, biaya, dan pendapatan gabungan dari Google Analytics ke Google BigQuery.
• Mengimpor data perilaku pengguna dari situs web ke Google BigQuery, hampir secara real time.

Data berikut dikirim ke Google BigQuery menggunakan API:

• Margin kotor produk dan tingkat penyelesaian pesanan dari CRM dan ERP.
• ID Klien pengguna yang telah melakukan panggilan telepon, dari sistem pelacakan panggilan CallTouch. Beberapa nomor telepon yang disediakan oleh CallTouch digunakan: semakin banyak kunjungan dan semakin lama durasi sesi rata-rata, semakin banyak nomor telepon yang disediakan CallTouch. Sistem menampilkan salah satu nomor di setiap sesi di situs web dan mengaitkan nomor tersebut dengan ClientID pengguna. Selanjutnya, ClientID penelepon diimpor dari CallTouch ke Google BigQuery.

Diagram alur pengumpulan data diberikan di bawah ini:

Sekarang semua data perilaku pengguna dari toko fisik, pusat panggilan, dan situs, dikumpulkan di Google BigQuery. Data sesi (urutan klik, ID sesi, dan data pribadi pengguna yang dienkripsi) ditransfer ke Google BigQuery menggunakan OWOX BI Pipeline. Sesi dikaitkan dengan pengguna dengan parameter berikut:

• ClientID, pengidentifikasi unik untuk pasangan perangkat browser.
• UserID, pengidentifikasi unik setiap pengguna, yang terikat ke alamat email pengguna.
• Nomor kartu loyalitas.

Sesi grup Hoff menggunakan kueri SQL. Mari kita lihat 3 contoh bagaimana data digabungkan.

Anna menelusuri sofa di situs web menggunakan aplikasi browser di ponsel cerdasnya. Setelah beberapa waktu, dia mengunjungi situs web lagi di perangkat yang sama, membuat pilihan, masuk melalui email, dan menambahkan sofa ke troli. Karena perangkat dan browsernya sama, kedua sesi ini dikelompokkan berdasarkan ClientID. Anna pulang, membuka laptopnya, masuk ke akunnya, dan membeli sofa yang dipilihnya. Sekarang sesi di ponsel dan laptopnya dapat digabungkan dengan UserID:

Nick mengunjungi situs web sambil mencari meja dapur baru di komputer kerjanya. Selama istirahat makan siang, dia membuat akun di situs web menggunakan ponsel cerdasnya dan melakukan pemesanan.

Nick menggunakan dua perangkat yang berbeda dan hanya diotorisasi dari smartphone-nya. Kedua sesi ini tidak dapat ditautkan oleh ClientID atau UserID. Akibatnya, Google Analytics menghitungnya sebagai sesi dari dua pengguna yang berbeda.

Kembali bekerja, Nick ingat bahwa istrinya selalu menginginkan meja wenge , bukan meja kenari , dan juga bahwa dia memiliki kartu loyalitas. Dia memasuki situs web di komputer kerjanya, masuk, mengubah pesanannya, dan melakukan pembelian menggunakan kartu loyalitasnya.

Sekarang semua sesi Nick dapat digabungkan dengan mengaitkan pembelian di komputer dengan:

• Mencari tabel (Sesi 1), oleh ClientID, karena kedua sesi dimulai di browser yang sama di komputer yang sama.
• Membuat akun di telepon (Sesi 2) — oleh UserID, saat Nick masuk ke akunnya di kedua sesi.

Akibatnya, data yang terkait dengan perjalanan Nick dari kunjungan pertama hingga pembelian dikumpulkan di Google BigQuery.

Nick menelusuri situs web di komputer kerjanya, mencari kursi yang cocok dengan meja baru. Dia memanggil nomor telepon yang ditampilkan di situs web dan memesan. Kemudian dia pergi ke toko dan membeli kursi menggunakan kartu loyalitasnya.

Tindakan Nick sebelumnya di situs web digabungkan dengan tindakan di toko dan di telepon:

• Pemesanan telepon dan aktivitas online — oleh ClientID, karena Nick telah membeli meja sebelumnya, dan CallTouch telah menampilkan nomor telepon di browser yang sama, pada perangkat yang sama.
• Pembelian offline dan aktivitas online — menurut nomor kartu loyalitas Nick.

Sekarang cukup data untuk menghubungkan semua interaksi Nick. Beginilah cara mereka melakukannya:

Akibatnya, semua ID Klien, alamat email, kartu loyalitas, dan pesanan pengguna digabungkan untuk melihat kueri penelusuran mana yang menghasilkan pendapatan, dan kueri mana yang menggunakan tawaran tanpa membantu pembelian.

Logika model atribusi adalah sebagai berikut: nilai total sesi pertama dan terakhir di jalur konversi pelanggan sama dengan nilai sesi di antaranya. Sesi pertama adalah ketika pengguna mengunjungi situs web untuk pertama kalinya dan berkenalan dengan merek tersebut. Sesi terakhir adalah saat pengguna melakukan pembelian. Menggabungkan data di berbagai perangkat membantu menemukan hubungan antara sesi dan urutan kronologisnya.

Nilai untuk setiap saluran ditentukan dalam 2 tahap:

1. Mengidentifikasi saluran yang telah memulai sesi pertama. Jika pengguna pernah mengunjungi situs web sebelumnya, saluran akuisisi dikaitkan dengan saluran sesi sebelumnya. Misalnya, jika pengguna mengunjungi situs web dengan mengeklik iklan bergambar Google, dan telah mengunjungi situs web sebelumnya melalui penelusuran organik di Bing, model akan memperlakukan Bing sebagai saluran yang memperkenalkan merek kepada pengguna.
2. Menetapkan nilai ke sesi. Pendapatan dari pembelian didistribusikan ke sesi pengguna sesuai dengan aturan berikut:

• Sesi pertama menerima 20% dari kredit untuk penjualan.
• Sesi terakhir menerima 30% dari kredit.
• Sesi di antara mereka menerima 50% sisanya. Sesi dievaluasi berdasarkan jumlah jam sebelum pembelian. Semakin banyak halaman yang dilihat dalam sesi dan semakin sedikit jam berlalu sebelum pembelian, semakin banyak nilai yang diterima sesi tersebut.

Nilai kata kunci dan saluran secara otomatis dihitung ulang setiap hari. Hasilnya disimpan dalam tabel di Google BigQuery dan Google Cloud Storage. Hasil atribusi diekspor dari Google Cloud Storage ke Alytics menggunakan RESTful API.

Aturan disiapkan untuk Alytics untuk menentukan ukuran tawaran. Semakin besar ROI dari frasa pencarian yang menyebutkan produk, semakin tinggi tawarannya. Misalnya, jika ROI untuk tabel kurang dari 15%, tawaran untuk kata kunci beli tabel akan sama dengan $1. Jika ROI lebih besar dari 75%, tawaran akan sama dengan $4. Semua nomor ditentukan secara eksperimental.

Berkat menggabungkan data tentang perilaku pelanggan online dan offline, menentukan nilai kata kunci, dan mengotomatiskan penyesuaian tawaran, perusahaan kini dapat menjawab pertanyaan seperti:

• Bagaimana ROI iklan online akan berubah dalam pertimbangan pemenuhan pesanan?
• Bagaimana iklan online memengaruhi pesanan yang ditempatkan di pusat panggilan?
• Kata kunci mana yang mendorong pesanan paling menguntungkan?
• Produk mana yang memberikan ROI terbesar?
• Berapa pangsa penjualan offline yang dipengaruhi oleh iklan online?

Akibatnya, dimungkinkan untuk:

• Optimalkan tawaran dan tingkatkan ROI iklan PPC sebesar 17%.
• Ukur dampak pendapatan kata kunci dengan lebih akurat dan lihat 2,4 kali lebih banyak kata kunci yang membantu dalam konversi. Model atribusi standar mengabaikannya begitu saja.
• Temukan bahwa beberapa frasa kunci memiliki dampak yang lebih besar pada pembelian offline daripada pada penjualan online.