Cara meningkatkan ROI iklan kontekstual 2,2x untuk pengecer perusahaan

Sebuah pertanyaan yang akrab bagi setiap bisnis adalah bagaimana memotong pengeluaran untuk iklan kontekstual sambil mempertahankan penjualan. Jika Anda membeli lalu lintas ke situs web Anda dalam sistem periklanan seperti Google Ads atau Facebook, sebagian besar pengeluaran Anda digunakan untuk klik pengguna yang tidak memasukkan barang ke keranjang. Dan bahkan jika mereka melakukannya, mereka tidak selalu menyelesaikan pembelian. Jadi apa yang bisa dilakukan untuk mengoptimalkan kampanye iklan?

Dalam hal ini, kami menjelaskan solusi yang diberikan oleh tim OWOX BI untuk pengecer elektronik dan peralatan rumah tangga yang menguji OWOX BI untuk menghitung kemungkinan konversi.

Di antara tugas pemasaran kinerja utama untuk pengecer perusahaan adalah meningkatkan metrik efisiensi dan mengurangi kontak dengan pengguna yang saat ini tidak tertarik untuk membeli. Solusi berbasis data adalah instrumen yang paling menjanjikan untuk mengoptimalkan kampanye iklan. Model atribusi OWOX BI menggunakan teknologi pembelajaran mesin untuk menghitung probabilitas pembelian untuk setiap pengguna situs web yang dimulai dengan kunjungan pertama. Dengan menggunakan probabilitas pembelian ini, bisnis dapat menentukan apakah layak dibelanjakan untuk beriklan kepada pengguna. Selanjutnya, model OWOX BI dapat menghitung probabilitas pengguna melakukan tindakan apa pun.

Juga, salah satu tugas wajib spesialis SEM periklanan kontekstual adalah mengelompokkan pengunjung situs web ke dalam berbagai kelompok tergantung pada tindakan yang mereka lakukan di situs web dan waktu yang berlalu sejak pemicu terakhir. Misalnya, jumlah hari sejak menambahkan item ke keranjang tanpa pembelian. Analisis manual dari audiens tersebut dan menyesuaikan perhitungan tawaran mengambil bagian besar dari proses kerja.

Singkatnya, tujuannya adalah untuk meningkatkan ROI kampanye iklan kontekstual sambil menghemat pendapatan dari pesanan yang diselesaikan.

Solusi pembelajaran mesin OWOX BI diterapkan untuk mengoptimalkan kampanye iklan, yang dilatih tentang:

• data historis tentang perilaku pengguna situs web
• Data CRM pada pesanan yang ditukarkan
• data agregat dan anonim dari puluhan ribu proyek oleh klien OWOX

Apa yang disediakan OWOX BI:

• Untuk setiap pengguna situs web, probabilitas pembelian dihitung dengan memperhitungkan pesanan yang ditukarkan.
• Perhitungan probabilitas diperbarui setelah setiap tindakan pengguna atau periode tidak aktif. Misalnya, jika pengguna mengunjungi situs web dan melakukan berbagai tindakan, mereka menerima probabilitas X% untuk melakukan pembelian. Jika mereka tidak mengunjungi situs web selama empat hari setelah itu, kemungkinan ini berkurang.
• 10 segmen pengguna dibagi menurut probabilitas pembelian sepanjang skala 10 poin.

Untuk menilai akurasi perkiraan dan kinerja setiap segmen, tim menganalisis berapa banyak pesanan yang telah diselesaikan setiap segmen.

Di bagian atas tabel adalah segmen dengan probabilitas konversi tertinggi, dan di bagian bawah adalah segmen dengan terendah.

1. Mengumpulkan data tentang perilaku pengguna di situs web di Google BigQuery dengan OWOX BI. (Dimungkinkan juga untuk menggunakan Google Analytics 360.)

2. Analis OWOX melatih model atribusi dan memulai perhitungan probabilitas konversi reguler untuk pengunjung situs web. Setiap pengunjung diberi probabilitas konversi. Algoritma ini mencakup lebih dari 60 parameter, termasuk:

• jumlah sesi dalam klik dalam jendela konversi
• tindakan di situs web dalam satu sesi
• jeda antar sesi
• jumlah keseluruhan tindakan
• perangkat sesi dan sistem operasi
• sumber lalu lintas yang dimiliki pengguna dalam jendela konversi
• jumlah tindakan pada setiap halaman dalam satu sesi
• waktu sesi tertentu dan total waktu sesi dalam jendela konversi

3. Tim OWOX BI mengumpulkan semua data ini ke dalam satu tabel di Google BigQuery untuk mengevaluasi probabilitas pembelian untuk setiap pengguna.

4. Data audiens ditransfer ke layanan periklanan menggunakan OWOX BI Pipeline.

5. Audiens ditambahkan ke layanan periklanan.

Pengujian A/B utama dilakukan dengan pembagian lalu lintas yang sama di antara grup yang diperiksa untuk kampanye iklan:

• dibuat secara manual.
• berdasarkan umpan data produk dengan bantuan layanan otomatisasi.

Setelah eksperimen berhasil, pengujian kedua pada kampanye dengan iklan dinamis dimulai. Setelah mengumpulkan data sesuai dengan efisiensinya di antara kampanye iklan, tawaran untuk pemirsa dihitung dan disesuaikan:

• Turunkan tawaran untuk pemirsa dengan probabilitas pembelian rendah (terkadang hingga 90%).
• Tingkatkan tawaran untuk pemirsa dengan probabilitas pembelian yang tinggi.

Ukuran penyesuaian tawaran dihitung berdasarkan data yang dikumpulkan tentang koefisien konversi setiap audiens dan target ROI. ROI saat ini dari setiap kampanye dan audiens juga diperhitungkan. Untuk setiap audiens, OWOX BI menghitung harga per klik yang sesuai. Berdasarkan perhitungan tersebut, pihaknya menyesuaikan harga saat ini untuk mencapai target KPI. Penyesuaian secara konsisten berubah berdasarkan hasil.

Selama dua bulan, analis OWOX bekerja dengan tim klien untuk melakukan dua tes. Yang pertama berlangsung satu setengah bulan dan mencakup lima kampanye iklan dengan volume lalu lintas rendah. Masing-masing kampanye ini dibagi lagi menjadi dua kampanye untuk pengujian A/B: satu menggunakan audiens OWOX BI dan satu tanpa audiens.

Kampanye yang menggunakan audiens OWOX menunjukkan hasil 1,7 kali lebih baik baik dari segi ROI maupun pendapatan untuk pesanan yang diselesaikan. Untuk pengecer, ini adalah langkah menuju peningkatan efisiensi untuk investasi periklanan.

Setelah eksperimen pertama, tim OWOX BI menjalankan pengujian tiga minggu berdasarkan kampanye dengan volume lalu lintas yang besar sesuai dengan prinsip yang sama — jumlah kampanye yang sama menggunakan audiens OWOX BI dan tanpa audiens OWOX BI.

Hasil pengujian kedua adalah ROI 2,2 kali lebih tinggi dan pendapatan 2,7 kali lebih tinggi untuk pesanan yang diselesaikan dalam kampanye dengan audiens OWOX BI.

Dalam kedua kasus tersebut, kelompok uji menghasilkan lebih banyak pendapatan dengan anggaran yang sama dengan kelompok kontrol atau menghasilkan pendapatan yang sama dengan anggaran yang lebih rendah. Menggunakan OWOX BI untuk memprediksi konversi, klien kami menghemat waktu dalam membuat segmen audiens, semua data tentang pengguna situs web diproses secara otomatis, dan data yang dihasilkan disiapkan untuk diunggah ke layanan periklanan yang dapat digunakan dalam kampanye iklan untuk menyesuaikan tawaran dan menjalankan penargetan ulang.

Hasil pengujian ini dianggap sebagai awal yang sukses untuk penskalaan lebih lanjut dari saluran kinerja dan kinerja merek lainnya. Karena eksperimen dengan penghitungan probabilitas konversi membuktikan efisiensinya, langkah selanjutnya adalah menskalakan solusi — untuk menggunakannya di semua kampanye pencarian, menjalankan penargetan ulang dengan menetapkan tawaran yang berbeda bergantung pada konversi di segmen, dan menerapkannya di layanan periklanan lain seperti Facebook , Target Saya, dan Iklan Google.