Cara meningkatkan pendapatan berdasarkan email sebesar 237% dan mengoptimalkan belanja iklan

Proses email yang dioptimalkan dengan baik dapat memberikan ROI setinggi mungkin kepada bisnis melalui saluran penjualan ini. Namun, Anda harus menyesuaikan kampanye pemasaran email untuk mencapainya: konten harus dipersonalisasi untuk audiens Anda. Jika tidak, ada kemungkinan besar upaya email Anda menghabiskan uang.

Dalam hal ini, kami menjelaskan solusi yang diberikan oleh tim OWOX BI untuk rantai ritel besar peralatan rumah tangga, elektronik, dan barang-barang rumah tangga, yang memiliki lebih dari 600 toko di lebih dari 200 kota. Bisnis memiliki tantangan dalam mencari cara untuk meningkatkan tingkat konversi dan mengoptimalkan biaya iklan dengan menerapkan email yang dipicu.

Dalam lingkungan bisnis yang sangat kompetitif, tujuan utamanya adalah untuk mendapatkan pelanggan baru, meningkatkan LTV, dan mengoptimalkan anggaran iklan. Analis bisnis ingin menganalisis efisiensi saluran akuisisi pelanggan mereka dengan mempertimbangkan keuntungan yang dihasilkan dari setiap kampanye iklan. Model atribusi standar tidak sesuai untuk tugas ini, karena mengabaikan faktor berikut:

1. Pengunjung situs perbandingan harga berusaha membeli produk dengan harga terendah. Ini berarti, saat mempertimbangkan pembelian berikutnya, pelanggan mungkin ingin memilih berdasarkan harga lagi, dan daripada mengunjungi toko online perusahaan, mereka dapat mengunjungi kembali situs web perbandingan harga. Dalam mengevaluasi sumber lalu lintas ini, seseorang harus mempertimbangkan LTV pelanggan selama 180 hari dan total biaya perolehan dan retensi, karena perusahaan dapat menghabiskan uang setiap kali mereka membawa pelanggan kembali melalui situs web perbandingan harga.
2. Pelanggan yang telah membeli produk yang lebih murah dengan margin yang rendah dapat kembali ke situs web nanti untuk membeli produk yang lebih mahal. Jadi, meskipun margin dari produk yang lebih murah mungkin tidak menutupi biaya perolehan, pada akhirnya (lebih dari 180 hari) kampanye iklan semacam itu membuahkan hasil yang lebih baik.

Mengingat hal di atas, tim analis mengembangkan model atribusi berbasis LTV mereka sendiri yang mempertimbangkan biaya iklan dan margin dari pembelian selama periode 180 hari. Selanjutnya, cara mengubah calon pembeli, yang memiliki minat pada produk atau kategori produk tertentu, menjadi pelanggan setia sedang diuji. Beberapa pengunjung menelusuri situs web, tetapi belum membeli produk apa pun. Beberapa pengunjung memulai checkout tetapi tidak menyelesaikan prosesnya (kereta yang ditinggalkan). Diputuskan untuk menyiapkan email yang dipicu untuk membawa pengunjung tersebut kembali ke situs web dan memotivasi mereka untuk melakukan pembelian:

1. Pengingat tentang gerobak yang ditinggalkan, kepada pengguna yang memulai tetapi belum menyelesaikan pembayaran.
2. Rekomendasi didasarkan pada produk yang dilihat, kepada pengguna yang menelusuri jenis halaman tertentu (halaman katalog atau halaman produk).

Konten email yang dipicu harus dipersonalisasi untuk memenuhi kebutuhan setiap pelanggan saat ini. Tidak boleh ada penundaan dalam pengumpulan data tentang tindakan pengunjung situs web untuk memastikan hal ini.

Data yang diperlukan untuk mencapai tujuan ini disimpan dalam sistem yang berbeda — Google Analytics dan sejumlah layanan periklanan. Itu diperlukan tidak hanya untuk menggabungkan data, tetapi juga untuk memastikan akses cepat ke sana, dan pemrosesan data yang hampir real-time.

Perusahaan harus menyelesaikan tugas-tugas berikut untuk mencapai tujuan:

• Kumpulkan data dari berbagai sumber dalam satu sistem dan struktur yang optimal.
• Dapatkan semua data yang diperlukan untuk model atribusi, dan pastikan bahwa data dapat diperbarui secara historis.

Diputuskan untuk memeriksa hipotesis dalam jangka waktu 180 hari.

Data diperoleh dari sistem berikut:

1. Google Analytics: data dari situs web tersedia di Google Analytics melalui wadah Google Pengelola Tag.
2. Sumber iklan: Google AdWords, Criteo.

Sebagai penyimpanan data tunggal, diputuskan untuk menggunakan Google BigQuery:

1. Penyimpanan cloud ini memungkinkan pengumpulan dan pemrosesan data dalam jumlah besar dengan cepat.
2. Ini menyediakan serangkaian besar solusi dan alat siap pakai untuk integrasi dengan sistem CRM dan ERP.
3. Data dilindungi dengan aman.

Alat dan fitur berikut digunakan untuk mengumpulkan semua data di Google BigQuery:

1. Ekspor Google BigQuery untuk Google Analytics 360 — untuk menerima data dari Google Analytics di Google BigQuery, termasuk 13 bulan data historis.
2. OWOX BI Pipeline — perusahaan menerima data klik hampir real-time dari situs web di Google BigQuery bersama dengan data tentang biaya, klik, dan tayangan dari sumber iklan, yang tersedia di Google Analytics, dan kemudian di Google BigQuery.

Akibatnya, semua data yang diperlukan dikumpulkan di Google BigQuery dan kemudian dikirim ke sistem analitik internal perusahaan.

Data yang diperoleh di Google BigQuery melalui Ekspor standar untuk Google Analytics 360 dan melalui OWOX BI Pipeline, diatur ke dalam kubus data. Kubus seperti itu, dibuat dalam struktur yang optimal, memungkinkan pengurangan biaya pemrosesan data yang signifikan.

Bagan alur di bawah ini menunjukkan bagaimana data yang diperlukan dikumpulkan dan digabungkan:

Analis OWOX BI mengembangkan dua tampilan menggunakan kueri SQL untuk menyiapkan email yang dipicu. Kueri menggabungkan data tentang tindakan pengguna di situs web, yang diperoleh melalui OWOX BI Pipeline, dan data yang diperoleh melalui Google BigQuery Export, ke dalam struktur yang optimal untuk tugas tersebut.

Efisiensi email diukur dengan pengujian A/B. Email yang dipicu ke grup pengguna pertama dikirim pada hari berikutnya setelah mengunjungi situs web. Grup lain menerima email yang dipicu hanya dalam waktu kurang dari satu jam, karena email dikirim menggunakan data dari tabel di Google BigQuery dan data cube. Dalam kedua kasus, email dikirim melalui layanan yang sama.

Tidak seperti Google Analytics, nilai bidang ID pengguna dalam tabel pivot di Google BigQuery dapat diperbarui secara surut dengan menimpa tabel. Setelah pengguna diautentikasi di situs web pada perangkat apa pun (setelah nilai ID pengguna diketahui), sesi sebelumnya dari pengguna yang sama juga memperoleh nilai ID pengguna, jika nilai ini tidak ditentukan atau ditentukan sebelumnya. Karena pembaruan retroaktif pada bidang ID pengguna, data pengguna yang lebih akurat diperoleh, dan email terpicu yang dipersonalisasi dikirim ke lebih banyak pengunjung.

Tim mengembangkan model atribusinya sendiri dengan fitur berikut:

• Mendistribusikan biaya perolehan pengunjung melalui kunjungan hanya dari sumber lalu lintas berbayar.
• Mengevaluasi total margin per pengguna selama 30, 60, 90, dan 180 hari.
• Mempertimbangkan hanya data dari pembeli pertama kali dalam perhitungan. Pada pembelian berulang, nilai pesanan ditetapkan ke saluran yang membawa pengguna ke situs web untuk pertama kalinya.

Model atribusi ini dimungkinkan karena pembaruan data retroaktif di Google BigQuery, termasuk pembaruan pada bidang UserID dan data tentang biaya akuisisi pengunjung.

Sebagai hasil dari pengumpulan data dalam penyimpanan data tunggal, penyiapan email terpicu baru, dan pembaruan data historis, tujuan berikut tercapai:

1. Tingkatkan KPI email yang dipicu.

Pemberitahuan email tentang produk yang ditinggalkan dikirim dalam waktu satu jam ke sebagian besar pengguna yang menambahkan produk ke keranjang belanja mereka tetapi belum menyelesaikan pembelian. Data untuk email yang dipicu dikumpulkan secara otomatis, dua kali per jam.

Efisiensi metode pengiriman surat baru dikonfirmasi oleh pengujian A/B:

• Jumlah kunjungan ke situs web melalui email yang dikirim meningkat sebesar 76%.
• Tingkat konversi untuk pembelian dari pengguna yang mengunjungi situs web melalui email yang dikirim meningkat sebesar 12%.
• Jumlah pembelian setelah pengoptimalan email keranjang yang ditinggalkan meningkat sebesar 85%.
• Pangsa omset dalam kelompok sasaran meningkat sebesar 237%.

2. Optimalkan anggaran iklan dan kurangi bagian biaya iklan

Grafik di bawah ini menunjukkan data tentang LTV pelanggan per sesi (FM — margin, COST — biaya) menurut model atribusi perusahaan sendiri yang mempertimbangkan nilai umur pelanggan yang mengunjungi grup produk berbeda melalui saluran lalu lintas berbayar. Nilai ini meningkat seiring waktu — fakta yang diabaikan oleh model atribusi Klik Terakhir. Taruhan maksimum untuk setiap kampanye terbatas pada margin yang diperoleh perusahaan selama 180 hari, tidak termasuk biaya retensi pelanggan.

Seperti yang dapat dilihat dengan model atribusi berbasis CLTV selama periode 180 hari, pada awalnya pengguna datang melalui saluran BPK, kemudian kembali, dan melakukan pembelian berulang melalui saluran gratis. Nilai saluran BPK tersebut ternyata beberapa kali lebih tinggi daripada menurut model atribusi Klik Terakhir. Volume dan frekuensi pembelian ulang, serta pendapatan perusahaan, berbeda untuk setiap kategori produk, kampanye iklan, dan sumber.