Cara mengukur keberhasilan iklan dan meningkatkan ROAS dengan menggabungkan data

Karena semakin banyak bisnis yang beralih ke operasi online dan terjun ke dunia digital baru, semakin banyak data yang harus diproses oleh pemasar. Pengguna bisnis selalu membutuhkan wawasan data berkualitas tinggi untuk kinerja yang sukses dan ini menjadi salah satu tantangan utama untuk merangkul format dan struktur analitik baru.

Dalam hal ini, kami menjelaskan solusi yang diberikan oleh tim OWOX BI untuk penyedia asuransi langsung terkemuka yang memiliki tantangan dalam mengevaluasi pengaruh iklan terhadap pembelian.

Karena perusahaan menjual asuransi melalui Internet, melalui telepon, dan offline, pelanggan dapat meneliti produk melalui satu saluran dan membelinya melalui saluran lain. Misalnya, pelanggan dapat mengunjungi situs web perusahaan, menghitung cakupan, mengisi aplikasi online, dan kemudian mengunjungi kantor fisik untuk melakukan pembelian. Dalam kasus seperti itu, sulit untuk mengevaluasi pengaruh iklan terhadap pembelian.

Tantangan utamanya adalah mengoptimalkan pengeluaran iklan dan mendapatkan laba atas iklan yang lebih baik dengan mengadopsi sistem evaluasi kinerja periklanan yang fungsional. Perusahaan membutuhkan cara untuk mengkonsolidasikan data tentang biaya, pendapatan, dan interaksi pengguna baik online maupun offline.

Data tentang interaksi pengguna dengan situs web, biaya iklan, dan pesanan offline dikumpulkan dalam sistem yang berbeda:

• Data dari situs web dikumpulkan di Google Analytics;
• Data tentang polis asuransi yang dibeli secara offline disimpan dalam sistem CRM perusahaan;
• Data biaya non-Adwords biasanya tidak dikumpulkan di Google Analytics. Akibatnya, ROAS, ROI, dan bagian biaya iklan untuk setiap layanan iklan dihitung secara terpisah.

Semua data ini harus digabungkan untuk mengevaluasi secara akurat kontribusi iklan terhadap pembelian asuransi.

Semua data yang diperlukan dikumpulkan di Google BigQuery menggunakan OWOX BI Pipeline, dan menerapkan model atribusi berbasis corong, Klik Non-Langsung Terakhir, dan Klik Pertama. Selanjutnya, laporan dibuat untuk membandingkan data performa kampanye yang diperoleh melalui setiap model atribusi.

Diagram alur pengumpulan dan konsolidasi data diberikan di bawah ini:

Mari kita lihat lebih dekat setiap langkah yang diambil perusahaan untuk mengevaluasi kampanye iklan: data apa yang mereka gabungkan, dengan cara apa, dan hasil apa yang dicapai.

Perusahaan memilih penyimpanan cloud Google BigQuery untuk menggabungkan data tentang aktivitas pelanggan di lokasi dengan data tentang pembelian asuransi offline. Layanan ini dipilih karena kemampuan pemrosesan datanya: terabyte data dapat diproses dalam hitungan detik, petabyte data — dalam beberapa menit. Hal ini menjadikan Google BigQuery layanan yang sempurna untuk melakukan tugas analisis dan pelaporan yang kompleks. Manfaat lain menggunakan Google BigQuery adalah keamanan yang tinggi, karena data dienkripsi secara otomatis. Informasi lebih lanjut tentang manfaat menggunakan Google BigQuery dapat ditemukan di situs web layanan.

OWOX BI Pipeline dipilih untuk pengumpulan data karena alasan berikut:

• Data dikumpulkan hampir secara real time dan tersedia dalam 5 menit.
• Tidak ada batasan jumlah dimensi dan metrik dalam pelaporan. OWOX BI Pipeline memungkinkan untuk membuat laporan dengan perincian apa pun, menggunakan sintaksis seperti SQL untuk meminta data mentah. Di Google Analytics saja, ada dimensi dan metrik tertentu yang tidak dapat digabungkan dalam satu laporan. Ada batas jumlah dimensi dan metrik dalam laporan: 2 dimensi dalam laporan standar, 5 dimensi dalam laporan khusus, dan 7 dimensi dalam permintaan Core v3. Selain itu, tidak mungkin untuk menganalisis biaya iklan untuk setiap pengguna individu. Untuk informasi selengkapnya tentang batas dan kuota, lihat Panduan Pengembang Google.
• Data yang diimpor ke Google BigQuery tidak diambil sampelnya terlepas dari volumenya.

Informasi lebih lanjut tentang perbedaan antara Google BigQuery Export untuk Google Analytics 360 dan Pipeline OWOX BI dapat ditemukan di entri blog kami.

Data tentang pembelian asuransi diupload dari sistem CRM ke Google BigQuery menggunakan permintaan POST.

• Data biaya untuk kampanye AdWords dikumpulkan secara otomatis di Google Analytics karena integrasi asli antara Google Analytics dan Google AdWords.
• Data biaya untuk saluran pemasaran lainnya diimpor ke Google Analytics oleh OWOX BI Pipeline.
• Data untuk semua saluran diimpor ke Google BigQuery dari Google Analytics. Hal ini memungkinkan untuk menghitung ROAS, ROI, dan bagian biaya iklan, terkait dengan pembelian, dan tidak hanya untuk aplikasi online.

Setelah menggabungkan data di Google BigQuery, tim pemasaran membuat beberapa model atribusi untuk mengukur seberapa efektif iklan dalam menarik pelanggan baru (model atribusi Klik Pertama) dan dalam mendorong pembelian (model atribusi Klik Non-Langsung Terakhir).

Atribusi berbasis corong oleh OWOX BI dipilih sebagai model atribusi ketiga yang paling objektif. Dalam model ini, setiap saluran menerima kredit tergantung pada kontribusinya terhadap perkembangan pelanggan melalui corong pembelian. Sesi dievaluasi berdasarkan kemungkinan perkembangan pelanggan ke setiap langkah berikutnya dalam corong. Semakin tinggi kemungkinannya, semakin sedikit kredit yang diberikan untuk sesi yang membantu pengguna melanjutkan langkahnya. Semakin rendah probabilitasnya, semakin banyak kredit yang didapat sesi tersebut. Hasil perhitungan dalam model atribusi berbasis corong tersedia di Google BigQuery dan antarmuka OWOX BI. Laporan tersebut menunjukkan tingkat konversi (konversi absolut), probabilitas, dan nilai dari setiap langkah yang diambil pengguna dalam perjalanan mereka menuju pembelian. Perhatikan contoh di bawah ini:

• Rasio konversi langkah adalah persentase sesi di mana langkah tertentu dilihat. Misalnya, tingkat konversi 34% pada Langkah 2 berarti bahwa 34% dari total jumlah pengunjung situs web menavigasi ke langkah ini.
• Probabilitas adalah persentase sesi di mana pengunjung menavigasi ke langkah tertentu dari yang sebelumnya. Dalam contoh ini, Langkah 4 memiliki probabilitas 10%, artinya 10% pengunjung menavigasi ke Langkah 4 dari Langkah 3.
• Nilai dihitung sebagai berikut. Pertama, setiap langkah mendapat skor berbanding terbalik dengan probabilitas. Kemudian, skor langkah dibagi dengan jumlah total skor dalam corong. Semakin sulit bagi pengguna untuk melanjutkan melalui langkah tertentu dari corong, semakin tinggi nilainya.

Data Cerdas OWOX BI digunakan untuk merampingkan pekerjaan dengan semua data yang diperoleh. Alat ini memungkinkan untuk mengajukan pertanyaan ke data dalam bahasa Inggris alami, tidak perlu kueri SQL. Templat pertanyaan memungkinkan untuk mendapatkan jawaban dalam hitungan detik.

Dengan menyelesaikan langkah-langkah di atas, perusahaan memperoleh dasbor yang menunjukkan nilai sebenarnya dari setiap saluran dan cara nilai ini didistribusikan di seluruh langkah corong pada jenis perangkat yang berbeda.

Grafik di bawah ini menunjukkan bahwa langkah corong yang sama dapat memiliki nilai yang berbeda pada perangkat yang berbeda. Langkah paling berharga di tablet adalah mengunjungi situs web untuk pertama kalinya. Menavigasi melalui Langkah 2 dan Langkah 3 adalah kunci untuk perangkat seluler. Sedangkan untuk sesi di komputer desktop dan sesi lintas perangkat, nilainya didistribusikan lebih merata.

Ini diterjemahkan ke apa? Misalnya, pengguna tablet cenderung tidak mengambil langkah pertama, yaitu mengunjungi situs web. Ini berarti bahwa iklan yang ditargetkan pada perangkat tablet harus difokuskan untuk menarik pengunjung situs web baru.

Nilai saluran dalam model Klik Pertama dan Klik Non-Langsung Terakhir dihitung untuk mengidentifikasi saluran yang dinilai terlalu rendah dan terlalu tinggi, mendistribusikan kembali anggaran iklan secara lebih efisien, dan membandingkannya dengan hasil yang diperoleh dalam model pengaitan berbasis corong.

Baik model atribusi Klik Pertama maupun Klik Non-Langsung Terakhir tidak dapat memberikan tampilan kinerja kampanye yang akurat karena Google Analytics tidak berisi data tentang polis asuransi yang dibeli secara offline. Seorang pengguna hanya dapat setengah jalan melalui corong online, lalu mengakses dan membeli produk secara offline. Itulah sebabnya model diimplementasikan dan divisualisasikan masing-masing dengan menggunakan Google BigQuery dan Google Data Studio.

Dengan membuat dasbor di Google Data Studio, perusahaan dapat dengan mudah memantau dan membandingkan kinerja kampanye untuk dua model atribusi paling populer: Klik Pertama, di mana upaya difokuskan pada akuisisi, dan Klik Non-Langsung Terakhir, di mana upaya diarahkan untuk membeli. KPI bulanan dilaporkan dalam format yang mudah dibaca.

Misalnya, halaman laporan yang ditampilkan di bawah membandingkan distribusi pendapatan dan ROAS di berbagai saluran. Dengan membandingkan kinerja saluran dalam dua model pengaitan yang berbeda, orang dapat melihat bahwa angka ROAS dan bagi hasil untuk saluran tersebut hampir sama di kedua model tersebut. Ini berarti bahwa saluran ini hampir sama-sama cocok untuk menarik pengguna dan mendorong mereka untuk menutup kesepakatan.

• Setelah sepenuhnya mengotomatiskan pengumpulan dan pemrosesan data, karena menggunakan OWOX BI dan produk Google, tim perusahaan tidak perlu mengimpor data secara manual. Semua data tersedia dalam satu antarmuka, dan pakar pemasaran dapat dengan cepat mengakses data apa pun yang mereka butuhkan.
• Model atribusi berbasis corong memungkinkan evaluasi saluran pemasaran yang lebih objektif dan andal.
• Tim menghitung kredit yang akan diterima saluran iklan dalam model atribusi Klik Pertama/Klik Terakhir. Dengan membandingkan hasil dengan model pengaitan berbasis corong, saluran yang dinilai terlalu rendah dan terlalu tinggi diidentifikasi, dan anggaran iklan dialokasikan kembali secara lebih efisien.

Grafik di atas membandingkan nilai saluran yang diperoleh dalam model atribusi yang berbeda. Kontribusi saluran ke-5 secara signifikan diremehkan dalam model atribusi Non-Langsung Terakhir. Menurut model atribusi berbasis corong, model ini memiliki ROAS 100% lebih tinggi dan sangat memengaruhi konversi akhir. Saluran lain terutama dinilai terlalu tinggi. Berdasarkan temuan ini, perusahaan dapat merealokasi anggaran iklan dari kampanye iklan yang dinilai terlalu tinggi ke yang kurang dihargai, sehingga membuat iklan lebih efisien tanpa biaya tambahan.