Come utilizzare l'analisi di coorte dei clienti per misurare il rendimento degli annunci

Al giorno d'oggi le aziende si esibiscono in un mondo digitale, avendo enormi quantità di dati dei clienti da raccogliere, salvare e procedere con il controllo dei dettagli. Non è un'opzione facile nemmeno per le aziende di piccole dimensioni, per non parlare delle grandi imprese. Con l'evolversi del business, si comprende anche che è possibile fare pubblicità in modo più efficace e ottimizzare il budget pubblicitario.

In questo caso, descriviamo la soluzione fornita dal team OWOX BI per una grande azienda che fornisce una suite integrata di prodotti per il business. La suite include strumenti per la gestione dei progetti, documentazione, CRM, telefonia, calendari e altro ancora. Questo cliente ha avuto difficoltà a spendere il budget pubblicitario in modo più efficiente ea condurre un'analisi di coorte di clienti.

Poiché la sfida principale per gli specialisti di marketing era raggiungere più clienti, è stato fatto di tutto per ottenere il maggior numero possibile di registrazioni di servizi. Dopo aver acquisito molti clienti attivi nel database, è emersa la necessità di migliorare il ciclo di vita del cliente. Gli esperti di marketing volevano spendere le loro risorse pubblicitarie solo sul pubblico di destinazione pronto ad acquistare il loro prodotto poiché i costi di acquisizione dei clienti sono aumentati insieme alla concorrenza commerciale. Di conseguenza, la maggior parte degli sforzi pubblicitari inizia a dare i suoi frutti due mesi o più dopo l'acquisto, poiché la maggior parte dei clienti paga l'abbonamento su base mensile.

Ecco perché, per spendere il budget pubblicitario in modo più efficiente, si è deciso di condurre un'analisi di coorte di clienti. Una coorte è un gruppo di utenti che condividono alcune caratteristiche comuni. Raggruppando gli utenti in coorti in base al momento della loro prima registrazione, gli esperti di marketing cercavano di ottenere informazioni più dettagliate su ciò che i loro clienti fanno dopo essersi registrati sul sito web. L'analisi di coorte aiuta anche a calcolare le entrate di ciascuna coorte, valutare l'efficacia delle campagne di acquisizione dei clienti e ottimizzare i costi pubblicitari. Inoltre, il confronto dei dati comportamentali per le coorti tra diverse fonti, canali e campagne aiuta a capire quali campagne funzionano meglio per l'acquisizione di clienti e quali migliorano il tasso di fidelizzazione e motivano gli utenti a registrare più portali.

Poiché era necessario fornire un'analisi di coorte efficace, tutti i dati dovrebbero essere uniti in un unico sistema. Un'altra sfida è stata affrontare costantemente il campionamento dei dati mentre si lavorava con la versione gratuita di Google Analytics. Gli analisti volevano evitare o almeno ridurre al minimo il campionamento dei dati senza dover esportare i dati di giorno in giorno.

Inoltre, nel rapporto di analisi di coorte era necessario includere una serie di metriche specifiche:

• Numero di registrazioni: il numero di portali registrati.
• MAU — il numero di utenti attivi mensili.
• CR a MAU — il numero di utenti attivi mensili rispetto al numero di utenti registrati.
• Conservazione 2° giorno: il numero di clienti che sono tornati il ​​secondo giorno dopo la registrazione di un nuovo portale.
• Quota di fidelizzazione 2° giorno: la percentuale di clienti che visitano nuovamente il sito Web il secondo giorno dopo la registrazione.
• Utenti paganti: il numero di clienti paganti.
• CR a pagamento: il numero di utenti paganti rispetto al numero di utenti registrati.
• SOMMA entrate: le entrate totali generate da una coorte.
• Tasso di abbandono: la percentuale di abbandono dei clienti.
• ROMI — il ritorno sull'investimento di marketing, calcolato come ricavi/costi × 100%.

L'obiettivo è stato raggiunto utilizzando il database cloud di Google BigQuery nel modo seguente:

1. Configurazione dell'importazione dei dati sul comportamento dei clienti e sui costi di marketing in Google BigQuery utilizzando OWOX BI Pipeline.
2. Invio di dati di utenti e transazioni a Google BigQuery tramite il Measurement Protocol.
3. Raggruppare gli utenti per coorti in Google BigQuery e scegliere tutte le metriche necessarie.
4. Invio dei dati da Google BigQuery a Fogli Google e creazione di report di analisi di coorte.

Lo schema seguente mostra il flusso di dati:

Ora diamo un'occhiata a ogni passaggio in dettaglio.

Dopo aver considerato tutte le piattaforme alternative, l'azienda ha scelto Google BigQuery per combinare i dati. I dati sul comportamento degli utenti web sono stati importati in Google BigQuery utilizzando OWOX BI Pipeline. Ecco i vantaggi di questa soluzione:

• Nessun campionamento dei dati e limitazioni sul numero di dimensioni e metriche nei rapporti di Google Analytics. Maggiori informazioni sulle limitazioni sono disponibili qui.
• I dati del sito Web vengono visualizzati in Google BigQuery in soli 5 minuti.
• I ricavi e i costi pubblicitari possono essere confrontati per sessioni e utenti, fornendo informazioni migliori sulla redditività della coorte. OWOX BI Pipeline consente di vedere quanto denaro è stato speso per acquisire ciascun utente, distribuendo i costi pubblicitari sulle sessioni utente.

Sempre con l'aiuto di OWOX BI Pipeline, i dati dei servizi pubblicitari vengono importati prima in Google Analytics e poi in Google BigQuery. L'eccezione è per AdWords poiché Google Analytics ha un'integrazione nativa con esso.

I dati sui clienti vengono raccolti nel sistema CRM. Pertanto, i dati sugli utenti che visitano nuovamente il sito Web il secondo giorno dopo la registrazione al portale vengono esportati in Google BigQuery. I dati sugli utenti attivi e sulle transazioni vengono anche esportati in Google BigQuery tramite il Measurement Protocol.

Con tutti i dati necessari raccolti in Google BigQuery, sono state create le coorti e sono state calcolate le metriche scelte per ciascuna delle coorti.

Poiché i clienti pagano i prodotti mensilmente, il periodo di tempo per l'analisi è stato impostato su un mese. Le coorti sono state create in base al momento della prima registrazione. Ciò significa che tutti gli utenti che si sono registrati, diciamo a luglio, appartengono alla stessa coorte. Con le metriche calcolate in Google BigQuery, la tabella ha la seguente struttura:

Poiché i dati sono stati esportati da Google BigQuery (tramite il componente aggiuntivo OWOX BI BigQuery Reports), sono stati visualizzati in Fogli Google. Questi dati vengono aggiornati automaticamente ogni giorno e possono essere filtrati per canale, fonte, campagna e contenuto dell'annuncio.

Il rapporto dimostra che le iniziative pubblicitarie non solo aiutano ad acquisire nuovi clienti, ma aumentano anche il valore della vita del cliente, riportando i clienti già acquisiti che stanno cercando di aggiungere un altro portale.

Nella maggior parte dei casi, gli investimenti pubblicitari iniziano a ripagare in tre mesi.

Sebbene la creazione del report sia stata un'attività difficile con molti fattori variabili, il risultato ne è valsa sicuramente la pena. È stata creata una serie di rapporti automatici regolari per il reparto marketing. Prima di ciò, gli specialisti di marketing dovevano creare tali rapporti manualmente, ricontrollare tutto e dedicare molto tempo e fatica.

A causa di nuovi rapporti, sono avvenute anche alcune scoperte interessanti. Ad esempio, è stato riscontrato che la pubblicità non solo funziona per l'acquisizione di clienti, ma contribuisce anche alla fidelizzazione dei clienti e aiuta a ottenere più registrazioni dallo stesso cliente.

• L'azienda ora dispone di una serie di rapporti completamente automatizzati che aiutano a misurare le prestazioni dei canali, delle fonti e delle campagne pubblicitarie tra le coorti di clienti su base mensile.
• Sapendo quanto bene si comporta la loro pubblicità, gli specialisti di marketing possono ora ottimizzare i costi per aumentare le entrate totali di ciascuna delle coorti e ridurre il tasso di abbandono.
• Con l'aiuto dell'analisi di coorte, è ora possibile determinare le fonti che attirano i clienti più fedeli. Questi dati possono essere utilizzati anche per il remarketing.