Come scoprire 2,4 volte più parole chiave che aiutano nelle conversioni e aumentare il ROI pubblicitario PPC del 17%

Vincere la competizione di marketing oggi è impossibile senza applicare l'analisi dei dati per migliorare le prestazioni aziendali. Le nuove tecnologie consentono alle aziende di trasformare il proprio flusso di lavoro, sfruttare efficacemente i dati per prendere decisioni e raggiungere gli obiettivi di marketing più rapidamente.

In questo caso, descriviamo la soluzione fornita dal team OWOX BI per un rivenditore omnicanale di mobili e articoli per la casa che i clienti acquistano sul sito Web, nei negozi fisici e/o telefonicamente tramite un call center. Ha avuto difficoltà a migliorare il ROI della pubblicità online.

Poiché l'azienda stava cercando di migliorare il ROI pubblicitario online, la sua strategia prevedeva i seguenti passaggi:

1. Raccogli dati completi sulle attività offline e online di ciascun cliente, su tutti i dispositivi.
2. Valuta le entrate generate da ciascuna parola chiave, invece di assegnare tutto il credito all'ultima parola chiave.
3. Automatizza la gestione e gli aggiustamenti delle offerte per la pubblicità PPC.

Il processo prevedeva: la raccolta di dati completi (azioni dell'utente; ordini effettuati online, offline e per telefono; dati sulla performance pubblicitaria), l'implementazione di un modello di attribuzione personalizzato e l'automazione della gestione delle offerte in Alytics.

L'azienda doveva conoscere il rendimento di ciascuna parola chiave per automatizzare le offerte. Tutti i punti di contatto con i clienti, comprese le sessioni online su dispositivi, le telefonate e gli acquisti nei negozi fisici, devono essere uniti per determinare i valori delle parole chiave. In Google Analytics, non esiste tale opzione.

I modelli di attribuzione in Google Analytics non possono valutare accuratamente i canali pubblicitari a causa delle seguenti carenze:

• Ignorare gli ordini annullati.
• Omissione di acquisti offline.
• Ignorando i margini lordi degli acquisti.
• Omissione di ordini telefonici.
• Rilevamento errato degli utenti che visitano su più dispositivi, come più utenti unici.
• Campionamento dei dati nei rapporti.

Una valutazione errata del rendimento delle parole chiave rende difficile impostare correttamente le offerte. Di conseguenza, un'offerta alta sarebbe uno spreco di budget e una bassa attirerebbe meno clienti.

I dati sugli ordini telefonici e offline, nonché i dati sui costi per le campagne pubblicitarie a pagamento non di Google, non sono disponibili in Google Analytics. Quindi, la raccolta dei dati e la modellazione dell'attribuzione sono impostati in Google BigQuery.

Questo servizio è stato scelto per i seguenti motivi:

• Elaborazione delle query ad alta velocità, fino a 20 secondi, con qualsiasi quantità di dati.
• Le API consentono facili integrazioni con altri sistemi.
• Possibilità di caricare facilmente i dati da file o Fogli Google.
• Ricarica solo per l'uso.
• Non c'è bisogno di mantenere i database.

Il valore dei canali e delle parole chiave è stato calcolato in Google BigQuery per gestire le offerte, quindi i risultati sono stati importati in Alytics utilizzando l'API RESTful.

Ora, diamo un'occhiata più da vicino a ogni passaggio.

I dati di costo e rendimento di Google AdWords vengono importati automaticamente in Google Analytics grazie all'integrazione nativa e al collegamento dell'account.

OWOX BI Pipeline è utilizzato per:

• Raccolta di dati sulle prestazioni di sessioni, costi e ricavi dai servizi pubblicitari a Google Analytics. Questi dati vengono visualizzati nel rapporto Analisi dei costi, insieme ai dati di Google AdWords.
• Importazione di dati consolidati di sessione, costi ed entrate da Google Analytics a Google BigQuery.
• Importazione dei dati sul comportamento degli utenti dal sito Web a Google BigQuery, quasi in tempo reale.

I seguenti dati vengono inviati a Google BigQuery utilizzando le API:

• Margini lordi dei prodotti e tassi di completamento degli ordini da CRM ed ERP.
• ClientID degli utenti che hanno effettuato chiamate dal sistema di tracciamento delle chiamate CallTouch. Vengono utilizzati i molteplici numeri di telefono forniti da CallTouch: più visite e maggiore è la durata media della sessione, più numeri di telefono fornisce CallTouch. Il sistema visualizza uno dei numeri in ciascuna sessione del sito Web e associa il numero al ClientID dell'utente. Successivamente, i ClientID dei chiamanti vengono importati da CallTouch in Google BigQuery.

Il diagramma di flusso della raccolta dei dati è riportato di seguito:

Ora tutti i dati sul comportamento degli utenti dai negozi fisici, dai call center e dal sito Web vengono raccolti in Google BigQuery. I dati della sessione (sequenze dei risultati, ID sessione e dati personali crittografati degli utenti) vengono trasferiti a Google BigQuery utilizzando OWOX BI Pipeline. Le sessioni sono associate agli utenti dai seguenti parametri:

• ClientID, l'identificatore univoco per la coppia browser-dispositivo.
• UserID, l'identificatore univoco di ciascun utente, che è legato all'indirizzo email dell'utente.
• Numero di carta fedeltà.

Hoff raggruppa le sessioni utilizzando query SQL. Diamo un'occhiata a 3 esempi di come vengono combinati i dati.

Anna sfoglia i divani sul sito Web utilizzando un'app browser sul suo smartphone. Dopo qualche tempo, visita nuovamente il sito Web sullo stesso dispositivo, fa la sua scelta, accede tramite e-mail e aggiunge il divano al carrello. Poiché il dispositivo e il browser sono gli stessi, queste due sessioni sono raggruppate per ClientID. Anna torna a casa, apre il suo laptop, accede al suo account e compra il divano che ha scelto. Ora le sessioni sul suo telefono e laptop possono essere combinate tramite UserID:

Nick visita il sito mentre cerca un nuovo tavolo da cucina sul suo computer di lavoro. Durante la pausa pranzo, crea un account sul sito web utilizzando il suo smartphone ed effettua un ordine.

Nick ha utilizzato due dispositivi diversi e autorizzato solo dal suo smartphone. Queste due sessioni non possono essere collegate tramite ClientID o UserID. Di conseguenza, Google Analytics le conta come sessioni di due utenti diversi.

Tornato al lavoro, Nick ricorda che sua moglie ha sempre voluto un tavolo in wengé , non in noce , e anche che ha una carta fedeltà. Entra nel sito web dal suo computer di lavoro, effettua il login, modifica il suo ordine ed effettua un acquisto utilizzando la sua carta fedeltà.

Ora tutte le sessioni di Nick possono essere ricucite associando l'acquisto su computer a:

• Ricerca di una tabella (sessione 1), tramite ClientID, poiché entrambe le sessioni sono state avviate nello stesso browser sullo stesso computer.
• Creazione di un account al telefono (sessione 2) — tramite l'ID utente, poiché Nick ha effettuato l'accesso al suo account in entrambe le sessioni.

Di conseguenza, i dati relativi al viaggio di Nick dalla prima visita all'acquisto vengono raccolti in Google BigQuery.

Nick naviga nel sito sul suo computer di lavoro, alla ricerca di sedie da abbinare al nuovo tavolo. Chiama il numero di telefono visualizzato sul sito Web ed effettua un ordine. Poi va al negozio e compra le sedie usando la sua carta fedeltà.

Le precedenti azioni di Nick sul sito Web sono state unite alle azioni nel negozio e al telefono:

• Ordine telefonico e attività online — tramite ClientID, poiché Nick ha già acquistato il tavolo e CallTouch ha visualizzato il numero di telefono nello stesso browser, sullo stesso dispositivo.
• Acquisto offline e attività online — in base al numero della carta fedeltà di Nick.

Ora sono sufficienti dati per collegare tutte le interazioni di Nick. Ecco come lo fanno:

Di conseguenza, tutti i ClientID, gli indirizzi e-mail, le carte fedeltà e gli ordini dell'utente sono stati consolidati per vedere quali query di ricerca generano entrate e quali consumano offerte senza assistere in un acquisto.

La logica del modello di attribuzione è la seguente: il valore totale della prima e dell'ultima sessione nel percorso di conversione di un cliente è uguale al valore delle sessioni intermedie. La prima sessione è quando un utente visita il sito per la prima volta e conosce il marchio. L'ultima sessione è quando l'utente effettua un acquisto. La combinazione di dati su dispositivi diversi aiuta a trovare una connessione tra le sessioni e il loro ordine cronologico.

Il valore per ogni canale è determinato in 2 fasi:

1. Identificazione del canale che ha avviato la prima sessione. Se un utente è già stato sul sito web, il canale di acquisizione è associato al canale della sessione precedente. Ad esempio, se un utente visita il sito Web facendo clic su un annuncio display di Google e ha già visitato il sito Web tramite una ricerca organica in Bing, il modello tratterà Bing come il canale che ha introdotto l'utente al marchio.
2. Assegnazione di valore alle sessioni. I ricavi di un acquisto vengono distribuiti alle sessioni utente secondo le seguenti regole:

• La prima sessione riceve il 20% del credito per la vendita.
• L'ultima sessione riceve il 30% del credito.
• Le sessioni intermedie ricevono il restante 50%. Le sessioni vengono valutate in base al numero di ore prima dell'acquisto. Più pagine sono state visualizzate all'interno della sessione e meno ore sono trascorse prima dell'acquisto, più valore riceve la sessione.

Il valore delle parole chiave e dei canali viene ricalcolato automaticamente su base giornaliera. Il risultato viene archiviato in una tabella in Google BigQuery e Google Cloud Storage. I risultati dell'attribuzione vengono esportati da Google Cloud Storage ad Alytics utilizzando l'API RESTful.

Le regole sono state impostate per Alytics per determinare la dimensione dell'offerta. Maggiore è il ROI della frase di ricerca che menziona il prodotto, maggiore è l'offerta. Ad esempio, se il ROI per le tabelle è inferiore al 15%, l'offerta per una parola chiave Acquista tabelle sarà pari a $ 1. Se il ROI è maggiore del 75%, l'offerta sarà pari a $ 4. Tutti i numeri sono stati determinati sperimentalmente.

Grazie all'unione dei dati sul comportamento dei clienti online e offline, alla determinazione dei valori delle parole chiave e all'automazione degli aggiustamenti delle offerte, l'azienda è ora in grado di rispondere a domande quali:

• Come cambierebbe il ROI della pubblicità online in considerazione dell'evasione degli ordini?
• In che modo la pubblicità online influisce sugli ordini effettuati in un call center?
• Quali parole chiave guidano gli ordini più redditizi?
• Quali prodotti offrono il ROI maggiore?
• Quale quota delle vendite offline è stata influenzata dalla pubblicità online?

Di conseguenza è stato possibile:

• Ottimizza le offerte e aumenta il ROI pubblicitario PPC del 17%.
• Misura l'impatto sulle entrate delle parole chiave in modo più accurato e visualizza 2,4 volte più parole chiave che aiutano nelle conversioni. I modelli di attribuzione standard li hanno semplicemente ignorati.
• Scopri che alcune delle frasi chiave hanno un impatto maggiore sugli acquisti offline rispetto alle vendite online.