Come aumentare il ROI pubblicitario contestuale di 2,2 volte per un rivenditore aziendale

Una domanda familiare a tutte le aziende è come tagliare la spesa per la pubblicità contestuale mantenendo le vendite. Se acquisti traffico verso il tuo sito web in un sistema pubblicitario come Google Ads o Facebook, gran parte della tua spesa va ai clic degli utenti che non finiscono per mettere gli articoli nel carrello. E anche se lo fanno, non sempre completano l'acquisto. Quindi cosa si può fare per ottimizzare le campagne pubblicitarie?

In questo caso, descriviamo la soluzione fornita dal team OWOX BI per il rivenditore di elettronica ed elettrodomestici che ha testato OWOX BI per calcolare la probabilità di conversioni.

Tra le principali attività di marketing delle prestazioni per un rivenditore aziendale ci sono l'aumento delle metriche di efficienza e la riduzione dei contatti con utenti che non sono attualmente interessati all'acquisto. Le soluzioni basate sui dati sono gli strumenti più promettenti per ottimizzare le campagne pubblicitarie. Il modello di attribuzione BI OWOX utilizza tecnologie di machine learning per calcolare la probabilità di acquisto per ciascun utente del sito web a partire dalla prima visita. Utilizzando queste probabilità di acquisto, le aziende possono determinare se vale la pena spendere in pubblicità per un utente. Inoltre, il modello OWOX BI può calcolare la probabilità che un utente esegua qualsiasi azione.

Inoltre, uno dei compiti obbligatori di uno specialista SEM di pubblicità contestuale è segmentare i visitatori del sito Web in vari gruppi a seconda delle azioni che eseguono sul sito Web e del tempo trascorso dall'ultimo trigger. Ad esempio, il numero di giorni trascorsi dall'aggiunta di un articolo al carrello senza un acquisto. L'analisi manuale di tali segmenti di pubblico e l'adeguamento dei calcoli delle offerte occupano una parte enorme del processo di lavoro.

Per riassumere, l'obiettivo era aumentare il ROI delle campagne pubblicitarie contestuali risparmiando al contempo le entrate degli ordini completati.

La soluzione di machine learning OWOX BI è stata applicata per ottimizzare le campagne pubblicitarie, essendo formata su:

• dati storici sul comportamento degli utenti del sito
• Dati CRM sugli ordini riscattati
• dati aggregati e resi anonimi da decine di migliaia di progetti di clienti OWOX

Cosa ha fornito OWOX BI:

• Per ogni utente del sito web, la probabilità di acquisto viene calcolata tenendo conto degli ordini riscattati.
• I calcoli di probabilità vengono aggiornati dopo ogni azione dell'utente o periodo di inattività. Ad esempio, se un utente visita un sito Web ed esegue una serie di azioni, riceve l'X% di probabilità di effettuare un acquisto. Se non visitano il sito Web per quattro giorni dopo, questa probabilità diminuisce.
• 10 segmenti di utenti suddivisi per probabilità di acquisto su una scala di 10 punti.

Per valutare l'accuratezza delle previsioni e le prestazioni di ciascun segmento, il team ha analizzato quanti ordini ha completato ciascun segmento.

In cima alla tabella c'è il segmento con la probabilità di conversione più alta e in fondo c'è il segmento con la più bassa.

1. Dati raccolti sul comportamento dell'utente sul sito Web in Google BigQuery con OWOX BI. (È anche possibile utilizzare Google Analytics 360.)

2. Gli analisti di OWOX hanno addestrato il modello di attribuzione e avviato calcoli regolari della probabilità di conversione per i visitatori del sito web. Ad ogni visitatore è stata assegnata una probabilità di conversione. L'algoritmo tiene conto di oltre 60 parametri, tra cui:

• numero di sessioni in hit all'interno della finestra di conversione
• azioni sul sito Web all'interno di una sessione
• pause tra le sessioni
• numero complessivo di azioni
• dispositivo di sessione e sistema operativo
• sorgenti di traffico che l'utente aveva all'interno di una finestra di conversione
• numero di azioni su ciascuna pagina all'interno di una sessione
• tempi di una sessione specifica e tempo totale delle sessioni all'interno di una finestra di conversione

3. Il team OWOX BI ha raccolto tutti questi dati in un'unica tabella in Google BigQuery per valutare la probabilità di acquisto per ciascun utente.

4. I dati sull'audience sono stati trasferiti al servizio pubblicitario utilizzando una OWOX BI Pipeline.

5. Il pubblico è stato aggiunto al servizio pubblicitario.

Il test A/B primario è stato condotto con un'equa ripartizione del traffico tra i gruppi presi in esame per le campagne pubblicitarie:

• creato manualmente.
• basato su un feed di dati di prodotto con l'aiuto di un servizio di automazione.

Dopo il successo dell'esperimento, è stato avviato il secondo test sulle campagne con annunci dinamici. Dopo aver raccolto i dati in base alla sua efficienza tra le campagne pubblicitarie, le offerte per il pubblico sono state calcolate e rettificate:

• Riduci le offerte per i segmenti di pubblico con una bassa probabilità di acquisto (a volte fino al 90%).
• Aumenta le offerte per i segmenti di pubblico con un'elevata probabilità di acquisto.

L'entità degli aggiustamenti delle offerte è stata calcolata in base ai dati raccolti sul coefficiente di conversione di ciascun pubblico e sul ROI target. È stato anche preso in considerazione l'attuale ROI di ciascuna campagna e pubblico. Per ogni pubblico, OWOX BI ha calcolato un prezzo per clic appropriato. Sulla base di questi calcoli, ha adeguato il prezzo corrente per raggiungere il KPI target. Gli aggiustamenti sono cambiati costantemente in base ai risultati.

Per due mesi, gli analisti di OWOX hanno lavorato con il team del cliente per condurre due test. La prima è durata un mese e mezzo e prevedeva cinque campagne pubblicitarie con bassi volumi di traffico. Ognuna di queste campagne è stata suddivisa in due campagne per i test A/B: una che utilizzava i segmenti di pubblico OWOX BI e l'altra senza di essi.

Le campagne che utilizzano il pubblico OWOX hanno mostrato risultati 1,7 volte migliori sia in termini di ROI che di entrate per gli ordini completati. Per un rivenditore, questo è stato un passo nella direzione di una maggiore efficienza per gli investimenti pubblicitari.

Dopo il primo esperimento, il team di OWOX BI ha eseguito un test di tre settimane basato su campagne con grandi volumi di traffico secondo lo stesso principio: un numero uguale di campagne utilizzando segmenti di pubblico OWOX BI e senza segmenti di pubblico OWOX BI.

Il risultato del secondo test è stato un ROI 2,2 volte superiore e entrate 2,7 volte superiori per gli ordini completati nelle campagne con audience BI OWOX.

In entrambi i casi, il gruppo di test ha generato più entrate con lo stesso budget del gruppo di controllo o ha generato le stesse entrate con un budget inferiore. Utilizzando OWOX BI per prevedere le conversioni, il nostro cliente ha risparmiato tempo nella creazione di segmenti di pubblico, tutti i dati sugli utenti del sito Web sono stati elaborati automaticamente e i dati risultanti sono stati preparati per il caricamento su un servizio pubblicitario dove potevano essere utilizzati nelle campagne pubblicitarie per regolare le offerte ed eseguire retargeting.

Questi risultati dei test sono stati considerati un inizio di successo per un ulteriore ridimensionamento di altri canali di performance e brandformance. Poiché gli esperimenti con i calcoli della probabilità di conversione hanno dimostrato la loro efficienza, il passaggio successivo è stato ridimensionare la soluzione: utilizzarla in tutte le campagne di ricerca, eseguire il retargeting impostando offerte diverse a seconda delle conversioni in un segmento e applicarla in altri servizi pubblicitari come Facebook , MyTarget e Google Ads.