Come aumentare del 237% le entrate generate dalla posta elettronica e ottimizzare la spesa pubblicitaria

Il processo di posta elettronica ben ottimizzato può fornire alle aziende il ROI più elevato possibile su questo canale di vendita. Tuttavia, devi adattare le campagne di email marketing per raggiungerlo: il contenuto dovrebbe essere personalizzato per il tuo pubblico. Altrimenti, ci sono buone probabilità che i tuoi sforzi di posta elettronica stiano sprecando soldi.

In questo caso, descriviamo la soluzione fornita dal team OWOX BI per una grande catena di vendita al dettaglio di elettrodomestici, elettronica e articoli per la casa, che ha più di 600 negozi in più di 200 città. L'azienda ha avuto difficoltà a scoprire come migliorare il proprio tasso di conversione e ottimizzare i costi pubblicitari applicando e-mail attivate.

In un contesto aziendale altamente competitivo, l'obiettivo principale è acquisire nuovi clienti, aumentare l'LTV e ottimizzare il budget pubblicitario. Gli analisti aziendali volevano analizzare l'efficienza dei loro canali di acquisizione dei clienti considerando il guadagno risultante da ciascuna delle campagne pubblicitarie. I modelli di attribuzione standard non erano appropriati per questo compito, poiché ignorano i seguenti fattori:

1. I visitatori dei siti Web di confronto dei prezzi cercano di acquistare prodotti al prezzo più basso. Ciò significa che, mentre prendono in considerazione il loro prossimo acquisto, i clienti potrebbero voler scegliere nuovamente in base al prezzo e, anziché visitare il negozio online dell'azienda, potrebbero visitare un sito Web di confronto dei prezzi. Nel valutare questa fonte di traffico, si dovrebbe considerare l'LTV del cliente su 180 giorni e il costo totale di acquisizione e fidelizzazione, poiché l'azienda potrebbe spendere denaro ogni volta che riporta i clienti tramite siti Web di confronto dei prezzi.
2. I clienti che hanno acquistato un prodotto più economico con un margine basso possono tornare sul sito Web in seguito per acquistare prodotti più costosi. Pertanto, sebbene il margine del prodotto più economico possa non coprire il costo di acquisto, alla fine (oltre 180 giorni) tali campagne pubblicitarie ripagano meglio.

Alla luce di quanto sopra, il team di analisti ha sviluppato il proprio modello di attribuzione basato su LTV che considera i costi pubblicitari e il margine dagli acquisti in un periodo di 180 giorni. Inoltre, si stavano testando i modi per trasformare potenziali acquirenti, che avevano un interesse per un determinato prodotto o categoria di prodotto, in clienti fedeli. Alcuni dei visitatori hanno navigato nel sito web, ma non hanno acquistato alcun prodotto. Alcuni dei visitatori hanno iniziato il checkout ma non hanno terminato il processo (carrelli abbandonati). È stato deciso di impostare e-mail attivate per riportare tali visitatori al sito Web e motivarli a effettuare un acquisto:

1. Promemoria dei carrelli abbandonati, agli utenti che hanno iniziato ma non hanno terminato il checkout.
2. Le raccomandazioni si basano sui prodotti visualizzati, agli utenti che hanno sfogliato determinati tipi di pagine (pagine di catalogo o pagine di prodotto).

Il contenuto delle e-mail attivate deve essere personalizzato per soddisfare le esigenze attuali di ciascun cliente. Non dovrebbero esserci ritardi nella raccolta dei dati sulle azioni dei visitatori del sito Web per garantire ciò.

I dati necessari per raggiungere questi obiettivi sono stati archiviati in diversi sistemi: Google Analytics e una serie di servizi pubblicitari. Era necessario non solo unire i dati, ma anche garantire un rapido accesso ad essi e un'elaborazione dei dati quasi in tempo reale.

L'azienda ha dovuto risolvere i seguenti compiti per raggiungere gli obiettivi:

• Raccogli i dati da più fonti in un unico sistema e struttura ottimale.
• Ottieni tutti i dati necessari per il modello di attribuzione e assicurati che i dati possano essere aggiornati storicamente.

Si è deciso di verificare le ipotesi entro un periodo di 180 giorni.

I dati sono stati ottenuti dai seguenti sistemi:

1. Google Analytics: i dati del sito web sono disponibili in Google Analytics tramite un contenitore di Google Tag Manager.
2. Fonti pubblicitarie: Google AdWords, Criteo.

Come unico archivio di dati, si è deciso di utilizzare Google BigQuery:

1. Questo cloud storage consente la raccolta e l'elaborazione rapida di enormi quantità di dati.
2. Fornisce un ampio set di soluzioni e strumenti pronti per l'integrazione con i sistemi CRM ed ERP.
3. I dati sono protetti in modo sicuro.

I seguenti strumenti e funzionalità sono stati utilizzati per raccogliere tutti i dati in Google BigQuery:

1. Google BigQuery Export per Google Analytics 360 — per ricevere dati da Google Analytics in Google BigQuery, inclusi 13 mesi di dati storici.
2. OWOX BI Pipeline: l'azienda riceve dati sugli hit quasi in tempo reale dal sito Web in Google BigQuery insieme ai dati su costi, clic e impressioni da fonti pubblicitarie, disponibili in Google Analytics e quindi in Google BigQuery.

Di conseguenza, tutti i dati necessari vengono raccolti in Google BigQuery e quindi inviati ai sistemi di analisi interni dell'azienda.

I dati ottenuti in Google BigQuery tramite lo standard Export per Google Analytics 360 e tramite OWOX BI Pipeline, sono stati organizzati in un cubo di dati. Tale cubo, realizzato in una struttura ottimale, consente di ridurre notevolmente i costi di elaborazione dei dati.

Il diagramma di flusso seguente mostra come vengono raccolti e uniti i dati necessari:

Gli analisti di OWOX BI hanno sviluppato due viste utilizzando query SQL per impostare e-mail attivate. Le query aggregano i dati sulle azioni degli utenti sul sito Web, ottenuti tramite OWOX BI Pipeline, e i dati ottenuti tramite Google BigQuery Export, in una struttura ottimale per l'attività.

L'efficienza delle e-mail è stata misurata con test A/B. Le email attivate al primo gruppo di utenti sono state inviate il giorno successivo alla visita del sito web. L'altro gruppo ha ricevuto e-mail attivate in poco meno di un'ora, poiché le e-mail sono state inviate utilizzando i dati delle tabelle in Google BigQuery e nel cubo di dati. In entrambi i casi, le email sono state inviate tramite lo stesso servizio.

A differenza di Google Analytics, il valore del campo userID nelle tabelle pivot in Google BigQuery può essere aggiornato retroattivamente sovrascrivendo le tabelle. Una volta che un utente si è autenticato sul sito Web su qualsiasi dispositivo (una volta noto il valore di userID), anche le sessioni precedenti dello stesso utente acquisiscono il valore di userID, se questo valore non è stato specificato o definito in precedenza. Grazie agli aggiornamenti retroattivi del campo userID, sono stati ottenuti dati utente più accurati e sono state inviate e-mail con trigger personalizzate a un numero maggiore di visitatori.

Il team ha sviluppato il proprio modello di attribuzione con le seguenti caratteristiche:

• Distribuzione dei costi di acquisizione dei visitatori sulle visite solo da sorgenti di traffico a pagamento.
• Valutazione del margine totale per utente per 30, 60, 90 e 180 giorni.
• Considerando solo i dati dei nuovi acquirenti nei calcoli. In caso di acquisto ripetuto, il valore dell'ordine viene assegnato al canale che ha portato l'utente al sito per la prima volta.

Questo modello di attribuzione è stato reso possibile grazie agli aggiornamenti dei dati retroattivi in ​​Google BigQuery, inclusi gli aggiornamenti al campo UserID e ai dati sui costi di acquisizione dei visitatori.

Come risultato della raccolta dei dati in un unico archivio di dati, della creazione di nuove e-mail attivate e degli aggiornamenti dei dati storici, sono stati raggiunti questi obiettivi:

1. Migliora i KPI e-mail attivati.

Le notifiche e-mail sui prodotti abbandonati vengono inviate entro un'ora alla maggior parte degli utenti che hanno aggiunto prodotti al carrello ma non hanno completato l'acquisto. I dati per le e-mail attivate vengono raccolti automaticamente, due volte all'ora.

L'efficienza del nuovo metodo di spedizione è stata confermata dal test A/B:

• Il numero di visite al sito Web tramite e-mail consegnate è aumentato del 76%.
• Il tasso di conversione per gli acquisti degli utenti che hanno visitato il sito Web tramite e-mail consegnate è aumentato del 12%.
• Il numero di acquisti dopo l' abbandono dell'ottimizzazione dell'e-mail del carrello è aumentato dell'85%.
• La quota di fatturato nel gruppo target è aumentata del 237%.

2. Ottimizza il budget pubblicitario e riduci la quota dei costi pubblicitari

I grafici seguenti mostrano i dati sull'LTV dei clienti per sessione (FM — margine, COST — costi) in base al modello di attribuzione dell'impresa che considera il lifetime value dei clienti che hanno visitato diversi gruppi di prodotti tramite canali di traffico a pagamento. Questo valore aumenta nel tempo, un fatto ignorato dal modello di attribuzione Last-Click. La puntata massima per ciascuna campagna è limitata al margine ottenuto dall'azienda per 180 giorni, esclusi i costi di fidelizzazione dei clienti.

Come si può vedere con il modello di attribuzione basato su CLTV per un periodo di 180 giorni, all'inizio gli utenti sono arrivati ​​tramite i canali CPC, quindi sono tornati e hanno effettuato acquisti ripetuti tramite canali gratuiti. Il valore di tali canali CPC si è rivelato diverse volte superiore rispetto al modello di attribuzione Last-Click. Il volume e la frequenza degli acquisti ripetuti, così come i ricavi dell'azienda, erano diversi per ogni categoria di prodotto, campagna pubblicitaria e fonte.