Come misurare il successo degli annunci e aumentare il ritorno sulla spesa pubblicitaria consolidando i dati

Dal momento che sempre più aziende transitano verso operazioni online e si immergono in un nuovo mondo digitale, più i marketer dei dati devono elaborare. Gli utenti aziendali hanno costantemente bisogno di informazioni dettagliate sui dati di alta qualità per prestazioni di successo e diventa una delle sfide principali abbracciare nuovi formati e strutture di analisi.

In questo caso, descriviamo la soluzione fornita dal team OWOX BI per un importante fornitore di assicurazioni dirette che ha avuto difficoltà a valutare l'effetto della pubblicità sugli acquisti.

Poiché l'azienda vende assicurazioni tramite Internet, per telefono e offline, i clienti possono cercare prodotti tramite un canale e acquistarli tramite un altro. Ad esempio, un cliente può visitare il sito Web dell'azienda, calcolare la copertura, compilare una domanda online e quindi visitare un ufficio fisico per effettuare un acquisto. In questi casi, è difficile valutare l'effetto che la pubblicità ha sugli acquisti.

La sfida principale era ottimizzare la spesa pubblicitaria e ottenere un migliore ritorno sulla pubblicità adottando un sistema funzionale di valutazione delle prestazioni pubblicitarie. L'azienda aveva bisogno di un modo per consolidare i dati su costi, ricavi e interazioni degli utenti sia online che offline.

I dati sulle interazioni dell'utente con il sito Web, sui costi pubblicitari e sugli ordini offline vengono raccolti in diversi sistemi:

• I dati del sito web sono raccolti in Google Analytics;
• I dati relativi alle polizze assicurative acquistate offline sono archiviati nel sistema CRM aziendale;
• I dati sui costi non AdWords in genere non vengono raccolti in Google Analytics. Di conseguenza, il ROAS, il ROI e la quota dei costi pubblicitari per ciascun servizio pubblicitario vengono calcolati separatamente.

Tutti questi dati dovrebbero essere uniti per valutare con precisione il contributo della pubblicità agli acquisti assicurativi.

Tutti i dati necessari sono stati raccolti in Google BigQuery utilizzando OWOX BI Pipeline e implementato i modelli di attribuzione basati su imbuto, Ultimo clic non diretto e Primo clic. Successivamente, sono stati creati i rapporti per confrontare i dati sul rendimento della campagna ottenuti tramite ciascun modello di attribuzione.

Di seguito il diagramma di flusso di raccolta e consolidamento dei dati:

Diamo un'occhiata più da vicino a ogni passaggio dell'azienda per valutare le campagne pubblicitarie: quali dati hanno combinato, in che modo e quali risultati sono stati raggiunti.

L'azienda ha scelto l'archiviazione cloud di Google BigQuery per unire i dati sulle attività in loco dei clienti con i dati sugli acquisti di assicurazioni offline. Il servizio è stato scelto per le sue capacità di elaborazione dei dati: terabyte di dati possono essere elaborati in pochi secondi, petabyte di dati in un paio di minuti. Ciò rende Google BigQuery un servizio perfetto per eseguire analisi complesse e attività di reporting. Un altro vantaggio dell'utilizzo di Google BigQuery è l'elevata sicurezza, poiché i dati vengono crittografati automaticamente. Ulteriori informazioni sui vantaggi dell'utilizzo di Google BigQuery sono disponibili sul sito Web del servizio.

OWOX BI Pipeline è stata scelta per la raccolta dei dati per i seguenti motivi:

• I dati vengono raccolti quasi in tempo reale e diventano disponibili entro 5 minuti.
• Non c'è limite al numero di dimensioni e metriche nei rapporti. OWOX BI Pipeline consente di creare report di qualsiasi granularità, utilizzando una sintassi simile a SQL per eseguire query sui dati grezzi. Solo in Google Analytics, ci sono alcune dimensioni e metriche che non possono essere combinate in un rapporto. Esiste un limite al numero di dimensioni e metriche in un rapporto: 2 dimensioni in un rapporto standard, 5 dimensioni in un rapporto personalizzato e 7 dimensioni in una richiesta Core v3. Inoltre, è impossibile analizzare i costi pubblicitari per ogni singolo utente. Per ulteriori informazioni su limiti e quote, consulta la Guida per gli sviluppatori di Google.
• I dati importati in Google BigQuery non vengono campionati indipendentemente dal volume.

Maggiori informazioni sulle differenze tra Google BigQuery Export per Google Analytics 360 e OWOX BI Pipeline sono disponibili nel nostro post sul blog.

I dati sugli acquisti assicurativi vengono caricati dal sistema CRM in Google BigQuery utilizzando le richieste POST.

• I dati di costo per le campagne AdWords vengono raccolti automaticamente in Google Analytics grazie all'integrazione nativa tra Google Analytics e Google AdWords.
• I dati sui costi per altri canali di marketing vengono importati in Google Analytics da OWOX BI Pipeline.
• I dati per tutti i canali vengono importati in Google BigQuery da Google Analytics. Ciò consente di calcolare il ROAS, il ROI e la quota dei costi pubblicitari, in relazione agli acquisti, e non solo alle applicazioni online.

Dopo aver consolidato i dati in Google BigQuery, il team di marketing ha creato diversi modelli di attribuzione per misurare l'efficacia degli annunci nell'attirare nuovi clienti (il modello di attribuzione del primo clic) e nel guidare gli acquisti (il modello di attribuzione dell'ultimo clic non diretto).

L'attribuzione basata su imbuto di OWOX BI è stata scelta come terzo modello di attribuzione più oggettivo. In questo modello, ogni canale riceve credito in base al suo contributo all'avanzamento di un cliente attraverso il funnel di acquisto. Le sessioni vengono valutate in base alla probabilità del passaggio del cliente a ogni passaggio successivo all'interno della canalizzazione. Maggiore è la probabilità, minore è il credito assegnato alla sessione che ha aiutato un utente ad andare avanti nel passaggio. Più bassa è la probabilità, più credito ottiene la sessione. I risultati dei calcoli all'interno del modello di attribuzione basato sulla canalizzazione sono disponibili in Google BigQuery e nell'interfaccia OWOX BI. Il rapporto mostra il tasso di conversione (conversione assoluta), la probabilità e il valore di ogni passaggio che gli utenti compiono nel percorso verso un acquisto. Dai un'occhiata all'esempio qui sotto:

• Il tasso di conversione del passaggio è la percentuale di sessioni in cui è stato visualizzato il passaggio specificato. Ad esempio, il tasso di conversione del 34% nel passaggio 2 significa che il 34% del numero totale di visitatori del sito Web è passato a questo passaggio.
• La probabilità è la percentuale di sessioni in cui i visitatori sono passati al passaggio specificato rispetto a quello precedente. In questo esempio, il passaggio 4 ha una probabilità del 10%, il che significa che il 10% dei visitatori è passato al passaggio 4 dal passaggio 3.
• Il valore è calcolato come segue. In primo luogo, ogni passaggio ottiene un punteggio inversamente proporzionale alla probabilità. Quindi, il punteggio del passaggio viene diviso per la somma totale dei punteggi all'interno del funnel. Più è difficile per gli utenti andare avanti attraverso un determinato passaggio della canalizzazione, maggiore è il valore che ottiene.

L'OWOX BI Smart Data è stato utilizzato per semplificare il lavoro con tutti i dati ottenuti. Lo strumento consente di porre domande ai dati in inglese naturale, non sono necessarie query SQL. I modelli di domanda consentono di ottenere risposte in pochi secondi.

Completando i passaggi precedenti, l'azienda ha ottenuto un dashboard che mostra sia il valore reale di ciascun canale sia il modo in cui questo valore viene distribuito tra i passaggi della canalizzazione su diversi tipi di dispositivi.

Il grafico seguente mostra che lo stesso passaggio della canalizzazione può avere valori diversi su dispositivi diversi. Il passaggio più prezioso sui tablet è visitare il sito Web per la prima volta. La navigazione attraverso il passaggio 2 e il passaggio 3 è fondamentale per i dispositivi mobili. Per quanto riguarda le sessioni su computer desktop e le sessioni cross-device, il valore è distribuito in modo più uniforme.

In cosa si traduce? Ad esempio, è meno probabile che gli utenti di tablet facciano il primo passo, ovvero visitino il sito web. Ciò significa che gli annunci mirati ai dispositivi tablet dovrebbero essere incentrati sull'attrazione di nuovi visitatori del sito web.

I valori dei canali nei modelli Primo clic e Ultimo clic non diretto sono stati calcolati per identificare i canali sottovalutati e sopravvalutati, ridistribuire il budget pubblicitario in modo più efficiente e confrontarli con i risultati ottenuti nel modello di attribuzione basato sul funnel.

Né i modelli di attribuzione Primo clic né Ultimo clic non diretto possono fornire una visione accurata del rendimento della campagna poiché Google Analytics non contiene dati sulle polizze assicurative acquistate offline. Un utente può andare solo a metà della canalizzazione online, quindi accedere e acquistare il prodotto offline. Ecco perché i modelli sono stati implementati e visualizzati utilizzando rispettivamente Google BigQuery e Google Data Studio.

Creando una dashboard in Google Data Studio, l'azienda può facilmente monitorare e confrontare il rendimento della campagna per i due modelli di attribuzione più popolari: Primo clic, in cui gli sforzi sono concentrati sull'acquisizione, e Ultimo clic non diretto, in cui gli sforzi sono diretti da comprare. I KPI mensili sono riportati in un formato di facile lettura.

Ad esempio, la pagina del rapporto mostrata di seguito confronta la distribuzione delle entrate e del ritorno sulla spesa pubblicitaria su diversi canali. Confrontando la performance del canale nei due diversi modelli di attribuzione, si può notare che le cifre relative al ROAS e la quota delle entrate per il canale sono quasi identiche nei due modelli. Ciò significa che questi canali sono quasi ugualmente adatti sia per attirare utenti sia per spingerli a chiudere l'affare.

• Dopo aver automatizzato completamente la raccolta e l'elaborazione dei dati, grazie all'utilizzo di OWOX BI e dei prodotti Google, il team aziendale non deve importare manualmente i dati. Tutti i dati sono disponibili in un'unica interfaccia e gli specialisti di marketing possono accedere rapidamente a tutti i dati di cui hanno bisogno.
• Il modello di attribuzione basato su imbuto ha consentito una valutazione più obiettiva e affidabile dei canali di marketing.
• Il team ha calcolato il credito che i canali pubblicitari riceverebbero nei modelli di attribuzione Primo clic/Ultimo clic. Confrontando i risultati con il modello di attribuzione basato su imbuto, sono stati identificati i canali sottovalutati e sopravvalutati e il budget pubblicitario è stato riallocato in modo più efficiente.

Il grafico sopra confronta i valori dei canali ottenuti in diversi modelli di attribuzione. Il contributo del 5° canale è significativamente sottovalutato nel modello di attribuzione Last Non Direct. Secondo il modello di attribuzione basato sulla canalizzazione, ha un ritorno sulla spesa pubblicitaria superiore del 100% e influisce notevolmente sulla conversione finale. Gli altri canali sono principalmente sopravvalutati. Sulla base di questi risultati, l'azienda può riallocare il budget pubblicitario dalle campagne pubblicitarie sopravvalutate a quelle sottovalutate, rendendo così la pubblicità più efficiente senza spese aggiuntive.