Jak odkryć 2,4 razy więcej słów kluczowych wspomagających konwersje i zwiększyć ROI z reklam PPC o 17%

Wygranie konkurencji marketingowej jest dziś niemożliwe bez zastosowania analizy danych w celu poprawy wyników biznesowych. Nowe technologie umożliwiają firmom przekształcanie ich przepływu pracy, efektywne wykorzystywanie danych do podejmowania decyzji i szybsze osiąganie celów marketingowych.

W tym przypadku opisujemy rozwiązanie dostarczone przez zespół OWOX BI dla omnikanałowego sprzedawcy mebli i artykułów gospodarstwa domowego, którego klienci dokonują zakupów na stronie internetowej, w sklepach stacjonarnych i/lub telefonicznie poprzez call center. Miała wyzwania związane z poprawą zwrotu z inwestycji w reklamę online.

Ponieważ firma dążyła do poprawy zwrotu z inwestycji w reklamę online, jej strategia obejmowała następujące kroki:

1. Zbieraj pełne dane o działaniach offline i online każdego klienta na różnych urządzeniach.
2. Oceń przychody generowane przez każde słowo kluczowe, zamiast przypisywać cały udział ostatniemu słowu kluczowemu.
3. Zautomatyzuj zarządzanie stawkami i dostosowania do reklam PPC.

Proces obejmował: zebranie pełnych danych (działania użytkowników; zamówienia złożone online, offline i przez telefon; dane o skuteczności reklam), wdrożenie niestandardowego modelu atrybucji oraz automatyzację zarządzania stawkami w Alytics.

Firma musiała wiedzieć, jak skuteczne jest każde słowo kluczowe, aby zautomatyzować stawki. Wszystkie punkty kontaktu z klientami, w tym sesje online na różnych urządzeniach, rozmowy telefoniczne i zakupy w sklepach fizycznych, muszą zostać połączone, aby określić wartości słów kluczowych. W Google Analytics nie ma takiej opcji.

Modele atrybucji w Google Analytics nie mogą dokładnie oceniać kanałów reklamowych z powodu następujących niedociągnięć:

• Ignorowanie anulowanych zamówień.
• Pomijanie zakupów offline.
• Ignorowanie marż brutto zakupów.
• Pomijanie zamówień telefonicznych.
• Błędne śledzenie użytkowników odwiedzających na wielu urządzeniach jako wielu unikalnych użytkowników.
• Próbkowanie danych w raportach.

Nieprawidłowa ocena skuteczności słowa kluczowego utrudnia prawidłowe ustawienie stawek. W konsekwencji wysoka stawka byłaby stratą budżetu, a niska przyciągnęłaby mniej klientów.

Dane o zamówieniach telefonicznych i zamówieniach offline, a także dane o kosztach dla płatnych kampanii reklamowych innych niż Google są niedostępne w Google Analytics. Tak więc zbieranie danych i modelowanie atrybucji są konfigurowane w Google BigQuery.

Ta usługa została wybrana z następujących powodów:

• Szybkie przetwarzanie zapytań — do 20 sekund — przy dowolnej ilości danych.
• Interfejsy API umożliwiają łatwą integrację z innymi systemami.
• Możliwość łatwego przesyłania danych z plików lub Arkuszy Google.
• Ładowanie tylko do użytku.
• Brak konieczności utrzymywania baz danych.

Wartość kanałów i słów kluczowych została przeliczona w Google BigQuery do zarządzania stawkami, a następnie wyniki zostały zaimportowane do Alytics za pomocą RESTful API.

Teraz przyjrzyjmy się bliżej każdemu krokowi.

Dane o kosztach i skuteczności Google AdWords są automatycznie importowane do Google Analytics dzięki natywnej integracji i połączeniu kont.

Rurociąg OWOX BI służy do:

• Zbieranie danych dotyczących sesji, kosztów i przychodów z usług reklamowych do Google Analytics. Te dane pojawiają się w raporcie Analiza kosztów wraz z danymi z Google AdWords.
• Importowanie skonsolidowanych danych dotyczących sesji, kosztów i przychodów z Google Analytics do Google BigQuery.
• Importowanie danych o zachowaniach użytkowników z witryny do Google BigQuery w czasie zbliżonym do rzeczywistego.

Następujące dane są wysyłane do Google BigQuery za pomocą interfejsów API:

• Marże brutto produktów i wskaźniki realizacji zamówień z CRM i ERP.
• ClientID użytkowników, którzy wykonali połączenia telefoniczne, z systemu śledzenia połączeń CallTouch. Wykorzystywanych jest wiele numerów telefonów dostarczonych przez CallTouch: im więcej wizyt i im dłuższy średni czas trwania sesji, tym więcej numerów telefonów udostępnia CallTouch. System wyświetla jeden z numerów w każdej sesji na stronie i kojarzy numer z ClientID użytkownika. Następnie identyfikatory ClientID rozmówców są importowane z CallTouch do Google BigQuery.

Schemat zbierania danych przedstawiono poniżej:

Teraz wszystkie dane dotyczące zachowań użytkowników ze sklepów fizycznych, call center i strony internetowej są gromadzone w Google BigQuery. Dane sesji (sekwencje trafień, identyfikatory sesji i zaszyfrowane dane osobowe użytkowników) są przesyłane do Google BigQuery za pomocą OWOX BI Pipeline. Sesje są powiązane z użytkownikami według następujących parametrów:

• ClientID, unikalny identyfikator pary przeglądarka-urządzenie.
• UserID, unikalny identyfikator każdego użytkownika, który jest powiązany z adresem e-mail użytkownika.
• Numer karty lojalnościowej.

Hoff grupuje sesje za pomocą zapytań SQL. Rzućmy okiem na 3 przykłady łączenia danych.

Anna przegląda sofy na stronie internetowej za pomocą przeglądarki na swoim smartfonie. Po pewnym czasie ponownie odwiedza witrynę na tym samym urządzeniu, dokonuje wyboru, loguje się przez e-mail i dodaje sofę do koszyka. Ponieważ urządzenie i przeglądarka są takie same, te dwie sesje są pogrupowane według ClientID. Anna wraca do domu, otwiera laptopa, loguje się na swoje konto i kupuje wybraną przez siebie sofę. Teraz sesje na jej telefonie i laptopie można łączyć za pomocą UserID:

Nick odwiedza stronę internetową, szukając nowego stołu kuchennego na swoim komputerze roboczym. W przerwie na lunch zakłada konto w serwisie za pomocą smartfona i składa zamówienie.

Nick używał dwóch różnych urządzeń i autoryzował je tylko ze swojego smartfona. Te dwie sesje nie mogą być połączone za pomocą ClientID lub UserID. W rezultacie Google Analytics liczy je jako sesje dwóch różnych użytkowników.

Wracając do pracy, Nick pamięta, że ​​jego żona zawsze marzyła o stole wenge , a nie orzechowym , a także, że ma kartę lojalnościową. Wchodzi na stronę na swoim komputerze służbowym, loguje się, zmienia zamówienie i dokonuje zakupu za pomocą karty stałego klienta.

Teraz wszystkie sesje Nicka można ze sobą połączyć, kojarząc zakup na komputerze z:

• Szukanie tabeli (sesja 1) według ClientID, ponieważ obie sesje zostały zainicjowane w tej samej przeglądarce na tym samym komputerze.
• Założenie konta na telefonie (Sesja 2) — za pomocą UserID, ponieważ Nick logował się na swoje konto w obu sesjach.

W rezultacie dane związane z podróżą Nicka od pierwszej wizyty do zakupu są gromadzone w Google BigQuery.

Nick przegląda stronę internetową na swoim komputerze w pracy, szukając krzeseł pasujących do nowego stołu. Dzwoni pod numer telefonu wyświetlany na stronie i składa zamówienie. Następnie jedzie do sklepu i za pomocą karty lojalnościowej kupuje krzesła.

Dotychczasowe działania Nicka na stronie zostały połączone z działaniami w sklepie i na telefonie:

• Zamówienie telefoniczne i działania online — według ClientID, ponieważ Nick kupił wcześniej stół, a CallTouch wyświetlił numer telefonu w tej samej przeglądarce, na tym samym urządzeniu.
• Zakupy offline i działania online — według numeru karty lojalnościowej Nicka.

Teraz wystarczy danych, aby połączyć wszystkie interakcje Nicka. Tak to robią:

W rezultacie wszystkie identyfikatory klienta, adresy e-mail, karty lojalnościowe i zamówienia użytkowników zostały skonsolidowane, aby zobaczyć, które z wyszukiwanych haseł przynoszą przychody, a które wykorzystują stawki bez pomocy w zakupie.

Logika modelu atrybucji jest następująca: łączna wartość pierwszej i ostatniej sesji na ścieżce konwersji klienta jest równa wartości sesji pomiędzy nimi. Pierwsza sesja to pierwsza wizyta użytkownika na stronie i zapoznanie się z marką. Ostatnia sesja to moment, w którym użytkownik dokonuje zakupu. Łączenie danych z różnych urządzeń pomaga znaleźć połączenie między sesjami i ich kolejnością chronologiczną.

Wartość dla każdego kanału ustalana jest w 2 etapach:

1. Identyfikacja kanału, który zainicjował pierwszą sesję. Jeżeli użytkownik był wcześniej na stronie, kanał pozyskania jest kojarzony z kanałem z poprzedniej sesji. Na przykład, jeśli użytkownik odwiedzi witrynę, klikając reklamę graficzną Google, a wcześniej odwiedził tę witrynę za pomocą bezpłatnego wyszukiwania w Bing, model potraktuje Bing jako kanał, który zapoznał użytkownika z marką.
2. Przypisywanie wartości do sesji. Przychód z zakupu jest rozdzielany na sesje użytkownika zgodnie z następującymi zasadami:

• Pierwsza sesja otrzymuje 20% kredytu za sprzedaż.
• Ostatnia sesja otrzymuje 30% kredytu.
• Sesje pomiędzy nimi otrzymują pozostałe 50%. Sesje oceniane są według ilości godzin przed zakupem. Im więcej stron zostało wyświetlonych w ramach sesji i im mniej godzin minęło przed zakupem, tym większą wartość otrzymuje sesja.

Wartość słów kluczowych i kanałów jest codziennie automatycznie przeliczana. Wynik jest przechowywany w tabeli w Google BigQuery i Google Cloud Storage. Wyniki atrybucji są eksportowane z Google Cloud Storage do Alytics za pomocą interfejsu API RESTful.

Zasady zostały określone dla Alytics w celu określenia wielkości oferty. Im większy zwrot z inwestycji w wyszukiwaną frazę wspominającą o produkcie, tym wyższa stawka. Na przykład, jeśli ROI dla stołów wynosi mniej niż 15%, stawka za słowo kluczowe kup stoły wyniesie 1 USD. Jeśli ROI jest większy niż 75%, stawka wyniesie 4 USD. Wszystkie liczby zostały ustalone eksperymentalnie.

Dzięki połączeniu danych o zachowaniach klientów online i offline, określeniu wartości słów kluczowych i zautomatyzowaniu dostosowywania stawek firma jest teraz w stanie odpowiedzieć na takie pytania jak:

• Jak zmieni się ROI z reklamy internetowej w kontekście realizacji zamówienia?
• Jak reklama internetowa wpływa na zamówienia składane w call center?
• Które słowa kluczowe generują najbardziej opłacalne zamówienia?
• Które produkty zapewniają największy zwrot z inwestycji?
• Na jaki udział w sprzedaży offline wpłynęła reklama online?

Dzięki temu możliwe było:

• Zoptymalizuj stawki i zwiększ ROI z reklam PPC o 17%.
• Dokładniej mierz wpływ słów kluczowych na przychody i uzyskaj 2,4 razy więcej słów kluczowych wspomagających konwersje. Standardowe modele atrybucji po prostu je ignorowały.
• Odkryj, że niektóre z kluczowych fraz mają większy wpływ na zakupy offline niż na sprzedaż online.