Jak zwiększyć przychody z e-maili o 237% i zoptymalizować wydatki na reklamy

Dobrze zoptymalizowany proces e-mail może zapewnić firmom najwyższy możliwy zwrot z inwestycji w tym kanale sprzedaży. Aby to osiągnąć, musisz jednak dostosować kampanie e-mail marketingowe: treść powinna być spersonalizowana pod kątem Twoich odbiorców. W przeciwnym razie istnieje duża szansa, że ​​Twoje wysiłki związane z e-mailami wyrzucają pieniądze w błoto.

W tym przypadku opisujemy rozwiązanie dostarczone przez zespół OWOX BI dla dużej sieci sklepów AGD, RTV i AGD, która liczy ponad 600 sklepów w ponad 200 miastach. Firma miała wyzwanie, aby dowiedzieć się, jak poprawić współczynnik konwersji i zoptymalizować koszty reklamy poprzez zastosowanie wyzwalanych wiadomości e-mail.

W wysoce konkurencyjnym środowisku biznesowym głównym celem jest pozyskanie nowych klientów, zwiększenie LTV oraz optymalizacja budżetu reklamowego. Analitycy biznesowi chcieli przeanalizować skuteczność swoich kanałów pozyskiwania klientów, biorąc pod uwagę zysk z każdej z kampanii reklamowych. Standardowe modele atrybucji nie były odpowiednie do tego zadania, ponieważ ignorują następujące czynniki:

1. Odwiedzający porównywarki cenowe chcą kupić produkty po najniższej cenie. Oznacza to, że rozważając kolejny zakup, klienci mogą chcieć ponownie wybrać cenę i zamiast odwiedzać firmowy sklep internetowy, mogą wrócić do porównywarki cen. Oceniając to źródło ruchu, należy wziąć pod uwagę LTV klienta w ciągu 180 dni oraz całkowity koszt pozyskania i utrzymania, ponieważ firma może wydawać pieniądze za każdym razem, gdy sprowadza klientów z powrotem przez porównywarki cen.
2. Klienci, którzy kupili tańszy produkt z niską marżą, mogą później wrócić do serwisu, aby kupić droższe produkty. Tak więc, chociaż marża tańszego produktu może nie pokryć kosztu akwizycji, ostatecznie (ponad 180 dni) takie kampanie reklamowe lepiej się opłacają.

W związku z powyższym zespół analityków opracował własny model atrybucji oparty na LTV, który uwzględnia koszty reklamy i marżę z zakupów w okresie 180 dni. Ponadto testowano sposoby na przekształcenie potencjalnych nabywców, zainteresowanych określonym produktem lub kategorią produktów, w lojalnych klientów. Niektórzy odwiedzający przeglądali witrynę, ale nie kupili żadnych produktów. Niektórzy z odwiedzających rozpoczęli kasę, ale nie dokończyli procesu (porzucone wózki). Postanowiono skonfigurować wyzwalane e-maile, aby sprowadzić takich odwiedzających z powrotem na stronę i zmotywować ich do dokonania zakupu:

1. Przypomnienia o porzuconych koszykach dla użytkowników, którzy rozpoczęli, ale nie zakończyli kasy.
2. Rekomendacje oparte są na przeglądanych produktach dla użytkowników, którzy przeglądali określone typy stron (strony katalogowe lub strony produktowe).

Treść wyzwalanych e-maili powinna być spersonalizowana, aby odpowiadała aktualnym potrzebom każdego klienta. Aby to zapewnić, nie powinno być opóźnień w zbieraniu danych o działaniach odwiedzających witrynę.

Dane potrzebne do realizacji tych celów były przechowywane w różnych systemach — Google Analytics i szeregu usług reklamowych. Konieczne było nie tylko scalanie danych, ale także zapewnienie do nich szybkiego dostępu i przetwarzania danych w czasie zbliżonym do rzeczywistego.

Aby osiągnąć cele, firma musiała rozwiązać następujące zadania:

• Zbieraj dane z wielu źródeł w jednym systemie i optymalnej strukturze.
• Uzyskaj wszystkie dane wymagane w modelu atrybucji i upewnij się, że dane mogą być aktualizowane historycznie.

Postanowiono sprawdzić hipotezy w ciągu 180 dni.

Dane zostały pozyskane z następujących systemów:

1. Google Analytics: dane ze strony są dostępne w Google Analytics za pośrednictwem kontenera Google Tag Manager.
2. Źródła reklamy: Google AdWords, Criteo.

Jako pojedynczy magazyn danych zdecydowano się na użycie Google BigQuery:

1. To przechowywanie w chmurze pozwala na zbieranie i szybkie przetwarzanie ogromnych ilości danych.
2. Dostarcza duży zestaw gotowych rozwiązań i narzędzi do integracji z systemami CRM i ERP.
3. Dane są bezpiecznie chronione.

Do zbierania wszystkich danych w Google BigQuery użyto następujących narzędzi i funkcji:

1. Google BigQuery Export dla Google Analytics 360 — aby otrzymywać dane z Google Analytics w Google BigQuery, w tym dane historyczne z 13 miesięcy.
2. OWOX BI Pipeline — firma otrzymuje niemal w czasie rzeczywistym dane o trafieniach ze strony internetowej w Google BigQuery wraz z danymi o kosztach, kliknięciach i wyświetleniach ze źródeł reklamowych, które są dostępne w Google Analytics, a następnie w Google BigQuery.

Dzięki temu wszystkie niezbędne dane są gromadzone w Google BigQuery, a następnie przesyłane do wewnętrznych systemów analitycznych firmy.

Dane uzyskane w Google BigQuery za pomocą standardowego Export for Google Analytics 360 oraz przez OWOX BI Pipeline zostały zorganizowane w kostkę danych. Taka kostka, stworzona w optymalnej strukturze, pozwala na znaczne obniżenie kosztów przetwarzania danych.

Poniższy schemat blokowy pokazuje, w jaki sposób zbierane i łączone są niezbędne dane:

Analitycy OWOX BI opracowali dwa widoki, używając zapytań SQL do konfiguracji wyzwalanych wiadomości e-mail. Zapytania agregują dane o działaniach użytkowników na stronie, uzyskane za pośrednictwem OWOX BI Pipeline oraz dane z Google BigQuery Export, w optymalną dla zadania strukturę.

Skuteczność e-maili została zmierzona za pomocą testów A/B. Wyzwolone e-maile do pierwszej grupy użytkowników zostały wysłane następnego dnia po odwiedzeniu strony. Druga grupa otrzymała wyzwalane e-maile w niecałą godzinę, ponieważ e-maile zostały wysłane przy użyciu danych z tabel w Google BigQuery i kostce danych. W obu przypadkach e-maile zostały wysłane za pośrednictwem tej samej usługi.

W przeciwieństwie do Google Analytics wartość pola identyfikatora użytkownika w tabelach przestawnych w Google BigQuery można aktualizować z mocą wsteczną, zastępując tabele. Gdy użytkownik zostanie uwierzytelniony w witrynie na dowolnym urządzeniu (po poznaniu wartości userID), poprzednie sesje tego samego użytkownika również uzyskują wartość userID, jeśli ta wartość nie została wcześniej określona lub zdefiniowana. Dzięki retroaktywnym aktualizacjom pola UserID uzyskano dokładniejsze dane użytkownika, a spersonalizowane wyzwalane wiadomości e-mail zostały wysłane do większej liczby odwiedzających.

Zespół opracował własny model atrybucji z następującymi funkcjami:

• Rozkład kosztów pozyskania odwiedzających na wizyty wyłącznie z płatnych źródeł ruchu.
• Ocenianie całkowitej marży na użytkownika przez 30, 60, 90 i 180 dni.
• Uwzględnienie w obliczeniach tylko danych od kupujących po raz pierwszy. Przy powtórnym zakupie wartość zamówienia jest przypisywana do kanału, który po raz pierwszy doprowadził użytkownika do serwisu.

Ten model atrybucji był możliwy dzięki wstecznej aktualizacji danych w Google BigQuery, w tym aktualizacji pola UserID i danych o kosztach pozyskania użytkowników.

W wyniku gromadzenia danych w jednym magazynie danych, tworzenia nowych wyzwalanych wiadomości e-mail i aktualizacji danych historycznych osiągnięto następujące cele:

1. Popraw wskaźniki KPI wyzwalanych wiadomości e-mail.

Powiadomienia e-mail o porzuconych produktach są wysyłane w ciągu godziny do większości użytkowników, którzy dodali produkty do koszyka, ale nie dokonali zakupu. Dane dotyczące wywołanych wiadomości e-mail są zbierane automatycznie, dwa razy na godzinę.

Skuteczność nowej metody mailingu potwierdziły testy A/B:

• Liczba wizyt na stronie za pośrednictwem dostarczonych e-maili wzrosła o 76%.
• Współczynnik konwersji zakupów od użytkowników, którzy odwiedzili witrynę za pośrednictwem dostarczonych wiadomości e-mail, wzrósł o 12%.
• Liczba zakupów po optymalizacji e-maili z porzuconym koszykiem wzrosła o 85%.
• Udział obrotów w grupie docelowej wzrósł o 237%.

2. Zoptymalizuj budżet reklamowy i zmniejsz udział kosztów reklamy

Poniższe wykresy przedstawiają dane o LTV klientów na sesję (FM — marża, COST — koszty) zgodnie z własnym modelem atrybucji przedsiębiorstwa, który uwzględnia długotrwałą wartość klientów, którzy odwiedzili różne grupy produktów za pośrednictwem płatnych kanałów ruchu. Ta wartość rośnie z czasem – fakt, który jest ignorowany przez model atrybucji Last-Click. Maksymalny zakład dla każdej kampanii jest ograniczony do marży uzyskanej przez firmę przez 180 dni, z wyłączeniem kosztów utrzymania klienta.

Jak widać w modelu atrybucji opartym na CLTV, w okresie 180 dni użytkownicy najpierw przechodzili przez kanały CPC, a następnie wracali i dokonywali powtórnych zakupów przez kanały bezpłatne. Wartość takich kanałów CPC okazała się kilkukrotnie wyższa niż według modelu atrybucji Last-Click. Wielkość i częstotliwość powtarzających się zakupów, a także przychody firmy były różne dla każdej kategorii produktu, kampanii reklamowej i źródła.