7 maneiras de avaliar e melhorar o marketing digital

Como você pode avaliar a eficácia e aumentar o retorno do investimento (ROI) de sua publicidade online? Como você pode saber quanta receita é gerada pelo tráfego de SEO, aplicativos móveis e anúncios de mídia? Essas perguntas são relevantes para muitos negócios on-line e omnichannel. Neste artigo, descrevemos soluções da OWOX BI que ajudaram nossos clientes a encontrar respostas para essas e outras perguntas e resolver seus problemas de negócios.

Descrevemos sucintamente como ajudamos nossos clientes a fazer esses sete casos reais abaixo. Se você estiver interessado em detalhes técnicos ou quiser experimentar algumas das coisas que mencionamos em seu próprio projeto, experimente o OWOX BI gratuitamente.

OWOX BI coleta dados de vários sistemas em um único repositório e cria relatórios que ajudam os clientes a melhorar sua inteligência de marketing. O objetivo é fazer isso de forma rápida, com alto nível de qualidade e com o máximo de automação para que as empresas possam ganhar mais dinheiro usando os dados que já possuem.

Segmentar usuários para melhor direcionar campanhas publicitárias é uma tarefa básica que pode e deve ser abordada nos estágios iniciais da implementação da análise de marketing.

Objetivo do cliente : Aumentar o ROI de campanhas publicitárias que visam reativar usuários que já visitaram o site. Em teoria, esses usuários não devem ser caros para comercializar porque já demonstraram interesse.

Desafio do cliente : Melhorar o direcionamento das campanhas publicitárias para carrinhos de compras abandonados e clientes inativos. São pessoas que realizaram um determinado conjunto de ações no site, mas não compraram nada. Ao mesmo tempo, nosso cliente acredita que pode comprar algo.

Nossa hipótese : se selecionarmos um segmento de visitantes do site que adicionaram um item ao carrinho nos últimos X dias e exibirmos publicidade, eles estarão mais propensos a comprar algo do que os visitantes de outros segmentos. Dessa forma, anunciando para este segmento podemos aumentar a receita mantendo o mesmo índice de custo/receita (CRR).

A segmentação de usuários é sempre necessária para testar hipóteses. Podemos presumir que segmentos de usuários selecionados se comportarão de uma forma ou de outra depois de ver um anúncio, mas não há 100% de garantia de que esse será o caso.

Nosso cliente definiu as condições segundo as quais os segmentos foram formados. Depois de formar segmentos de acordo com essas condições, transformamos nossa hipótese em uma tarefa técnica para nosso analista. Essa tarefa foi dividida em etapas.

Etapa 1 . Forme dois segmentos de usuários. O primeiro segmento consistiu em usuários que adicionaram um item ao carrinho nos últimos X dias, mas não compraram nada. O segundo segmento era composto por usuários que realizavam algum conjunto de ações no site (que eram definidas pelo cliente).

O Google Analytics mostra dados de clientes em resposta ao tráfego intenso. Portanto, para construir os segmentos, usamos dados brutos do site do nosso cliente transmitidos ao Google BigQuery usando o OWOX BI Pipeline. O BigQuery é um serviço de armazenamento em nuvem que permite não apenas coletar informações, mas também processá-las convenientemente usando SQL.

Nosso analista escreveu consultas SQL para formar os segmentos usando dados brutos do site. Esses segmentos contêm dados do ID do cliente do Google e do ID do cliente Yandex, que podem ser usados ​​nos serviços de publicidade do Google Ads e do Yandex.Direct.

Etapa 2 . Transfira automaticamente os segmentos para o Google Ads e Yandex.Direct para que os especialistas em publicidade possam usá-los na configuração de campanhas publicitárias.

OWOX BI tem um pipeline de dados automático que pega segmentos do Google BigQuery, calcula dados para eles diariamente e carrega esses dados para o Google Analytics. Segmentos do sistema de análise da web podem ser exportados nativamente para o Google Ads. Um segundo pipeline OWOX BI carrega esses segmentos no Yandex.Audience.

Etapa 3 . Os especialistas de nossos clientes estabeleceram regras nos serviços de publicidade que elevaram as tarifas para esses segmentos.

Esta solução tem várias características importantes. Por exemplo, para carregar um segmento no Yandex. Público-alvo, deve conter um mínimo de 1.000 linhas (para usar um ID de cliente Yandex exclusivo).

OWOX BI não coleta IDs de cliente Yandex por padrão. Yandex. A métrica deve ser instalada em um site para gerar IDs de clientes e, para que eles entrem no Google BigQuery, é necessário configurar sua transmissão por meio do OWOX BI.

Se você for um usuário do OWOX BI e quiser coletar IDs de cliente Yandex no Google BigQuery, escreva para nós. Compartilharemos instruções sobre como fazer isso com o Gerenciador de tags do Google. Se você não é usuário do OWOX BI, mas está interessado nessa possibilidade, experimente o OWOX BI gratuitamente e veja como ele pode ajudar a atingir seus objetivos.

Nosso cliente reconfigurou o público em suas campanhas, que já haviam trabalhado para retargeting, separou usuários que não se enquadravam nos segmentos certos e concentrou o orçamento em usuários em seus segmentos escolhidos.

Como resultado, com as mesmas campanhas e o mesmo investimento, o ROI aumentou de 100% para 150% (foram muitas campanhas, então o indicador é a média). De fato, os custos dessa decisão foram mínimos e a eficiência bastante tangível. Essas campanhas ainda estão funcionando hoje. Não recebemos nenhum feedback de nosso cliente de que esse aumento foi apenas temporário.

Quando começamos a trabalhar com um projeto, a primeira tarefa é calcular o ROI sobre os ganhos reais.

Por padrão, o Google Analytics só pode ver as vendas do site, mas isso não reflete realmente o dinheiro que entra nas contas de uma empresa.

Sabemos que alguns pedidos online não são concluídos ou são alterados durante a confirmação do pedido. Os usuários podem:

1. Simplesmente não conclui o pedido
2. Altere seu pedido por telefone, alterando assim o valor do pedido
3. Peça a entrega em uma loja física, mas não retire a compra

Como resultado, a empresa não recebe o valor que aparece no Google Analytics. Portanto, não é muito correto calcular a receita com base nos dados do Google Analytics. É necessário avaliar a eficácia da publicidade online levando em consideração os dados reais de vendas do seu CRM.

Objetivo do cliente : Aumentar o ROI das campanhas publicitárias a um CRR fixo sem aumentar os custos.

Desafio do cliente : Redistribuir o orçamento de publicidade com base nas vendas reais geradas pelas fontes de publicidade. Simplificando, você precisa mudar seu orçamento de canais que não geram ROI suficiente para canais mais eficientes.

Nossa hipótese : se você calcular o ROI com base nas compras (e, idealmente, até nas margens), poderá ajustar sua estratégia de marketing e investir nas fontes de tráfego que trazem mais receita. Assim, o ROI das campanhas publicitárias aumentará.

Nosso cliente já havia coletado dados sem amostragem no Google BigQuery usando o OWOX BI. Mas foi necessário complementar esses dados com dados de vendas do sistema interno da empresa. A tarefa foi implementada em cinco etapas.

Etapa 1 . Configure corretamente a transferência dos dados do pedido do site para o sistema CRM do cliente. Transferir o ID da transação e o ID do cliente do Google.

Um ID de transação é formado quando um pedido é feito no site e enviado ao Google Analytics e ao BigQuery junto com o ID do cliente correspondente. É importante transferir os dois IDs para o CRM em paralelo para que você possa vincular o usuário à transação e ao pagamento.

Etapa 2 . Configure a geração do User ID no CRM do cliente e envie o User ID para o Google BigQuery durante a finalização da compra.

Um ID de usuário é gerado pelo sistema CRM quando as informações sobre um novo cliente são gravadas nele. Por exemplo, digamos que alguém faça uma compra em uma loja e o caixa peça seu número de telefone e o insira no CRM. O sistema então atribui a este usuário um identificador único. No futuro, quando o usuário autorizar no site usando um telefone, o CRM os reconhecerá.

O Google Analytics tem um recurso de ID de usuário. Nossos desenvolvedores o configuraram para que, quando os clientes autorizarem ou fizerem um pedido no site do cliente, o ID do usuário seja enviado ao site no DataLayer. A partir daí, é transmitido ao Google Analytics e ao Google Big Query.

Graças a isso, você pode associar as ações dos usuários autorizados no site a informações detalhadas sobre eles. Por exemplo, seu CRM pode armazenar o nome, o número de telefone e o e-mail de uma pessoa. Com uma chave de ID de usuário intermediária, você pode combinar dados do site e CRM, bem como dados de pagamento para um pedido específico.

Etapa 3 . Configure o upload de dados de vendas reais do seu CRM para o Google BigQuery na estrutura com a qual deseja trabalhar. Para isso, formamos um trabalho técnico e o entregamos aos desenvolvedores do nosso cliente para implementação.

Etapa 4 . Combine todos os dados do BigQuery em uma única tabela. Nossos analistas escreveram uma consulta SQL que vincula informações de pedidos online a dados de CRM sobre pedidos concluídos e seus valores. As chaves para combinar esses dados foram ID da transação, ID do usuário e ID do cliente.

Etapa 5 . Crie um relatório no Google Data Studio que mostre o ROI das origens de tráfego, levando em consideração as mercadorias compradas nos pedidos. Calculamos o ROI com base nos custos marginais.

A configuração da transferência correta de dados do site para o CRM, bem como o download de dados do CRM para o Google BigQuery, exige o envolvimento de desenvolvedores do lado comercial, o que muitas vezes atrasa muito o processo.

Fornecemos ao nosso cliente um relatório de desempenho da fonte de tráfego com base em dados de vendas reais.

Este relatório é usado pelos principais gerentes para tomar decisões estratégicas, bem como por especialistas em publicidade contextual para gerenciar o orçamento de campanhas publicitárias específicas.

Veja um exemplo deste relatório:

Quer saber a eficácia dos seus anúncios com base em dados reais de vendas em seu CRM? Experimente o OWOX BI gratuitamente e veja como ele pode ajudar a atingir seus objetivos.

A terceira solução que nossos clientes encontram depois de construir os relatórios básicos descritos acima é a análise ROPO (pesquisa online, compra offline). Mostra o impacto do marketing digital nas vendas em lojas físicas. Isso é especialmente relevante para projetos de comércio eletrônico omnicanal.

As pessoas olham as mercadorias em um site e as conferem na loja por vários motivos, desde a desconfiança das compras pela internet até o desejo de tocar no produto.

Durante o planejamento do orçamento anual, um CMO deseja obter mais dinheiro para os canais online porque entende que algumas vendas atribuídas à publicidade online acontecem offline. Se a CMO puder medir esse efeito pelo menos parcialmente, será um bom argumento para aumentar o orçamento.

Objetivo do cliente : Comprovar a necessidade de aumentar o orçamento para marketing online e demonstrar o valor oculto dos investimentos em publicidade online.

Desafio do cliente : Analisar a eficácia da publicidade online, tendo em conta o seu consequente impacto nas vendas offline.

Nossa hipótese : Alguns usuários conhecem um produto no site, mas compram em uma loja física. Ou seja, as campanhas online continuam subvalorizadas. Se rastrearmos as visitas ao site e outras compras desses usuários em lojas físicas, podemos medir o verdadeiro valor da publicidade digital.

Para vincular a atividade de um usuário no site às suas compras subsequentes em lojas offline, fizemos basicamente a mesma coisa que fizemos para analisar o ROI com base nos pedidos concluídos (detalhado na seção anterior):

1. Configure o User ID no lado do CRM e envie-o para o Google BigQuery.
2. Configure o ID do cliente para que ele seja transmitido corretamente ao CRM e ao BigQuery.
3. Configure a transferência de dados dos campos Telefone do usuário e E-mail do usuário do site para o BigQuery e o CRM do cliente durante a finalização da compra.
4. Configure o upload de dados do CRM do cliente para o Google BigQuery. Ao contrário do caso anterior, este upload contém não apenas pedidos online, mas também pedidos de lojas de varejo.
5. Escreva uma consulta SQL que vincule dados de atividade no site às informações do CRM. As chaves para vincular dados a vendas offline são ID do usuário/Telefone do usuário/E-mail do usuário.
6. Crie um relatório no Google Data Studio para analisar o efeito ROPO.

O esquema para combinar dados é assim:

Você pode vincular usuários online a vendas offline somente se um usuário fizer uma compra no site ou estiver autorizado no site.

Como mostra a prática, a parcela de usuários autorizados é de cerca de 5% de todos os visitantes do site. Quanto mais usuários autorizados você tiver, mais representativos serão os dados em seus relatórios. Mas mesmo com 5% a 10%, é possível tirar algumas conclusões que podem levar a mudanças sérias na forma como você gerencia seu orçamento de marketing.

Outra dificuldade é acompanhar a qualidade dos dados quando você já configurou todas as integrações. Certifique-se de que os dados sejam transmitidos corretamente e que os identificadores correspondam para que futuras alterações no sistema de CRM não quebrem o que você configurou. Esta é uma questão de quão boa é a equipe de TI do seu cliente.

Após medir o efeito ROPO, o ROI das campanhas publicitárias de nossos clientes aumentou de 50% a 150% . Vale a pena notar que nesses casos o ROI sempre mostra crescimento porque é adicionada a receita que foi gerada por campanhas online, mas recebida offline.

Exemplo de como pode ser um relatório de ROPO:

Este relatório permite que um cliente analise dados nas seguintes categorias:

• Receita somente online
• Receita somente off-line
• Receita de ROPO
• Receita de origem/mídia/campanha somente on-line
• Receita de origem/mídia/campanha, incluindo vendas off-line subsequentes
• Receita online e ROPO por categoria e subcategoria de produto
• Receita online e ROPO por cidade
• Tempo desde a visita ao local até a compra do ROPO em dias
• Número de sessões no site antes da compra do ROPO
• E muitos outros

Quer saber como seus esforços online afetam as vendas offline? Experimente o OWOX BI gratuitamente e veja como ele pode ajudar a alcançar seus objetivos.

Esta é uma tarefa bastante complexa e atípica, embora interessante. A otimização de SEO tem um efeito retardado e muitas vezes é difícil avaliar a eficácia do trabalho realizado, por exemplo, nos últimos seis meses. Especialmente se for um site enorme.

Em geral, sabemos quantos usuários acessam a pesquisa do Google e podemos até excluir o tráfego da marca. Mas quantos usuários vêm justamente porque categorias e subcategorias foram otimizadas ou textos e títulos foram bem escritos?

Digamos que você gastou US$ 10.000 em SEO no último trimestre. Quanta receita você obteve em seis meses com esse dinheiro?

Objetivo do cliente : Avaliar a eficácia dos investimentos em SEO, levando em consideração não apenas pedidos online, mas pagamentos reais.

Desafio do cliente : Construir um relatório que mostre a eficácia do SEO por categoria de produto. Este relatório deve ser baseado em vendas reais.

Nossa hipótese : sabemos quais palavras-chave foram usadas e em quais páginas. Conhecemos a posição de abandono de SEO nessas chaves. Conhecemos as vendas dessas páginas que têm o tráfego de pesquisa como origem. Se vincularmos esses dados, obteremos vendas dessas palavras-chave que estão no TOP de abandono de SEO. Ou seja, podemos medir a eficácia dos investimentos em SEO.

Etapa 1 . Faça upload de todas as informações necessárias para o Google BigQuery:

• Dados brutos de comportamento do usuário coletados pelo OWOX BI no site
• Dados do Google Search Console e Yandex. Métricas das principais palavras-chave que direcionaram o tráfego para o site, bem como para as páginas de destino. Por que usamos o Search Console? Porque no serviço de medição de posição, vemos apenas tráfego hipotético que poderia vir dessas palavras-chave.
• Dados do serviço de medição de posição do site em um drop-out orgânico (por exemplo, Allpositions). Isso nos permite determinar quais posições as palavras-chave tiveram. Se as palavras-chave estiverem, digamos, abaixo do quinto lugar na desistência, podemos excluí-las da análise.
• Dados reais de vendas do sistema CRM

Etapa 2 . Com base nos URLs, crie clusters de consultas de palavras-chave na seção de páginas de destino. Analisamos não um URL, mas URLs para categorias inteiras de mercadorias. Por exemplo, para pequenos eletrodomésticos, podemos assistir liquidificadores e depois liquidificadores Braun.

Etapa 3 . Encontre as palavras-chave pelas quais o tráfego de SEO chegou ao site medindo as posições no abandono. Carregamos os resultados para o GBQ e classificamos as solicitações abaixo de uma determinada posição.

Etapa 4 . Usando uma consulta SQL, vincule os dados de atividade do usuário no site aos dados reais de vendas do CRM.

Etapa 5 . Realce sessões que levaram a transações com uma fonte de SEO (usando o modelo de atribuição de último clique não direto).

Etapa 6 . Destaque as páginas de destino dessas transações e associe-as às palavras-chave de SEO que trouxeram tráfego para essas páginas.

Etapa 7 . Crie um relatório que mostre como a otimização de SEO de determinadas páginas afeta o tráfego real e as compras nessas páginas.

O Google Search Console permite que você carregue até 5.000 linhas de dados. Assim, não podemos analisar todas as solicitações de palavras-chave que direcionam o tráfego para o site.

Por exemplo, podemos observar a eficácia das palavras-chave em um determinado cluster de páginas. Digamos que havia 100 palavras-chave, das quais 50 estavam no topo, e dessas 50 sabemos que 30 representam o tráfego que entrou no descarregamento do Search Console. Assumimos que também houve tráfego para outras solicitações, apenas o serviço não nos forneceu essa informação.

Não há como medir com 100% de precisão quais palavras-chave geraram tráfego para as páginas que analisamos. Portanto, no início da análise, aceitamos como dado que nossos resultados teriam certo grau de erro.

Fornecemos ao nosso cliente um relatório que permite analisar a eficácia das atividades de SEO por um determinado período. A análise de eficiência foi baseada em vendas reais, então foi possível contar o ROI do tráfego de SEO.

Quer construir um relatório que mostre a eficiência do tráfego de SEO? Experimente o OWOX BI gratuitamente e veja como ele pode ajudá-lo a alcançar seus objetivos.

Recentemente, esta tarefa tornou-se muito urgente. Provavelmente metade de todo o tráfego da internet e grande parte das vendas passam por dispositivos móveis. Muitos de nossos clientes usam aplicativos móveis em paralelo com aplicativos online e offline. Quando você compra tráfego de dispositivos móveis, deseja entender sua eficácia.

Objetivo do cliente : Avaliar a eficiência de atrair tráfego por meio de fontes pagas (Google Ads) para promover instalações e vendas de aplicativos para dispositivos móveis dentro do aplicativo.

Desafio do cliente : Construir um relatório que mostre a eficiência das fontes de tráfego em termos de ações de conversão de chaves (instalações, registros, transações, receitas).

Nossa hipótese : Ao vincular dados brutos da AppsFlyer (instalações, ações do usuário, fontes de tráfego, receita) com dados de custo do Google Ads, podemos construir um relatório que mostre o ROI das campanhas publicitárias em termos de ações de transação relevantes.

1. Usando o OWOX BI, faça upload de dados brutos sobre o comportamento do usuário no aplicativo da AppsFlyer para o BigQuery e faça upload de informações sobre fontes de instalação, transações subsequentes e receita do aplicativo para o GBQ.
2. Verifique o upload para ver se todos os dados necessários para o relatório correspondem aos dados do CRM (receita, número de conversões).
3. Configure um upload de despesas do Google Ads para o GBQ usando o método de transferência de dados.
4. Escreva uma consulta SQL que vincule dados da AppsFlyer e transferência de dados e execute os cálculos necessários.
5. Crie um relatório no Google Data Studio.

Os aplicativos móveis podem ter um efeito retardado. Por exemplo, alguém pode instalar um aplicativo, mas só se registrar um mês depois. Nosso cliente queria analisar a eficácia do tráfego comprado ao longo do tempo. Ou seja, se X unidades do aplicativo foram compradas do canal Y em março, quantas dessas unidades trouxeram ações de conversão em abril, maio, junho, etc? Para responder a essa pergunta, criamos uma reportagem especial.

Também foi um desafio fazer análises entre países, cidades e grupos de campanhas publicitárias para que nosso cliente pudesse, por exemplo, ver a eficácia das campanhas supervisionadas por um determinado gerente. Isso foi implementado usando filtros.

Conscientemente, não usamos dados de CRM no relatório porque havia pouco erro entre as vendas reais no sistema interno e os dados do aplicativo.

Nosso cliente recebeu um relatório atualizado automaticamente no Google Data Studio que responde às seguintes perguntas:

• Quantas configurações de aplicativo a origem de tráfego X trouxe no mês Y?
• Quantas conversões no aplicativo ocorreram no mês de instalação e nos meses seguintes? (por origem de tráfego)
• Qual é a eficácia dos grupos de campanhas em termos dos parâmetros acima?
• Quão eficazes são as campanhas publicitárias em todos os países?

Não podemos compartilhar um relatório de cliente que contenha dados confidenciais, mas aqui está um exemplo de relatório base (sem compensação mensal) que pode ser criado com a solução descrita:

Quer aprender sobre eficiência de tráfego de aplicativos móveis? Experimente o OWOX BI gratuitamente e veja como ele pode atender às suas necessidades.

Os relatórios do Google Analytics usam o modelo de atribuição Último clique não direto por padrão. Este modelo atribui todo o valor de uma transação à última fonte indireta na cadeia antes do pedido. Por conta disso, outras fontes que promoveram o usuário pelo funil são desvalorizadas.

Você pode usar a atribuição baseada em funil de ML do OWOX BI para aprender o valor real dos canais e distribuir seu orçamento com eficiência. Ele leva em consideração todos os pontos de contato e todas as ações do usuário ao percorrer o funil desde a primeira visita até a compra.

Objetivo do cliente: Aumentar o ROI de fontes de tráfego pago controlado em um índice CRR fixo.

Desafio do cliente: Construir um relatório que mostre as fontes de tráfego subvalorizadas e sua eficácia em termos monetários, levando em consideração os contatos de cada usuário com o site.

Nossa hipótese: o ROI pode ser aumentado sem aumentar a CRR se o orçamento de publicidade for efetivamente redistribuído. Para isso, o cálculo do ROI deve levar em consideração a contribuição de todas as campanhas e fontes que promoveram o usuário pelo funil, não apenas aquelas que fecharam negócios.

1. Colete dados brutos de comportamento do usuário no site e envie-os ao Google BigQuery usando o OWOX BI.
2. Configure a importação de dados de custo de serviços de publicidade para o Google Analytics e o Google BigQuery.
3. Configure o ID do cliente, o ID do usuário e o ID da transação para serem enviados corretamente ao BigQuery e ao CRM.
4. Faça upload de dados reais de vendas do CRM para o Google BigQuery na estrutura necessária.
5. Vincule dados de comportamento do usuário do site a pedidos concluídos com base nas chaves de ID do cliente, ID do usuário e ID da transação. Não são necessárias consultas SQL — tudo acontece dentro do modelo de atribuição OWOX BI. Simplesmente carregamos os dados no formato correto e os adicionamos ao cálculo do modelo.
6. Configure um modelo de atribuição e execute cálculos no OWOX BI. Nesta etapa, podemos especificar como etapas do funil os eventos que são importantes para um determinado negócio, incluindo aqueles que ocorrem offline (reuniões, chamadas, webinars, etc.). O funil pode variar dependendo do que uma empresa deseja medir e de como ela vê o caminho do usuário até uma compra.
7. Realize a análise inicial de dados usando relatórios padrão OWOX BI Smart Data para evitar o gasto de recursos na visualização de dados em sistemas de BI de terceiros. No Smart Data, você pode visualizar relatórios completos criados com base nos resultados dos cálculos do modelo de atribuição sem consultas SQL. Por exemplo, você pode ver o ROI de campanhas publicitárias e como ele difere do ROI mostrado pela última atribuição de clique não direto.

A transferência correta do ID do cliente e do ID da transação junto com o pedido para o seu CRM requer uma equipe de desenvolvimento do lado do cliente. O mesmo se aplica à configuração e transmissão do ID do usuário.

Para interpretar corretamente os resultados do cálculo de atribuição, é necessário envolver especialistas da equipe do cliente. Isso porque é difícil avaliar corretamente o comportamento de algumas fontes de tráfego sem conhecer o contexto e a lógica segundo a qual as campanhas publicitárias foram montadas.

Nosso cliente recebeu relatórios prontos que podem ser usados ​​para:

• Compare o ROI de origens de tráfego com pedidos concluídos para atribuição de último clique não direto e atribuição baseada em funil de ML
• Analise a eficácia das origens de tráfego em diferentes estágios do funil
• Transmita automaticamente os resultados do cálculo do modelo de atribuição para o Alytics, Google Ads e K50 para automatizar o gerenciamento de taxas (o OWOX BI se integra a esses serviços).

Veja um exemplo de relatório do OWOX BI Smart Data que mostra como o ROI das campanhas publicitárias difere entre os modelos de atribuição:

Por exemplo, nesta captura de tela, vemos que a fonte de ROI bing/organic é 20% maior do que no Google Analytics. Ou seja, a fonte realmente rendeu mais dinheiro, mas foi desvalorizada no Google Analytics porque estava no meio do funil.

Quer avaliar o impacto mútuo de suas campanhas publicitárias e sua contribuição para as vendas? Experimente o OWOX BI e veja como ele pode ajudar a alcançar seus objetivos.

Quando um usuário vê um anúncio em algum lugar, não clica em nada, mas depois de um tempo vai ao site e realiza uma determinada ação, chama-se conversão pós-visualização. Eles são difíceis de rastrear, pois não há conexão direta e transição para o anúncio.

Além disso, grandes players como Facebook, Google, YouTube e Yandex não estão muito interessados ​​em permitir que terceiros entrem em seus sistemas. Ou seja, eles não querem fornecer dados indicando que um determinado usuário viu um determinado anúncio.

Objetivo do cliente: Aumentar a eficiência dos investimentos em mídia publicitária (banners e vídeos).

Desafio do cliente: rastrear visualizações de criativos de mídia (sem clique) e visitas subsequentes ao site por usuários que viram um anúncio.

Nossa hipótese: podemos colocar um código de rastreamento (pixel) nos sites onde o cliente publica seus anúncios de mídia. Esse pixel atribuirá um cookie exclusivo a cada usuário que visualizar o anúncio. Depois de um tempo, esse usuário pode acessar o site do cliente. Em seguida, poderemos ler o cookie que atribuímos e usar esses dados para criar análises pós-visualização.

A equipe de BI da OWOX teve a tarefa de desenvolver um método de rastreamento que coletasse dados sobre visualizações de anúncios para que pudessem ser combinados com dados de comportamento do usuário do site do cliente. Basicamente, criamos um código que pode ser colocado nos sites em que o anúncio é executado.

Em seguida, precisávamos do Google BigQuery para combinar dados de visualização de anúncios com dados de comportamento do usuário do site de nosso cliente para que pudessem ser processados ​​usando SQL.

A tarefa foi implementada em várias etapas:

1. Coletar os requisitos de negócios do cliente.
2. Com base nesses requisitos de negócios, prepare a AT para a introdução de um pixel nos sites onde a publicidade de mídia será colocada.
3. Teste a qualidade da implementação de TA e a qualidade dos dados que entram no Google BigQuery durante as exibições de anúncios.
4. Lançar campanhas e monitorar a qualidade da transmissão de dados.
5. Vincule os dados coletados durante o período da campanha a dados de comportamento do usuário, bem como dados de CRM.
6. Crie um relatório que responda às perguntas de negócios do cliente.

• Nem todos os sites estavam interessados ​​em hospedar nosso pixel.
• Usamos nosso próprio ID de usuário OWOX como chave para mapeamento de dados.
• Monitoramos constantemente o rastreamento e o correto funcionamento do nosso script nas plataformas de propriedade do anunciante.
• Consideramos não apenas as vendas diretas dentro da janela de conversão, mas também o impacto da publicidade na atração de um novo público (um dos KPIs do cliente).

Nosso cliente recebeu um relatório que respondeu as seguintes perguntas:

• Qual é o ROI das campanhas com pedidos online?
• Qual é o ROI de campanhas para pedidos concluídos em até 10 dias após a visualização de um anúncio?
• Qual é o ROI da publicidade dado o impacto do ROPO?
• Quais sites se mostraram mais eficazes em termos de ROI/CR/novos usuários?
• Qual porcentagem de usuários que viram anúncios já estiveram no site?
• Quantos novos usuários foram trazidos ao site em X/Y/Z dias após a visualização de um anúncio?
• Quantos novos usuários compraram depois de ver um anúncio?
• Quais itens foram comprados por usuários que viram um anúncio?
• Quantos usuários inativos (que não entraram no site ou compraram no site por X dias) foram trazidos de volta por um anúncio?

Exemplo de um relatório de conversão pós-visualização:

Quer o mesmo relatório? Experimente o OWOX BI e veja como você pode usá-lo para superar seus desafios de análise de marketing.

• Os dados são o petróleo do século 21.
• Trabalhar com dados requer experimentação e teste de hipóteses.
• Você precisa estar preparado para que nem todos os experimentos sejam bem-sucedidos.
• O desejo do seu CMO por si só não é suficiente; você precisa de processos dentro da empresa para que os dados comecem a gerar dinheiro, e a equipe deve precisar deles.
• Transformar dados em dinheiro é a alquimia do século 21? Achamos que não :)