Como descobrir 2,4 vezes mais palavras-chave auxiliando nas conversões e aumentar o ROI de publicidade PPC em 17%

Ganhar a concorrência de marketing hoje é impossível sem aplicar a análise de dados para melhorar o desempenho dos negócios. As novas tecnologias permitem que as empresas transformem seu fluxo de trabalho, aproveitem efetivamente os dados para tomar decisões e alcancem as metas de marketing mais rapidamente.

Neste caso, descrevemos a solução fornecida pela equipe OWOX BI para um varejista omnicanal de móveis e utensílios domésticos que os clientes realizam compras no site, em lojas físicas e/ou por telefone através de um call center. Ela teve desafios para melhorar seu ROI de publicidade online.

Como a empresa buscava melhorar seu ROI de publicidade online, sua estratégia envolveu as seguintes etapas:

1. Colete dados completos sobre as atividades offline e online de cada cliente, em todos os dispositivos.
2. Avalie a receita gerada por cada palavra-chave, em vez de atribuir todo o crédito à última palavra-chave.
3. Automatize o gerenciamento de lances e ajustes para publicidade PPC.

O processo envolveu: coletar dados completos (ações do usuário; pedidos feitos online, offline e por telefone; dados de desempenho de publicidade), implementar um modelo de atribuição personalizado e automatizar o gerenciamento de lances no Alytics.

A empresa precisava saber o desempenho de cada palavra-chave para automatizar os lances. Todos os pontos de contato com o cliente, incluindo sessões on-line em dispositivos, telefonemas e compras em lojas físicas, precisam ser agrupados para determinar os valores das palavras-chave. No Google Analytics, não existe essa opção.

Os modelos de atribuição no Google Analytics não podem avaliar os canais de publicidade com precisão devido às seguintes deficiências:

• Ignorando pedidos cancelados.
• Omitindo compras offline.
• Ignorando as margens brutas das compras.
• Omitindo pedidos por telefone.
• Desacompanhamento de usuários que visitam em vários dispositivos, como vários usuários únicos.
• Dados de amostragem em relatórios.

A avaliação incorreta do desempenho da palavra-chave dificulta a definição de lances corretamente. Consequentemente, um lance alto seria um desperdício de orçamento e um lance baixo atrairia menos clientes.

Dados sobre pedidos por telefone e pedidos off-line, bem como dados de custo para campanhas de publicidade pagas que não são do Google, não estão disponíveis no Google Analytics. Assim, a coleta de dados e a modelagem de atribuição são configuradas no Google BigQuery.

Este serviço foi escolhido pelos seguintes motivos:

• Processamento de consultas de alta velocidade — até 20 segundos — em qualquer quantidade de dados.
• As APIs permitem integrações fáceis com outros sistemas.
• Possibilidade de carregar facilmente dados de arquivos ou Planilhas Google.
• Carregamento apenas para uso.
• Não há necessidade de manter bancos de dados.

O valor dos canais e palavras-chave foram calculados no Google BigQuery para gerenciar os lances e, em seguida, os resultados foram importados para o Analytics usando a API RESTful.

Agora, vamos dar uma olhada em cada passo.

Os dados de custo e desempenho do Google AdWords são importados automaticamente para o Google Analytics graças à integração nativa e vinculação de contas.

OWOX BI Pipeline é usado para:

• Coleta de dados de desempenho de sessão, custo e receita de serviços de publicidade para o Google Analytics. Esses dados aparecem no relatório de análise de custos, juntamente com os dados do Google AdWords.
• Importação de dados consolidados de sessão, custo e desempenho de receita do Google Analytics para o Google BigQuery.
• Importação de dados de comportamento do usuário do site para o Google BigQuery, quase em tempo real.

Os dados a seguir são enviados ao Google BigQuery usando APIs:

• Margens brutas dos produtos e taxas de conclusão de pedidos de CRM e ERP.
• ClientIDs de usuários que fizeram chamadas telefônicas, do sistema de rastreamento de chamadas CallTouch. Os vários números de telefone fornecidos pelo CallTouch são usados: quanto mais visitas e quanto maior a duração média da sessão, mais números de telefone o CallTouch fornece. O sistema exibe um dos números em cada sessão no site e associa o número ao ClientID do usuário. Em seguida, os ClientIDs dos chamadores são importados do CallTouch para o Google BigQuery.

O fluxograma de coleta de dados é apresentado a seguir:

Agora, todos os dados de comportamento do usuário de lojas físicas, call centers e site são coletados no Google BigQuery. Os dados da sessão (sequências de hits, IDs de sessão e dados pessoais criptografados dos usuários) são transferidos para o Google BigQuery usando o OWOX BI Pipeline. As sessões são associadas aos usuários pelos seguintes parâmetros:

• ClientID, o identificador exclusivo do par navegador-dispositivo.
• UserID, o identificador exclusivo de cada usuário, vinculado ao endereço de e-mail do usuário.
• Número do cartão fidelidade.

Hoff agrupa sessões usando consultas SQL. Vamos dar uma olhada em 3 exemplos de como os dados são combinados.

Anna navega pelos sofás no site usando um aplicativo de navegador em seu smartphone. Depois de algum tempo, ela visita o site novamente no mesmo dispositivo, faz sua escolha, faz login por e-mail e adiciona o sofá ao carrinho. Como o dispositivo e o navegador são os mesmos, essas duas sessões são agrupadas por ClientID. Anna chega em casa, abre seu laptop, acessa sua conta e compra o sofá que escolheu. Agora as sessões em seu telefone e laptop podem ser combinadas por UserID:

Nick visita o site enquanto procura uma nova mesa de cozinha em seu computador de trabalho. Na hora do almoço, ele cria uma conta no site usando seu smartphone e faz um pedido.

Nick usou dois dispositivos diferentes e autorizou apenas de seu smartphone. Essas duas sessões não podem ser vinculadas por ClientID ou UserID. Como resultado, o Google Analytics as conta como sessões de dois usuários diferentes.

De volta ao trabalho, Nick lembra que sua esposa sempre quis uma mesa de wengue , não de nogueira , e também que ele tem um cartão fidelidade. Ele entra no site pelo computador do trabalho, faz login, altera o pedido e faz uma compra com o cartão fidelidade.

Agora, todas as sessões de Nick podem ser unidas associando a compra em um computador a:

• Procurando uma tabela (Sessão 1), pelo ClientID, pois ambas as sessões foram iniciadas no mesmo navegador no mesmo computador.
• Criando uma conta no telefone (Sessão 2) — pelo UserID, pois Nick fez login em sua conta em ambas as sessões.

Como resultado, os dados relacionados à jornada de Nick desde a primeira visita até a compra são coletados no Google BigQuery.

Nick navega no site em seu computador de trabalho, procurando cadeiras para combinar com a nova mesa. Ele liga para o número de telefone exibido no site e faz um pedido. Então ele dirige até a loja e compra as cadeiras usando seu cartão fidelidade.

As ações anteriores de Nick no site foram mescladas com ações na loja e no telefone:

• Pedido por telefone e atividades online — por ClientID, já que Nick comprou a mesa antes e CallTouch exibiu o número de telefone no mesmo navegador, no mesmo dispositivo.
• Compra off-line e atividades on-line — pelo número do cartão de fidelidade de Nick.

Agora são dados suficientes para vincular todas as interações de Nick. É assim que eles fazem isso:

Como resultado, todos os ClientIDs, endereços de e-mail, cartões de fidelidade e pedidos do usuário foram consolidados para ver quais das consultas de pesquisa geram receita e quais consomem lances sem auxiliar em uma compra.

A lógica do modelo de atribuição é a seguinte: o valor total da primeira e da última sessão no caminho de conversão de um cliente é igual ao valor das sessões intermediárias. A primeira sessão é quando um usuário visita o site pela primeira vez e conhece a marca. A última sessão é quando o usuário faz uma compra. A combinação de dados em diferentes dispositivos ajuda a encontrar uma conexão entre as sessões e sua ordem cronológica.

O valor para cada canal é determinado em 2 etapas:

1. Identificando o canal que iniciou a primeira sessão. Se um usuário já esteve no site antes, o canal de aquisição é associado ao canal da sessão anterior. Por exemplo, se um usuário visita o site clicando em um anúncio gráfico do Google e já visitou o site antes por meio de uma pesquisa orgânica no Bing, o modelo tratará o Bing como o canal que apresentou a marca ao usuário.
2. Atribuindo valor às sessões. A receita de uma compra é distribuída às sessões do usuário de acordo com as seguintes regras:

• A primeira sessão recebe 20% do crédito pela venda.
• A última sessão recebe 30% do crédito.
• As sessões entre elas recebem os 50% restantes. As sessões são avaliadas pelo número de horas antes da compra. Quanto mais páginas foram visualizadas dentro da sessão e quanto menos horas se passaram antes da compra, mais valor a sessão recebe.

O valor das palavras-chave e dos canais é recalculado automaticamente diariamente. O resultado é armazenado em uma tabela no Google BigQuery e no Google Cloud Storage. Os resultados da atribuição são exportados do Google Cloud Storage para o Alytics usando a API RESTful.

As regras foram configuradas para o Google Analytics para determinar o tamanho do lance. Quanto maior o ROI da frase de pesquisa que menciona o produto, maior o lance. Por exemplo, se o ROI para tabelas for inferior a 15%, o lance para uma palavra-chave de compra de tabelas será igual a US$ 1. Se o ROI for superior a 75%, o lance será igual a US$ 4. Todos os números foram determinados experimentalmente.

Graças à fusão de dados sobre o comportamento do cliente online e offline, determinação de valores de palavras-chave e automatização de ajustes de lance, a empresa agora pode responder a perguntas como:

• Como o ROI da publicidade online mudaria considerando o atendimento do pedido?
• Como a publicidade online afeta os pedidos feitos em um call center?
• Quais palavras-chave geram os pedidos mais lucrativos?
• Quais produtos oferecem o maior ROI?
• Que parcela das vendas offline foi influenciada pela publicidade online?

Como resultado, foi possível:

• Otimize lances e aumente o ROI de publicidade PPC em 17%.
• Avalie o impacto das palavras-chave na receita com mais precisão e veja 2,4 vezes mais palavras-chave auxiliando nas conversões. Os modelos de atribuição padrão simplesmente os ignoraram.
• Descubra que algumas das frases-chave têm um impacto maior nas compras offline do que nas vendas online.