Como aumentar o ROI de publicidade contextual em 2,2x para um varejista corporativo

Uma pergunta familiar a todas as empresas é como cortar gastos com publicidade contextual e manter as vendas. Se você compra tráfego para seu site em um sistema de publicidade como Google Ads ou Facebook, grande parte de seus gastos vai para cliques de usuários que acabam não colocando itens no carrinho. E mesmo que o façam, nem sempre concluem a compra. Então, o que pode ser feito para otimizar as campanhas publicitárias?

Neste caso, descrevemos a solução fornecida pela equipe OWOX BI para o varejista de eletrônicos e eletrodomésticos que testou o OWOX BI para calcular a probabilidade de conversões.

Entre as principais tarefas de marketing de desempenho para um varejista corporativo estão aumentar as métricas de eficiência e reduzir os contatos com usuários que não estão interessados ​​em comprar no momento. As soluções orientadas por dados são os instrumentos mais promissores para otimizar campanhas publicitárias. O modelo de atribuição OWOX BI usa tecnologias de aprendizado de máquina para calcular a probabilidade de compra de cada usuário do site a partir da primeira visita. Usando essas probabilidades de compra, as empresas podem determinar se vale a pena gastar em publicidade para um usuário. Além disso, o modelo OWOX BI pode calcular a probabilidade de um usuário realizar qualquer ação.

Além disso, uma das tarefas obrigatórias de um especialista em SEM em publicidade contextual é segmentar os visitantes do site em vários grupos, dependendo das ações que realizam no site e do tempo decorrido desde o último acionamento. Por exemplo, o número de dias desde a adição de um item ao carrinho sem uma compra. A análise manual desses públicos e o ajuste dos cálculos de lances ocupam uma grande parte do processo de trabalho.

Resumindo, o objetivo era aumentar o ROI de campanhas de anúncios contextuais e economizar receita de pedidos concluídos.

A solução de aprendizado de máquina OWOX BI foi aplicada para otimizar campanhas publicitárias, sendo treinado em:

• dados históricos sobre o comportamento dos usuários do site
• Dados de CRM sobre pedidos resgatados
• dados agregados e anônimos de dezenas de milhares de projetos de clientes OWOX

O que o OWOX BI forneceu:

• Para cada usuário do site, a probabilidade de compra é calculada contabilizando os pedidos resgatados.
• Os cálculos de probabilidade são atualizados após cada ação do usuário ou período de inatividade. Por exemplo, se um usuário visita um site e realiza uma série de ações, ele recebe X% de probabilidade de fazer uma compra. Se eles não visitarem o site por quatro dias depois, essa probabilidade diminui.
• 10 segmentos de usuários divididos de acordo com a probabilidade de compra em uma escala de 10 pontos.

Para avaliar a precisão da previsão e o desempenho de cada segmento, a equipe analisou quantos pedidos cada segmento concluiu.

Na parte superior da tabela está o segmento com a maior probabilidade de conversão e na parte inferior está o segmento com a menor.

1. Dados coletados sobre o comportamento do usuário no site no Google BigQuery com OWOX BI. (Também é possível usar o Google Analytics 360.)

2. Os analistas da OWOX treinaram o modelo de atribuição e iniciaram cálculos regulares de probabilidade de conversão para os visitantes do site. Cada visitante recebeu uma probabilidade de conversão. O algoritmo é responsável por mais de 60 parâmetros, incluindo:

• número de sessões em hits na janela de conversão
• ações no site dentro de uma sessão
• pausas entre as sessões
• número total de ações
• dispositivo de sessão e sistema operacional
• origens de tráfego que o usuário teve em uma janela de conversão
• número de ações em cada página em uma sessão
• tempo de uma sessão específica e tempo total de sessões dentro de uma janela de conversão

3. A equipe de BI da OWOX reuniu todos esses dados em uma tabela no Google BigQuery para avaliar a probabilidade de compra de cada usuário.

4. Os dados de audiência foram transferidos para o serviço de publicidade usando um OWOX BI Pipeline.

5. As audiências foram adicionadas ao serviço de publicidade.

O teste A/B primário foi realizado com uma divisão igual de tráfego entre os grupos examinados para campanhas publicitárias:

• criado manualmente.
• com base em um feed de dados do produto com a ajuda de um serviço de automação.

Após a experiência bem-sucedida, foi iniciado o segundo teste em campanhas com anúncios dinâmicos. Reunidos os dados de acordo com sua eficiência entre as campanhas publicitárias, foram calculados e ajustados os lances para audiências:

• Diminua os lances para públicos com baixa probabilidade de compra (às vezes até 90%).
• Aumente os lances para públicos-alvo com alta probabilidade de compra.

O tamanho dos ajustes de lance foi calculado com base nos dados coletados sobre o coeficiente de conversão de cada público e ROI desejado. O ROI atual de cada campanha e audiência também foi levado em consideração. Para cada público, o OWOX BI calculou um preço adequado por clique. Com base nesses cálculos, ajustou o preço atual para atingir o KPI desejado. Os ajustes mudaram consistentemente com base nos resultados.

Durante dois meses, os analistas da OWOX trabalharam com a equipe do cliente para realizar dois testes. A primeira durou um mês e meio e incluiu cinco campanhas publicitárias com baixo volume de tráfego. Cada uma dessas campanhas foi subdividida em duas campanhas para testes A/B: uma usando públicos OWOX BI e outra sem eles.

As campanhas usando públicos OWOX apresentaram resultados 1,7 vezes melhores em termos de ROI e receita para pedidos concluídos. Para um varejista, esse foi um passo na direção de uma maior eficiência nos investimentos em publicidade.

Após o primeiro experimento, a equipe OWOX BI realizou um teste de três semanas com base em campanhas com grandes volumes de tráfego de acordo com o mesmo princípio — um número igual de campanhas usando públicos OWOX BI e sem públicos OWOX BI.

O resultado do segundo teste foi ROI 2,2 vezes maior e receita 2,7 vezes maior para pedidos concluídos em campanhas com públicos OWOX BI.

Em ambos os casos, o grupo de teste trouxe mais receita com o mesmo orçamento que o grupo de controle ou trouxe a mesma receita com um orçamento menor. Usando o OWOX BI para prever as conversões, nosso cliente economizou tempo na criação de segmentos de público, todos os dados dos usuários do site foram processados ​​​​automaticamente e os dados resultantes foram preparados para upload em um serviço de publicidade onde poderiam ser usados ​​em campanhas publicitárias para ajustar lances e executar redirecionamento.

Esses resultados de teste foram considerados um começo bem-sucedido para um maior dimensionamento de outros canais de desempenho e brandformance. Como os experimentos com cálculos de probabilidade de conversão provaram sua eficiência, o próximo passo foi dimensionar a solução – usá-la em todas as campanhas de busca, executar retargeting definindo lances diferentes dependendo das conversões em um segmento e aplicá-la em outros serviços de publicidade, como o Facebook , MyTarget e Google Ads.