Como aumentar a receita gerada por e-mail em 237% e otimizar os gastos com anúncios

O processo de e-mail bem otimizado pode fornecer às empresas o maior ROI possível nesse canal de vendas. No entanto, é preciso ajustar as campanhas de email marketing para alcançá-lo: o conteúdo deve ser personalizado para o seu público. Caso contrário, há uma boa chance de seus esforços de e-mail estarem jogando dinheiro pelo ralo.

Neste caso, descrevemos a solução fornecida pela equipe OWOX BI para uma grande rede varejista de eletrodomésticos, eletroeletrônicos e eletrodomésticos, que possui mais de 600 lojas em mais de 200 cidades. A empresa teve desafios para descobrir como melhorar sua taxa de conversão e otimizar os custos de publicidade aplicando e-mails acionados.

Em um ambiente de negócios altamente competitivo, o principal objetivo é conquistar novos clientes, aumentar o LTV e otimizar o orçamento de publicidade. Os analistas de negócios queriam analisar a eficiência de seus canais de aquisição de clientes considerando o ganho resultante de cada uma das campanhas publicitárias. Os modelos de atribuição padrão não eram apropriados para essa tarefa, pois ignoram os seguintes fatores:

1. Os visitantes de sites de comparação de preços procuram comprar produtos pelo menor preço. Isso significa que, ao considerar sua próxima compra, os clientes podem querer escolher novamente pelo preço e, em vez de visitar a loja online da empresa, podem revisitar um site de comparação de preços. Ao avaliar essa fonte de tráfego, deve-se considerar o LTV do cliente em 180 dias e o custo total de aquisição e retenção, pois a empresa pode gastar dinheiro cada vez que traz clientes de volta por meio de sites de comparação de preços.
2. Os clientes que compraram um produto mais barato com margem baixa podem retornar ao site mais tarde para comprar produtos mais caros. Assim, embora a margem do produto mais barato possa não cobrir o custo de aquisição, eventualmente (mais de 180 dias) tais campanhas publicitárias compensam melhor.

Diante do exposto, a equipe de analistas desenvolveu seu próprio modelo de atribuição baseado em LTV que considera custos de publicidade e margem das compras em um período de 180 dias. Além disso, as formas de transformar potenciais compradores, que tinham interesse em um determinado produto ou categoria de produtos, em clientes fiéis estavam sendo testadas. Alguns dos visitantes navegaram no site, mas não compraram nenhum produto. Alguns dos visitantes iniciaram o checkout, mas não concluíram o processo (carrinhos abandonados). Foi decidido configurar e-mails acionados para trazer esses visitantes de volta ao site e motivá-los a fazer uma compra:

1. Lembretes dos carrinhos abandonados, para usuários que iniciaram mas não finalizaram o checkout.
2. As recomendações são baseadas nos produtos visualizados, para usuários que navegaram em determinados tipos de páginas (páginas de catálogo ou páginas de produtos).

O conteúdo dos emails acionados deve ser personalizado para atender as necessidades atuais de cada cliente. Não deve haver atrasos na coleta de dados sobre as ações dos visitantes do site para garantir isso.

Os dados necessários para atingir esses objetivos foram armazenados em diferentes sistemas – Google Analytics e vários serviços de publicidade. Era necessário não apenas mesclar os dados, mas também garantir acesso rápido a eles e processamento de dados quase em tempo real.

A empresa teve que resolver as seguintes tarefas para atingir os objetivos:

• Colete dados de várias fontes em um único sistema e estrutura ideal.
• Obtenha todos os dados necessários para o modelo de atribuição e assegure-se de que os dados possam ser atualizados historicamente.

Optou-se por verificar as hipóteses em um prazo de 180 dias.

Os dados foram obtidos dos seguintes sistemas:

1. Google Analytics: os dados do site estão disponíveis no Google Analytics por meio de um contêiner do Google Tag Manager.
2. Fontes de publicidade: Google AdWords, Criteo.

Como armazenamento de dados único, decidiu-se usar o Google BigQuery:

1. Esse armazenamento em nuvem permite a coleta e o processamento rápido de grandes quantidades de dados.
2. Fornece um grande conjunto de soluções e ferramentas prontas para integração com sistemas CRM e ERP.
3. Os dados estão protegidos com segurança.

As seguintes ferramentas e recursos foram usados ​​para coletar todos os dados no Google BigQuery:

1. Exportação do Google BigQuery para Google Analytics 360 — para receber dados do Google Analytics no Google BigQuery, incluindo 13 meses de dados históricos.
2. OWOX BI Pipeline — a empresa recebe dados de hits quase em tempo real do site no Google BigQuery junto com os dados sobre custos, cliques e impressões de fontes de publicidade, que estão disponíveis no Google Analytics e depois no Google BigQuery.

Como resultado, todos os dados necessários são coletados no Google BigQuery e enviados para os sistemas de análise internos da empresa.

Os dados obtidos no Google BigQuery através do padrão Export for Google Analytics 360 e via OWOX BI Pipeline, foram organizados em um cubo de dados. Tal cubo, criado em uma estrutura ótima, permite uma redução significativa do custo de processamento de dados.

O fluxograma abaixo mostra como os dados necessários são coletados e mesclados:

Os analistas de BI da OWOX desenvolveram duas visualizações usando consultas SQL para configurar emails acionados. As consultas agregam dados sobre ações do usuário no site, obtidos via OWOX BI Pipeline, e dados obtidos via Google BigQuery Export, em uma estrutura ideal para a tarefa.

A eficiência dos e-mails foi medida com testes A/B. E-mails acionados para o primeiro grupo de usuários foram enviados no dia seguinte após a visita ao site. O outro grupo recebeu e-mails acionados em pouco menos de uma hora, pois os e-mails foram enviados usando os dados das tabelas do Google BigQuery e do cubo de dados. Em ambos os casos, os e-mails foram enviados pelo mesmo serviço.

Ao contrário do Google Analytics, o valor do campo userID em tabelas dinâmicas no Google BigQuery pode ser atualizado retroativamente substituindo as tabelas. Uma vez que um usuário é autenticado no site em qualquer dispositivo (uma vez que o valor de userID é conhecido), as sessões anteriores do mesmo usuário também adquirem o valor de userID, caso este valor não tenha sido especificado ou definido anteriormente. Devido às atualizações retroativas do campo userID, foram obtidos dados de usuário mais precisos e e-mails acionados personalizados foram enviados para um número maior de visitantes.

A equipe desenvolveu seu próprio modelo de atribuição com os seguintes recursos:

• Distribuir os custos de aquisição de visitantes sobre visitas apenas de fontes de tráfego pago.
• Avaliando a margem total por usuário para 30, 60, 90 e 180 dias.
• Considerando apenas dados de compradores de primeira viagem nos cálculos. Em uma compra repetida, o valor do pedido é atribuído ao canal que trouxe o usuário ao site pela primeira vez.

Esse modelo de atribuição foi possível devido a atualizações retroativas de dados no Google BigQuery, incluindo atualizações no campo UserID e nos dados sobre custos de aquisição de visitantes.

Como resultado da coleta de dados em armazenamento de dados único, configuração de novos e-mails acionados e atualizações de dados históricos, esses objetivos foram alcançados:

1. Melhore os KPIs de e-mail acionados.

As notificações por e-mail sobre produtos abandonados são enviadas em uma hora para a maioria dos usuários que adicionaram produtos ao carrinho de compras, mas não concluíram a compra. Os dados dos emails acionados são coletados automaticamente, duas vezes por hora.

A eficiência do novo método de correspondência foi confirmada por testes A/B:

• O número de visitas ao website através de emails entregues aumentou 76%.
• A taxa de conversão para compras de usuários que visitaram o site por meio de e-mails entregues aumentou 12%.
• O número de compras após a otimização de e-mail de carrinho abandonado aumentou 85%.
• A quota do volume de negócios no grupo-alvo aumentou 237%.

2. Otimize o orçamento de publicidade e reduza a parcela do custo de publicidade

Os gráficos abaixo mostram dados sobre o LTV dos clientes por sessão (FM — margem, COST — custos) de acordo com o modelo de atribuição da própria empresa que considera o valor da vida útil dos clientes que visitaram diferentes grupos de produtos por meio de canais de tráfego pagos. Esse valor aumenta com o tempo — um fato ignorado pelo modelo de atribuição Last-Click. A aposta máxima para cada campanha está limitada à margem obtida pela empresa durante 180 dias, excluindo os custos de retenção de clientes.

Como pode ser visto com o modelo de atribuição baseado em CLTV durante o período de 180 dias, inicialmente os usuários vinham pelos canais CPC, depois retornavam e faziam compras repetidas pelos canais gratuitos. O valor desses canais de CPC acabou sendo várias vezes maior do que de acordo com o modelo de atribuição de último clique. O volume e a frequência de compras repetidas, bem como a receita da empresa, eram diferentes para cada categoria de produto, campanha publicitária e fonte.