Como medir o sucesso do anúncio e aumentar o ROAS consolidando dados

Como mais e mais empresas transitam para operações on-line e mergulham em um novo mundo digital, mais os profissionais de marketing de dados precisam processar. Os usuários de negócios precisam constantemente de insights de dados de alta qualidade para um desempenho bem-sucedido e se torna um dos principais desafios adotar novos formatos e estruturas de análise.

Neste caso, descrevemos a solução fornecida pela equipe OWOX BI para um provedor líder de seguros diretos que teve desafios para avaliar o efeito da publicidade nas compras.

Como a empresa vende seguros pela Internet, pelo telefone e offline, os clientes podem pesquisar produtos por um canal e comprá-los por outro. Por exemplo, um cliente pode visitar o site da empresa, calcular a cobertura, preencher um formulário online e depois visitar um escritório físico para fazer uma compra. Nesses casos, é difícil avaliar o efeito da publicidade nas compras.

O principal desafio foi otimizar os gastos com publicidade e obter um melhor retorno da publicidade adotando um sistema de avaliação de desempenho de publicidade funcional. A empresa precisava de uma maneira de consolidar dados sobre custos, receita e interações do usuário online e offline.

Dados sobre interações do usuário com o site, custos de publicidade e pedidos offline são coletados em diferentes sistemas:

• Os dados do site são coletados no Google Analytics;
• Os dados das apólices de seguros adquiridas offline são armazenados no sistema de CRM da empresa;
• Os dados de custo que não são do Google AdWords normalmente não são coletados no Google Analytics. Como resultado, o ROAS, o ROI e a participação nos custos de publicidade para cada serviço de anúncio são calculados separadamente.

Todos esses dados devem ser mesclados para avaliar com precisão a contribuição da publicidade para as compras de seguros.

Todos os dados necessários foram coletados no Google BigQuery usando o OWOX BI Pipeline e implementados os modelos de atribuição baseados em funil, Último clique não direto e Primeiro clique. Em seguida, foram criados os relatórios para comparar os dados de desempenho da campanha obtidos por meio de cada modelo de atribuição.

O fluxograma de coleta e consolidação de dados é apresentado a seguir:

Vamos dar uma olhada em cada passo que a empresa deu para avaliar as campanhas publicitárias: quais dados eles combinaram, de que maneira e quais resultados foram alcançados.

A empresa escolheu o armazenamento em nuvem do Google BigQuery para mesclar dados sobre as atividades no local dos clientes com dados sobre compras de seguros off-line. O serviço foi escolhido por seus recursos de processamento de dados: terabytes de dados podem ser processados ​​em segundos, petabytes de dados — em alguns minutos. Isso torna o Google BigQuery um serviço perfeito para executar tarefas complexas de análise e geração de relatórios. Outro benefício de usar o Google BigQuery é a alta segurança, pois os dados são criptografados automaticamente. Mais informações sobre os benefícios de usar o Google BigQuery podem ser encontradas no site do serviço.

O OWOX BI Pipeline foi escolhido para coleta de dados pelos seguintes motivos:

• Os dados são coletados quase em tempo real e ficam disponíveis em 5 minutos.
• Não há limite para o número de dimensões e métricas nos relatórios. OWOX BI Pipeline permite a criação de relatórios de qualquer granularidade, usando sintaxe semelhante a SQL para consultar dados brutos. Somente no Google Analytics, existem determinadas dimensões e métricas que não podem ser combinadas em um relatório. Há um limite para o número de dimensões e métricas em um relatório: 2 dimensões em um relatório padrão, 5 dimensões em um relatório personalizado e 7 dimensões em uma solicitação Core v3. Além disso, é impossível analisar os custos de publicidade para cada usuário individual. Para obter mais informações sobre limites e cotas, consulte o Guia do desenvolvedor do Google.
• Os dados importados para o Google BigQuery não têm amostragem, independentemente do volume.

Mais informações sobre as diferenças entre o Google BigQuery Export for Google Analytics 360 e o OWOX BI Pipeline podem ser encontradas em nossa postagem no blog.

Os dados sobre compras de seguros são enviados do sistema CRM para o Google BigQuery usando solicitações POST.

• Os dados de custo das campanhas do AdWords são coletados automaticamente no Google Analytics devido à integração nativa entre o Google Analytics e o Google AdWords.
• Os dados de custo para outros canais de marketing são importados para o Google Analytics pelo OWOX BI Pipeline.
• Os dados de todos os canais são importados para o Google BigQuery do Google Analytics. Isso permite calcular ROAS, ROI e compartilhamento de custos de publicidade, em relação às compras, e não apenas aos aplicativos online.

Depois de consolidar os dados no Google BigQuery, a equipe de marketing criou vários modelos de atribuição para medir a eficácia dos anúncios na atração de novos clientes (o modelo de atribuição de primeiro clique) e na geração de compras (o modelo de atribuição de último clique não direto).

A atribuição baseada em funil do OWOX BI foi escolhida como o terceiro modelo de atribuição mais objetivo. Nesse modelo, cada canal recebe crédito dependendo de sua contribuição para a progressão de um cliente no funil de compra. As sessões são avaliadas com base na probabilidade de progressão do cliente para cada próxima etapa do funil. Quanto maior a probabilidade, menos crédito é dado à sessão que ajudou o usuário a passar pela etapa. Quanto menor a probabilidade, mais crédito a sessão recebe. Os resultados dos cálculos no modelo de atribuição baseado em funil estão disponíveis no Google BigQuery e na interface OWOX BI. O relatório mostra a taxa de conversão (conversão absoluta), a probabilidade e o valor de cada etapa que os usuários realizam no caminho para uma compra. Dê uma olhada no exemplo abaixo:

• A taxa de conversão da etapa é a porcentagem de sessões em que a etapa foi visualizada. Por exemplo, a taxa de conversão de 34% na Etapa 2 significa que 34% do número total de visitantes do site navegaram para esta etapa.
• A probabilidade é a porcentagem de sessões em que os visitantes navegaram para uma determinada etapa em relação à anterior. Neste exemplo, a Etapa 4 tem uma probabilidade de 10%, o que significa que 10% dos visitantes navegaram para a Etapa 4 a partir da Etapa 3.
• O valor é calculado da seguinte forma. Primeiro, cada passo recebe uma pontuação na proporção inversa da probabilidade. Em seguida, a pontuação da etapa é dividida pela soma total das pontuações dentro do funil. Quanto mais difícil for para os usuários passarem por uma determinada etapa do funil, maior será o valor.

O OWOX BI Smart Data foi utilizado para agilizar o trabalho com todos os dados obtidos. A ferramenta permite fazer perguntas aos dados em inglês natural, não há necessidade de consultas SQL. Os modelos de perguntas permitem obter respostas em questão de segundos.

Ao concluir as etapas acima, a empresa obteve um painel que mostra o valor real de cada canal e a forma como esse valor é distribuído pelas etapas do funil em diferentes tipos de dispositivos.

O gráfico abaixo mostra que a mesma etapa do funil pode ter valores diferentes em dispositivos diferentes. O passo mais valioso em tablets é visitar o site pela primeira vez. Navegar pela Etapa 2 e Etapa 3 é fundamental para dispositivos móveis. Quanto às sessões em computadores desktop e sessões entre dispositivos, o valor é distribuído de forma mais uniforme.

O que isso se traduz? Por exemplo, os usuários de tablets são menos propensos a dar o primeiro passo, ou seja, visitar o site. Isso significa que os anúncios direcionados a tablets devem se concentrar em atrair novos visitantes para o site.

Os valores de canal nos modelos Primeiro Clique e Último Clique Não Direto foram calculados para identificar canais subvalorizados e superestimados, redistribuir o orçamento de publicidade de forma mais eficiente e compará-los com os resultados obtidos no modelo de atribuição baseado em funil.

Nem os modelos de atribuição Primeiro clique nem Último clique não direto podem fornecer uma visão precisa do desempenho da campanha, pois o Google Analytics não contém dados sobre apólices de seguro compradas off-line. Um usuário só pode percorrer metade do funil online e, em seguida, acessar e comprar o produto offline. É por isso que os modelos foram implementados e visualizados usando Google BigQuery e Google Data Studio, respectivamente.

Ao criar um painel no Google Data Studio, a empresa pode monitorar e comparar facilmente o desempenho da campanha para os dois modelos de atribuição mais populares: Primeiro clique, no qual os esforços são focados na aquisição, e Último clique não direto, no qual os esforços são direcionados comprar. Os KPIs mensais são relatados em um formato fácil de ler.

Por exemplo, a página do relatório mostrada abaixo compara a distribuição de receita e ROAS em diferentes canais. Ao comparar o desempenho do canal nos dois modelos de atribuição diferentes, pode-se ver que os números de ROAS e participação da receita do canal são quase idênticos nos dois modelos. Isso significa que esses canais são quase igualmente adequados para atrair usuários e forçá-los a fechar o negócio.

• Depois de automatizar totalmente a coleta e o processamento de dados, devido ao uso dos produtos OWOX BI e Google, a equipe da empresa não precisa importar os dados manualmente. Todos os dados estão disponíveis em uma interface, e os especialistas em marketing podem acessar rapidamente qualquer dado de que precisem.
• O modelo de atribuição baseado em funil permitiu uma avaliação mais objetiva e confiável dos canais de marketing.
• A equipe calculou os créditos que os canais de publicidade receberiam nos modelos de atribuição de primeiro clique/último clique. Ao comparar os resultados com o modelo de atribuição baseado em funil, os canais subvalorizados e superestimados foram identificados e o orçamento de publicidade foi realocado de forma mais eficiente.

O gráfico acima compara os valores dos canais obtidos em diferentes modelos de atribuição. A contribuição do 5º canal encontra-se significativamente subvalorizada no modelo de última atribuição não direta. De acordo com o modelo de atribuição baseado em funil, ele tem um ROAS 100% maior e afeta consideravelmente a conversão final. Os outros canais são principalmente sobrevalorizados. Com base nestas constatações, a empresa pode realocar a verba publicitária das campanhas publicitárias sobrevalorizadas para as subvalorizadas, tornando a publicidade mais eficiente sem despesas adicionais.