Cum să măsurați succesul anunțurilor și să creșteți rentabilitatea cheltuielilor publicitare prin consolidarea datelor

Întrucât din ce în ce mai multe companii trec la operațiunile online și se scufundă într-o lume nouă, digitală, cu atât mai multe companii de marketing trebuie să proceseze. Utilizatorii de afaceri au nevoie constantă de informații de date de înaltă calitate pentru o performanță de succes și devine una dintre principalele provocări să îmbrățișeze noi formate și structuri de analiză.

În acest caz, descriem soluția oferită de echipa OWOX BI pentru un furnizor de asigurări directe de top care a avut dificultăți în evaluarea efectului pe care publicitatea îl are asupra achizițiilor.

Deoarece compania vinde asigurări prin internet, prin telefon și offline, clienții pot căuta produse printr-un canal și le pot cumpăra prin altul. De exemplu, un client poate vizita site-ul web al companiei, poate calcula acoperirea, poate completa o cerere online și apoi poate vizita un birou fizic pentru a face o achiziție. În astfel de cazuri, este dificil de evaluat efectul pe care publicitatea îl are asupra achizițiilor.

Principala provocare a fost de a optimiza cheltuielile publicitare și de a obține o rentabilitate mai bună a reclamei prin adoptarea unui sistem funcțional de evaluare a performanței publicității. Compania avea nevoie de o modalitate de a consolida datele despre costuri, venituri și interacțiunile utilizatorilor atât online, cât și offline.

Datele despre interacțiunile utilizatorilor cu site-ul web, costurile de publicitate și comenzile offline sunt colectate în diferite sisteme:

• Datele de pe site sunt colectate în Google Analytics;
• Datele despre polițele de asigurare achiziționate offline sunt stocate în sistemul CRM al companiei;
• Datele privind costurile non-AdWords nu sunt de obicei colectate în Google Analytics. Ca rezultat, rentabilitatea cheltuielilor publicitare, rentabilitatea investiției și cota de costuri de publicitate pentru fiecare serviciu publicitar sunt calculate separat.

Toate aceste date ar trebui comasate pentru a evalua cu exactitate contribuția publicității la achizițiile de asigurări.

Toate datele necesare au fost colectate în Google BigQuery folosind OWOX BI Pipeline și au implementat modelele de atribuire bazate pe pâlnie, Ultimul clic non-direct și Primul clic. Apoi, rapoartele au fost create pentru a compara datele de performanță ale campaniei obținute prin intermediul fiecărui model de atribuire.

Diagrama fluxului de colectare și consolidare a datelor este prezentată mai jos:

Să aruncăm o privire mai atentă la fiecare pas pe care compania a făcut-o pentru a evalua campaniile publicitare: ce date au combinat, în ce mod și ce rezultate au fost obținute.

Compania a ales stocarea în cloud Google BigQuery pentru a îmbina datele despre activitățile clienților la fața locului cu datele despre achizițiile de asigurări offline. Serviciul a fost ales pentru capacitățile sale de procesare a datelor: terabytes de date pot fi procesați în secunde, petabytes de date - în câteva minute. Acest lucru face din Google BigQuery un serviciu perfect pentru efectuarea de sarcini complexe de analiză și raportare. Un alt avantaj al utilizării Google BigQuery este securitatea ridicată, deoarece datele sunt criptate automat. Mai multe informații despre beneficiile utilizării Google BigQuery pot fi găsite pe site-ul web al serviciului.

Conducta OWOX BI a fost aleasă pentru colectarea datelor din următoarele motive:

• Datele sunt colectate în timp aproape real și devin disponibile în 5 minute.
• Nu există limită pentru numărul de parametri și valori din raportare. OWOX BI Pipeline permite crearea de rapoarte cu orice granularitate, folosind sintaxa asemănătoare SQL pentru a interoga datele brute. Numai în Google Analytics, există anumiți parametri și valori care nu pot fi combinate într-un singur raport. Există o limită a numărului de parametri și valori dintr-un raport: 2 parametri într-un raport standard, 5 parametri într-un raport personalizat și 7 parametri într-o solicitare Core v3. În plus, este imposibil să analizezi costurile de publicitate pentru fiecare utilizator în parte. Pentru mai multe informații despre limite și cote, consultați Ghidul dezvoltatorilor Google.
• Datele importate în Google BigQuery sunt neeșantionate, indiferent de volumul acestora.

Mai multe informații despre diferențele dintre Google BigQuery Export pentru Google Analytics 360 și OWOX BI Pipeline pot fi găsite în postarea noastră de blog.

Datele despre achizițiile de asigurări sunt încărcate din sistemul CRM în Google BigQuery folosind solicitări POST.

• Datele de cost pentru campaniile AdWords sunt colectate automat în Google Analytics datorită integrării native dintre Google Analytics și Google AdWords.
• Datele de cost pentru alte canale de marketing sunt importate în Google Analytics de către OWOX BI Pipeline.
• Datele pentru toate canalele sunt importate în Google BigQuery din Google Analytics. Acest lucru permite calcularea rentabilității cheltuielilor publicitare, a rentabilității investiției și a cotei costurilor de publicitate, în raport cu achizițiile, și nu numai cu aplicațiile online.

După consolidarea datelor în Google BigQuery, echipa de marketing a construit mai multe modele de atribuire pentru a măsura cât de eficiente sunt anunțurile în atragerea de noi clienți (modelul de atribuire Primul clic) și în stimularea achizițiilor (modelul de atribuire Ultimul clic non-direct).

Atribuirea pe bază de pâlnie de către OWOX BI a fost aleasă ca al treilea model de atribuire, cel mai obiectiv. În acest model, fiecare canal primește credit în funcție de contribuția sa la progresul unui client prin canalul de achiziție. Sesiunile sunt evaluate pe baza probabilității de progres al clientului la fiecare pas următor din canal. Cu cât probabilitatea este mai mare, cu atât se acordă mai puțin credit sesiunii care a ajutat un utilizator să treacă prin pas. Cu cât probabilitatea este mai mică, cu atât sesiunea primește mai mult credit. Rezultatele calculelor în cadrul modelului de atribuire bazat pe pâlnie sunt disponibile în Google BigQuery și interfața OWOX BI. Raportul arată rata de conversie (conversie absolută), probabilitatea și valoarea fiecărui pas pe care îl fac utilizatorii în drumul către o achiziție. Aruncă o privire la exemplul de mai jos:

• Rata de conversie a pasului este procentul de sesiuni în care a fost vizualizat pasul dat. De exemplu, rata de conversie de 34% din Pasul 2 înseamnă că 34% din numărul total de vizitatori ai site-ului au navigat la acest pas.
• Probabilitatea este procentul de sesiuni în care vizitatorii au navigat la pasul dat din cel anterior. În acest exemplu, Pasul 4 are o probabilitate de 10%, ceea ce înseamnă că 10% dintre vizitatori au navigat la Pasul 4 de la Pasul 3.
• Valoarea se calculează după cum urmează. În primul rând, fiecare pas primește un scor invers proporțional cu probabilitatea. Apoi, scorul pasului este împărțit la suma totală a scorurilor din pâlnie. Cu cât este mai dificil pentru utilizatori să treacă printr-o anumită etapă a pâlniei, cu atât este mai mare valoarea acesteia.

OWOX BI Smart Data a fost folosit pentru a eficientiza lucrul cu toate datele obținute. Instrumentul permite adresarea de întrebări la date în limba engleză naturală, nu este nevoie de interogări SQL. Șabloanele de întrebări fac posibilă obținerea de răspunsuri în câteva secunde.

Prin parcurgerea pașilor de mai sus, compania a obținut un tablou de bord care arată atât valoarea reală a fiecărui canal, cât și modul în care această valoare este distribuită pe pașii canalului pe diferite tipuri de dispozitive.

Graficul de mai jos arată că același pas de pâlnie poate avea valori diferite pe dispozitive diferite. Cel mai valoros pas pe tablete este vizitarea site-ului pentru prima dată. Navigarea prin Pasul 2 și Pasul 3 este cheia pentru dispozitivele mobile. În ceea ce privește sesiunile pe computere desktop și sesiunile pe mai multe dispozitive, valoarea este distribuită mai uniform.

În ce se traduce asta? De exemplu, utilizatorii de tablete sunt mai puțin probabil să facă primul pas, adică să viziteze site-ul web. Aceasta înseamnă că reclamele care vizează dispozitivele tablete ar trebui să se concentreze pe atragerea de noi vizitatori ai site-ului web.

Valorile canalului din modelele Primul clic și Ultimul clic non-direct au fost calculate pentru a identifica canalele subevaluate și supraestimate, pentru a redistribui mai eficient bugetul de publicitate și pentru a le compara cu rezultatele obținute în modelul de atribuire bazat pe pâlnie.

Nici modelele de atribuire Primul clic, nici Ultimul clic non-direct nu pot oferi o imagine exactă a performanței campaniei, deoarece Google Analytics nu conține date despre polițele de asigurare achiziționate offline. Un utilizator poate parcurge doar la jumătatea canalului online, apoi poate accesa și cumpăra produsul offline. De aceea, modelele au fost implementate și vizualizate folosind Google BigQuery și, respectiv, Google Data Studio.

Prin crearea unui tablou de bord în Google Data Studio, compania poate monitoriza și compara cu ușurință performanța campaniei pentru cele mai populare două modele de atribuire: First Click, în care eforturile sunt concentrate pe achiziție și Last Non-Direct Click, în care eforturile sunt direcționate. A cumpara. KPI-urile lunare sunt raportate într-un format ușor de citit.

De exemplu, pagina de raport afișată mai jos compară distribuția veniturilor și a rentabilității cheltuielilor publicitare pe diferite canale. Comparând performanța canalului în cele două modele diferite de atribuire, se poate observa că cifrele pentru rentabilitatea cheltuielilor publicitare și ponderea veniturilor pentru canal sunt aproape identice în cele două modele. Aceasta înseamnă că aceste canale sunt aproape la fel de potrivite atât pentru a atrage utilizatori, cât și pentru a-i împinge să încheie afacerea.

• După automatizarea completă a colectării și procesării datelor, datorită utilizării produselor OWOX BI și Google, echipa companiei nu trebuie să importe manual datele. Toate datele sunt disponibile într-o singură interfață, iar specialiștii în marketing pot accesa rapid orice date de care au nevoie.
• Modelul de atribuire bazat pe pâlnie a permis o evaluare mai obiectivă și mai fiabilă a canalelor de marketing.
• Echipa a calculat creditele pe care le vor primi canalele de publicitate în modelele de atribuire Primul clic/Ultimul clic. Prin compararea rezultatelor cu modelul de atribuire bazat pe pâlnie, au fost identificate canalele subevaluate și supraestimate, iar bugetul de publicitate a fost realocat mai eficient.

Graficul de mai sus compară valorile canalului obținute în diferite modele de atribuire. Contribuția celui de-al 5-lea canal este semnificativ subevaluată în ultimul model de atribuire non-directă. Conform modelului de atribuire bazat pe pâlnie, are un ROAS cu 100% mai mare și afectează considerabil conversia finală. Celelalte canale sunt în principal supraevaluate. Pe baza acestor constatări, compania poate realoca bugetul de publicitate de la campaniile de publicitate supraevaluate către cele subevaluate, făcând astfel publicitatea mai eficientă fără cheltuieli suplimentare.