Как обнаружить в 2,4 раза больше ключевых слов, способствующих конверсии, и повысить рентабельность инвестиций в контекстную рекламу на 17%

Победа в маркетинговом соревновании сегодня невозможна без применения анализа данных для повышения эффективности бизнеса. Новые технологии позволяют компаниям трансформировать свой рабочий процесс, эффективно использовать данные для принятия решений и быстрее достигать маркетинговых целей.

В данном случае мы описываем решение, предоставленное командой OWOX BI для омниканального ритейлера мебели и товаров для дома, покупатели которого совершают покупки на сайте, в обычных магазинах и/или по телефону через колл-центр. У компании были проблемы с повышением рентабельности инвестиций в онлайн-рекламу.

Поскольку компания стремилась повысить рентабельность инвестиций в онлайн-рекламу, ее стратегия включала следующие шаги:

1. Собирайте полные данные об офлайн- и онлайн-активностях каждого клиента на разных устройствах.
2. Оценивайте доход от каждого ключевого слова, вместо того чтобы приписывать все заслуги последнему ключевому слову.
3. Автоматизируйте управление ставками и корректировки для контекстной рекламы.

Процесс включал: сбор полных данных (действия пользователей, заказы, сделанные онлайн, офлайн и по телефону, данные об эффективности рекламы), внедрение пользовательской модели атрибуции и автоматизацию управления ставками в Alytics.

Компании нужно было знать, насколько эффективно каждое ключевое слово, чтобы автоматизировать ставки. Все точки соприкосновения с клиентом, включая онлайн-сеансы на разных устройствах, телефонные звонки и покупки в физических магазинах, должны быть сшиты вместе, чтобы определить значения ключевых слов. В Google Analytics такой опции нет.

Модели атрибуции в Google Analytics не могут точно оценить рекламные каналы из-за следующих недостатков:

• Игнорирование отмененных заказов.
• Отказ от офлайн-покупок.
• Игнорирование валовой прибыли от покупок.
• Отказ от заказов по телефону.
• Неправильное отслеживание пользователей, посещающих сайт с нескольких устройств, как нескольких уникальных пользователей.
• Выборка данных в отчетах.

Неправильная оценка эффективности ключевого слова затрудняет правильное назначение ставок. Следовательно, высокая ставка будет пустой тратой бюджета, а низкая приведет к меньшему количеству клиентов.

Данные о заказах по телефону и офлайн-заказах, а также данные о затратах на платные рекламные кампании, не связанные с Google, недоступны в Google Analytics. Итак, сбор данных и моделирование атрибуции настроены в Google BigQuery.

Этот сервис был выбран по следующим причинам:

• Высокая скорость обработки запросов — до 20 секунд — при любом объеме данных.
• API-интерфейсы обеспечивают простую интеграцию с другими системами.
• Возможность легко загружать данные из файлов или Google Sheets.
• Зарядка только для использования.
• Нет необходимости поддерживать базы данных.

Значение каналов и ключевых слов было рассчитано в Google BigQuery для управления ставками, а затем результаты были импортированы в Alytics с использованием RESTful API.

Теперь давайте подробнее рассмотрим каждый шаг.

Данные о затратах и ​​эффективности Google AdWords автоматически импортируются в Google Analytics благодаря встроенной интеграции и привязке учетных записей.

OWOX BI Pipeline используется для:

• Сбор данных о сеансах, затратах и ​​доходах из рекламных сервисов в Google Analytics. Эти данные отображаются в отчете «Анализ затрат» вместе с данными из Google AdWords.
• Импорт консолидированных данных о сеансах, затратах и ​​доходах из Google Analytics в Google BigQuery.
• Импорт данных о поведении пользователей с веб-сайта в Google BigQuery почти в реальном времени.

Следующие данные отправляются в Google BigQuery с помощью API:

• Валовая прибыль продуктов и скорость выполнения заказов из CRM и ERP.
• ClientID пользователей, совершивших телефонные звонки, из системы отслеживания звонков CallTouch. Используется несколько телефонных номеров, предоставленных CallTouch: чем больше посещений и чем дольше средняя продолжительность сеанса, тем больше телефонных номеров предоставляет CallTouch. Система отображает один из номеров в каждом сеансе на веб-сайте и связывает номер с ClientID пользователя. Затем идентификаторы ClientID вызывающих абонентов импортируются из CallTouch в Google BigQuery.

Схема сбора данных представлена ​​ниже:

Теперь все данные о поведении пользователей из физических магазинов, колл-центров и веб-сайта собираются в Google BigQuery. Данные сеанса (последовательности обращений, идентификаторы сеансов и зашифрованные личные данные пользователей) передаются в Google BigQuery с помощью OWOX BI Pipeline. Сессии связаны с пользователями по следующим параметрам:

• ClientID, уникальный идентификатор пары браузер-устройство.
• UserID, уникальный идентификатор каждого пользователя, привязанный к адресу электронной почты пользователя.
• Номер карты лояльности.

Hoff группирует сеансы с помощью SQL-запросов. Давайте рассмотрим 3 примера объединения данных.

Анна просматривает диваны на сайте с помощью браузера на своем смартфоне. Через некоторое время она снова заходит на сайт с того же устройства, делает выбор, регистрируется по электронной почте и добавляет диван в корзину. Поскольку устройство и браузер одинаковы, эти два сеанса группируются по ClientID. Анна приходит домой, открывает свой ноутбук, входит в свою учетную запись и покупает диван, который она выбрала. Теперь сеансы на ее телефоне и ноутбуке можно объединять по UserID:

Ник посещает веб-сайт в поисках нового кухонного стола на своем рабочем компьютере. Во время обеденного перерыва он создает учетную запись на сайте с помощью своего смартфона и размещает заказ.

Ник использовал два разных устройства и авторизовался только со своего смартфона. Эти два сеанса нельзя связать по ClientID или UserID. В результате Google Analytics считает их сеансами двух разных пользователей.

Вернувшись на работу, Ник вспоминает, что его жена всегда хотела стол из венге , а не из орехового дерева , а также что у него есть карта лояльности. Он заходит на сайт со своего рабочего компьютера, авторизуется, изменяет заказ и совершает покупку с помощью своей карты лояльности.

Теперь все сеансы Ника можно сшить вместе, связав покупку на компьютере с:

• Ищем таблицу (сеанс 1) по ClientID, так как оба сеанса были инициированы в одном браузере на одном компьютере.
• Создание учетной записи на телефоне (Сессия 2) — по UserID, так как Ник заходил в свою учетную запись в обеих сессиях.

В результате данные о пути Ника от первого визита до покупки собираются в Google BigQuery.

Ник просматривает веб-сайт на своем рабочем компьютере в поисках стульев, подходящих к новому столу. Он звонит по номеру телефона, указанному на сайте, и делает заказ. Затем он едет в магазин и покупает стулья, используя свою карту лояльности.

Предыдущие действия Ника на сайте были объединены с действиями в магазине и по телефону:

• Телефонный заказ и онлайн-активность — по ClientID, так как Ник купил стол ранее, а CallTouch отобразил номер телефона в том же браузере, на том же устройстве.
• Офлайн-покупки и онлайн-активности — по номеру карты лояльности Ника.

Теперь данных достаточно, чтобы связать воедино все взаимодействия Ника. Вот как они это делают:

В результате все идентификаторы клиентов, адреса электронной почты, карты лояльности и заказы пользователей были объединены, чтобы увидеть, какие из поисковых запросов приносят доход, а какие потребляют ставки, не помогая в покупке.

Логика модели атрибуции такова: общая ценность первой и последней сессии на пути конверсии клиента равна ценности промежуточных сессий. Первая сессия — это когда пользователь впервые заходит на сайт и знакомится с брендом. Последняя сессия — это когда пользователь совершает покупку. Объединение данных с разных устройств помогает найти связь между сеансами и их хронологическим порядком.

Значение для каждого канала определяется в 2 этапа:

1. Идентификация канала, который инициировал первый сеанс. Если пользователь был на сайте ранее, канал привлечения связан с каналом предыдущего сеанса. Например, если пользователь посещает веб-сайт, щелкнув медийное объявление Google, и уже посещал веб-сайт ранее с помощью обычного поиска в Bing, модель будет рассматривать Bing как канал, познакомивший пользователя с брендом.
2. Присвоение ценности сеансам. Доход от покупки распределяется по сеансам пользователей по следующим правилам:

• Первая сессия получает 20% кредита за продажу.
• Последняя сессия получает 30% кредита.
• Сеансы между ними получают оставшиеся 50%. Сеансы оцениваются по количеству часов до покупки. Чем больше страниц было просмотрено в рамках сеанса и чем меньше часов прошло до покупки, тем большую ценность получает сеанс.

Значение ключевых слов и каналов автоматически пересчитывается ежедневно. Результат сохраняется в виде таблицы в Google BigQuery и Google Cloud Storage. Результаты атрибуции экспортируются из Google Cloud Storage в Alytics с помощью RESTful API.

Правила были настроены для Alytics для определения размера ставки. Чем выше ROI поисковой фразы с упоминанием товара, тем выше ставка. Например, если ROI для столов меньше 15%, ставка по ключевому слову купить столы будет равна 1 доллару. Если ROI больше 75%, ставка будет равна $4. Все числа были определены экспериментально.

Благодаря объединению данных о поведении клиентов онлайн и офлайн, определению значений ключевых слов и автоматизации корректировки ставок компания теперь может отвечать на такие вопросы, как:

• Как изменится рентабельность инвестиций в онлайн-рекламу с учетом выполнения заказа?
• Как интернет-реклама влияет на заказы, размещенные в колл-центре?
• Какие ключевые слова приводят к наиболее прибыльным заказам?
• Какие продукты обеспечивают наибольшую рентабельность инвестиций?
• На какую долю офлайн-продаж повлияла интернет-реклама?

В результате удалось:

• Оптимизируйте ставки и увеличьте рентабельность инвестиций в контекстную рекламу на 17%.
• Более точно измеряйте влияние ключевых слов на доход и наблюдайте, как в 2,4 раза больше ключевых слов способствуют конверсиям. Стандартные модели атрибуции их просто игнорировали.
• Выясните, что некоторые ключевые фразы оказывают большее влияние на офлайн-покупки, чем на онлайн-продажи.