Как увеличить ROI контекстной рекламы в 2,2 раза корпоративному ритейлеру

Вопрос, знакомый каждому бизнесу, — как сократить расходы на контекстную рекламу, сохранив при этом продажи. Если вы покупаете трафик на свой веб-сайт в рекламной системе, такой как Google Ads или Facebook, огромная часть ваших расходов идет на клики пользователей, которые в конечном итоге не кладут товары в корзину. И даже если они это делают, они не всегда завершают покупку. Так что же можно сделать для оптимизации рекламных кампаний?

В данном случае мы описываем решение, предоставленное командой OWOX BI для продавца электроники и бытовой техники, который протестировал OWOX BI для расчета вероятности конверсий.

Среди основных задач Performance Marketing для корпоративного ритейлера — рост показателей эффективности и сокращение контактов с пользователями, которые в данный момент не заинтересованы в покупке. Решения на основе данных — наиболее перспективные инструменты для оптимизации рекламных кампаний. Модель атрибуции OWOX BI использует технологии машинного обучения для расчета вероятности покупки для каждого пользователя сайта, начиная с первого посещения. Используя эти вероятности покупки, предприятия могут определить, стоит ли тратить деньги на рекламу для пользователя. Кроме того, модель OWOX BI может рассчитать вероятность совершения пользователем какого-либо действия.

Также одной из обязательных задач SEM-специалиста по контекстной рекламе является сегментация посетителей сайта на различные группы в зависимости от действий, которые они совершают на сайте, и времени, прошедшего с момента последнего срабатывания. Например, количество дней с момента добавления товара в корзину без покупки. Ручной анализ таких аудиторий и корректировка расчетов ставок занимают огромную часть рабочего процесса.

Подводя итог, цель состояла в том, чтобы повысить рентабельность контекстных рекламных кампаний при сохранении дохода от выполненных заказов.

Решение по машинному обучению OWOX BI применялось для оптимизации рекламных кампаний, обучаясь на:

• исторические данные о поведении пользователей сайта
• Данные CRM о погашенных заказах
• агрегированные и обезличенные данные десятков тысяч проектов клиентов OWOX

Что дал OWOX BI:

• Для каждого пользователя сайта рассчитывается вероятность покупки с учетом погашенных заказов.
• Расчеты вероятности обновляются после каждого действия пользователя или периода бездействия. Например, если пользователь посещает веб-сайт и выполняет ряд действий, он получает X% вероятности совершить покупку. Если после этого они не заходят на сайт в течение четырех дней, эта вероятность снижается.
• 10 пользовательских сегментов, разделенных по вероятности покупки по 10-балльной шкале.

Чтобы оценить точность прогноза и производительность каждого сегмента, команда проанализировала, сколько заказов выполнил каждый сегмент.

Вверху таблицы находится сегмент с наибольшей вероятностью конверсии, а внизу — сегмент с наименьшей.

1. Собраны данные о поведении пользователя на сайте в Google BigQuery с помощью OWOX BI. (Также можно использовать Google Analytics 360.)

2. Аналитики OWOX обучили модель атрибуции и запустили регулярные расчеты вероятности конверсии для посетителей сайта. Каждому посетителю была присвоена вероятность конверсии. Алгоритм учитывает более 60 параметров, в том числе:

• количество сессий в обращениях в пределах конверсионного окна
• действия на сайте в течение сеанса
• паузы между сеансами
• общее количество действий
• сеансовое устройство и операционная система
• источники трафика, которые были у пользователя в конверсионном окне
• количество действий на каждой странице за сеанс
• время конкретного сеанса и общее время сеансов в окне конверсии

3. Команда OWOX BI собрала все эти данные в одну таблицу в Google BigQuery, чтобы оценить вероятность покупки для каждого пользователя.

4. Данные об аудитории передавались в рекламный сервис с помощью OWOX BI Pipeline.

5. Аудитории добавлены в рекламный сервис.

Первичный A/B-тест проводился с равным распределением трафика между исследуемыми группами по рекламным кампаниям:

• создан вручную.
• на основе потока данных о продукте с помощью службы автоматизации.

После успешного эксперимента был запущен второй тест на кампаниях с динамической рекламой. Собрав данные по эффективности среди рекламных кампаний, были рассчитаны и скорректированы ставки по аудиториям:

• Снижайте ставки для аудиторий с низкой вероятностью покупки (иногда до 90%).
• Увеличивайте ставки для аудиторий с высокой вероятностью покупки.

Размер корректировки ставок рассчитывался на основе собранных данных о коэффициенте конверсии каждой аудитории и целевой рентабельности инвестиций. Также учитывался текущий ROI каждой кампании и аудитории. Для каждой аудитории OWOX BI рассчитал соответствующую цену за клик. На основе этих расчетов компания скорректировала текущую цену для достижения целевого KPI. Корректировки постоянно менялись в зависимости от результатов.

В течение двух месяцев аналитики OWOX работали с командой клиента над проведением двух тестов. Первый длился полтора месяца и включал в себя пять рекламных кампаний с низкими объемами трафика. Каждая из этих кампаний была разделена на две кампании для A/B-тестирования: одна с использованием аудиторий OWOX BI и одна без них.

Кампании с использованием аудиторий OWOX показали в 1,7 раза лучшие результаты как по ROI, так и по выручке за выполненные заказы. Для ритейлера это был шаг к повышению эффективности рекламных вложений.

После первого эксперимента команда OWOX BI провела трехнедельный тест на основе кампаний с большими объемами трафика по тому же принципу — равное количество кампаний с аудиториями OWOX BI и без аудиторий OWOX BI.

Результатом второго теста стало увеличение ROI в 2,2 раза и увеличение выручки за выполненные заказы в кампаниях с аудиториями OWOX BI в 2,7 раза.

В обоих случаях тестовая группа либо принесла больше дохода при том же бюджете, что и контрольная группа, либо принесла такой же доход при меньшем бюджете. Используя OWOX BI для прогнозирования конверсий, наш клиент экономил время на создании сегментов аудитории, все данные о посетителях сайта обрабатывались автоматически, а полученные данные готовились для загрузки в рекламный сервис, где их можно было использовать в рекламных кампаниях для корректировки ставок и запуска ретаргетинг.

Эти результаты тестирования были сочтены успешным началом для дальнейшего масштабирования других каналов производительности и формирования бренда. Так как эксперименты с расчетом вероятности конверсии доказали свою эффективность, следующим шагом стало масштабирование решения — использовать его во всех поисковых кампаниях, запустить ретаргетинг, устанавливая разные ставки в зависимости от конверсий в сегменте, и применить его в других рекламных сервисах, таких как Facebook. , MyTarget и Google Реклама.