Как увеличить доход от электронной почты на 237 % и оптимизировать расходы на рекламу

Хорошо оптимизированный процесс электронной почты может обеспечить предприятиям максимально возможную рентабельность инвестиций по этому каналу продаж. Однако для этого вам нужно настроить маркетинговые кампании по электронной почте: контент должен быть персонализирован для вашей аудитории. В противном случае есть большая вероятность, что ваши усилия по электронной почте тратят деньги на ветер.

В данном случае мы описываем решение, предоставленное командой OWOX BI для крупной розничной сети бытовой техники, электроники и товаров для дома, насчитывающей более 600 магазинов в более чем 200 городах. У бизнеса были проблемы с поиском того, как улучшить коэффициент конверсии и оптимизировать расходы на рекламу, применяя триггерные электронные письма.

В высококонкурентной бизнес-среде главной целью является привлечение новых клиентов, увеличение LTV и оптимизация рекламного бюджета. Бизнес-аналитики хотели проанализировать эффективность своих каналов привлечения клиентов с учетом полученного дохода от каждой из рекламных кампаний. Стандартные модели атрибуции не подходили для этой задачи, так как не учитывали следующие факторы:

1. Посетители сайтов сравнения цен стремятся купить товары по самой низкой цене. Это означает, что, обдумывая свою следующую покупку, клиенты могут захотеть снова сделать выбор по цене, и вместо посещения интернет-магазина компании они могут повторно посетить веб-сайт сравнения цен. При оценке этого источника трафика следует учитывать LTV клиента за 180 дней и общую стоимость привлечения и удержания, поскольку компания может тратить деньги каждый раз, когда они возвращают клиентов через веб-сайты сравнения цен.
2. Покупатели, купившие более дешевый товар с низкой наценкой, могут позже вернуться на сайт, чтобы купить более дорогой товар. Таким образом, хотя маржа более дешевого продукта может не покрывать стоимость приобретения, со временем (через 180 дней) такие рекламные кампании окупаются лучше.

В связи с вышеизложенным команда аналитиков разработала собственную модель атрибуции на основе LTV, учитывающую расходы на рекламу и маржу от покупок за период в 180 дней. Кроме того, тестировались способы превращения потенциальных покупателей, проявляющих интерес к определенному продукту или товарной категории, в постоянных клиентов. Некоторые посетители просматривали веб-сайт, но не купили никаких товаров. Некоторые посетители начали оформление заказа, но не закончили процесс (брошенные корзины). Было решено настроить триггерные письма, чтобы возвращать таких посетителей на сайт и мотивировать их на покупку:

1. Напоминания о брошенных корзинах для пользователей, которые начали, но не закончили оформление заказа.
2. Рекомендации основаны на просмотренных продуктах, пользователям, которые просматривали определенные типы страниц (страницы каталога или страницы продуктов).

Содержание триггерных писем должно быть персонализировано для удовлетворения текущих потребностей каждого клиента. Для этого не должно быть задержек в сборе данных о действиях посетителей сайта.

Данные, необходимые для достижения этих целей, хранились в разных системах — Google Analytics и ряде рекламных сервисов. Необходимо было не только объединить данные, но и обеспечить быстрый доступ к ним, а также обработку данных в режиме, близком к реальному времени.

Для достижения целей компании необходимо было решить следующие задачи:

• Собирайте данные из нескольких источников в единую систему и оптимальную структуру.
• Получите все данные, необходимые для модели атрибуции, и убедитесь, что данные могут быть исторически обновлены.

Было решено проверить гипотезы в течение 180 дней.

Данные были получены из следующих систем:

1. Google Analytics: данные с веб-сайта доступны в Google Analytics через контейнер Google Tag Manager.
2. Источники рекламы: Google AdWords, Criteo.

В качестве единого хранилища данных было решено использовать Google BigQuery:

1. Это облачное хранилище позволяет собирать и быстро обрабатывать огромные объемы данных.
2. Предоставляет большой набор готовых решений и инструментов для интеграции с CRM и ERP системами.
3. Данные надежно защищены.

Для сбора всех данных в Google BigQuery использовались следующие инструменты и функции:

1. Экспорт Google BigQuery для Google Analytics 360 — для получения данных из Google Analytics в Google BigQuery, включая исторические данные за 13 месяцев.
2. OWOX BI Pipeline — компания получает данные о посещениях сайта в Google BigQuery практически в режиме реального времени, а также данные о затратах, кликах и показах из рекламных источников, которые доступны в Google Analytics, а затем в Google BigQuery.

В результате все необходимые данные собираются в Google BigQuery и затем отправляются во внутренние системы аналитики компании.

Данные, полученные в Google BigQuery через стандартный экспорт для Google Analytics 360 и через OWOX BI Pipeline, были организованы в куб данных. Такой куб, созданный в оптимальной структуре, позволяет значительно снизить стоимость обработки данных.

На блок-схеме ниже показано, как собираются и объединяются необходимые данные:

Аналитики OWOX BI разработали два представления с использованием SQL-запросов для настройки триггерных писем. Запросы агрегируют данные о действиях пользователей на сайте, полученные через OWOX BI Pipeline, и данные, полученные с помощью Google BigQuery Export, в оптимальную для задачи структуру.

Эффективность писем измерялась с помощью A/B-тестирования. Триггерные письма первой группе пользователей были отправлены на следующий день после посещения сайта. Другая группа получила триггерные электронные письма менее чем за час, так как электронные письма были отправлены с использованием данных из таблиц в Google BigQuery и куба данных. В обоих случаях электронные письма были отправлены через один и тот же сервис.

В отличие от Google Analytics, значение поля userID в сводных таблицах Google BigQuery может быть обновлено задним числом путем перезаписи таблиц. Как только пользователь проходит аутентификацию на веб-сайте на любом устройстве (когда значение userID известно), предыдущие сеансы того же пользователя также получают значение userID, если это значение не было указано или определено ранее. Благодаря ретроактивным обновлениям поля userID были получены более точные данные о пользователях, а персонализированные триггерные письма были отправлены большему количеству посетителей.

Команда разработала собственную модель атрибуции со следующими особенностями:

• Распределение затрат на привлечение посетителей на посещения только из платных источников трафика.
• Оценка общей маржи на пользователя за 30, 60, 90 и 180 дней.
• При расчетах учитывались только данные от новых покупателей. При повторной покупке стоимость заказа присваивается каналу, который привел пользователя на сайт в первый раз.

Эта модель атрибуции стала возможной благодаря ретроактивным обновлениям данных в Google BigQuery, в том числе обновлению поля UserID и данных о стоимости привлечения посетителей.

В результате сбора данных в единое хранилище данных, настройки новых триггерных писем и обновления исторических данных были достигнуты следующие цели:

1. Улучшите KPI триггерной электронной почты.

Уведомления по электронной почте о брошенных товарах отправляются в течение часа большинству пользователей, которые добавили товары в корзину, но не завершили покупку. Данные о триггерных письмах собираются автоматически два раза в час.

Эффективность нового метода рассылки подтверждена A/B-тестированием:

• Количество посещений сайта через доставленные электронные письма увеличилось на 76%.
• Коэффициент конверсии для покупок пользователей, которые посетили сайт через доставленные электронные письма, увеличился на 12%.
• Количество покупок после оптимизации электронной почты брошенной корзины увеличилось на 85%.
• Доля оборота в целевой группе увеличилась на 237%.

2. Оптимизировать рекламный бюджет и снизить долю затрат на рекламу

На графиках ниже представлены данные о LTV клиентов за сеанс (FM — маржа, COST — затраты) согласно собственной модели атрибуции предприятия, учитывающей пожизненную ценность клиентов, посетивших разные группы товаров по каналам платного трафика. Это значение со временем увеличивается — факт, который игнорируется моделью атрибуции по последнему клику. Максимальная ставка для каждой кампании ограничена маржой, полученной компанией за 180 дней, без учета затрат на удержание клиентов.

Как видно из модели атрибуции на основе CLTV, за период 180 дней пользователи сначала приходили по CPC-каналам, затем возвращались и совершали повторные покупки по бесплатным каналам. Ценность таких CPC-каналов оказалась в несколько раз выше, чем по модели атрибуции Last-Click. Объем и частота повторных покупок, а также выручка компании были разными для каждой товарной категории, рекламной кампании и источника.