7 วิธีในการประเมินและปรับปรุงการตลาดดิจิทัล

คุณจะประเมินประสิทธิภาพและเพิ่มผลตอบแทนจากการลงทุน (ROI) ของการโฆษณาออนไลน์ได้อย่างไร? คุณจะทราบได้อย่างไรว่าการเข้าชม SEO, แอปบนอุปกรณ์เคลื่อนที่ และโฆษณามีเดียสร้างรายได้เท่าใด คำถามเหล่านี้เกี่ยวข้องกับธุรกิจออนไลน์และธุรกิจ Omnichannel จำนวนมาก ในบทความนี้ เราอธิบายวิธีแก้ปัญหาจาก OWOX BI ที่ช่วยให้ลูกค้าของเราค้นหาคำตอบสำหรับคำถามเหล่านี้และคำถามอื่นๆ และแก้ปัญหาทางธุรกิจของพวกเขา

เราอธิบายอย่างกระชับว่าเราได้ช่วยลูกค้าของเราทำกรณีจริงเจ็ดกรณีเหล่านี้อย่างไรด้านล่าง หากคุณสนใจรายละเอียดทางเทคนิคหรือต้องการลองสิ่งที่เราพูดถึงในโครงการของคุณเอง ลองใช้ OWOX BI ฟรี

OWOX BI รวบรวมข้อมูลจากหลายระบบในที่เก็บข้อมูลเดียว และสร้างรายงานที่ช่วยลูกค้าปรับปรุงข้อมูลทางการตลาดของตน เป้าหมายคือดำเนินการอย่างรวดเร็วด้วยคุณภาพระดับสูง และด้วยระบบอัตโนมัติสูงสุด เพื่อให้ธุรกิจสามารถทำเงินได้มากขึ้นโดยใช้ข้อมูลที่มีอยู่แล้ว

การแบ่งกลุ่มผู้ใช้เพื่อกำหนดเป้าหมายแคมเปญโฆษณาที่ดีขึ้นเป็นงานพื้นฐานที่สามารถและควรได้รับการแก้ไขในขั้นเริ่มต้นของการใช้การวิเคราะห์การตลาด

เป้าหมายของลูกค้า : เพิ่ม ROI ของแคมเปญโฆษณาที่มีเป้าหมายเพื่อเปิดใช้งานผู้ใช้ที่เคยเข้าชมไซต์แล้วอีกครั้ง ตามทฤษฎีแล้ว ผู้ใช้เหล่านี้ไม่ควรแพงในการทำตลาด เพราะพวกเขาได้แสดงความสนใจแล้ว

ความท้าทายของลูกค้า : ปรับปรุงการกำหนดเป้าหมายของแคมเปญโฆษณาสำหรับตะกร้าสินค้าที่ถูกละทิ้งและลูกค้าที่หมดอายุ คนเหล่านี้คือผู้ที่ดำเนินการบางอย่างบนไซต์แต่ไม่ได้ซื้ออะไรเลย ในขณะเดียวกัน ลูกค้าของเราเชื่อว่าพวกเขาสามารถซื้ออะไรบางอย่างได้

สมมติฐานของเรา : หากเราเลือกกลุ่มผู้เข้าชมเว็บไซต์ที่ได้เพิ่มสินค้าลงในรถเข็นในช่วง X วันที่ผ่านมาและแสดงโฆษณา พวกเขามีแนวโน้มที่จะซื้ออะไรบางอย่างมากกว่าผู้เข้าชมจากกลุ่มอื่นๆ ดังนั้น โดยการโฆษณาในกลุ่มนี้ เราสามารถเพิ่มรายได้ในขณะที่รักษาอัตราส่วนรายรับจากต้นทุน (CRR) ให้เท่าเดิม

จำเป็นต้องมีการแบ่งกลุ่มผู้ใช้เพื่อทดสอบสมมติฐานเสมอ เราสามารถสรุปได้ว่ากลุ่มผู้ใช้ที่เลือกจะมีพฤติกรรมไม่ทางใดก็ทางหนึ่งหลังจากเห็นโฆษณา แต่ก็ไม่มีการรับประกัน 100% ว่าจะเป็นเช่นนั้น

ลูกค้าของเรากำหนดเงื่อนไขตามส่วนต่างๆ ที่ถูกสร้างขึ้น หลังจากสร้างกลุ่มตามเงื่อนไขเหล่านั้นแล้ว เราได้เปลี่ยนสมมติฐานของเราให้เป็นงานด้านเทคนิคสำหรับนักวิเคราะห์ของเรา งานนี้แบ่งออกเป็นขั้นตอน

ระยะที่ 1 . สร้างกลุ่มผู้ใช้สองกลุ่ม กลุ่มแรกประกอบด้วยผู้ใช้ที่เพิ่มสินค้าลงในรถเข็นใน X วันที่ผ่านมา แต่ไม่ได้ซื้ออะไรเลย ส่วนที่สองประกอบด้วยผู้ใช้ที่ดำเนินการชุดหนึ่งบนไซต์ (ที่กำหนดโดยลูกค้า)

Google Analytics สุ่มตัวอย่างข้อมูลลูกค้าเพื่อตอบสนองต่อการเข้าชมที่หนาแน่น ดังนั้น ในการสร้างกลุ่ม เราใช้ข้อมูลดิบจากเว็บไซต์ของลูกค้าที่ส่งไปยัง Google BigQuery โดยใช้ OWOX BI Pipeline BigQuery เป็นบริการพื้นที่เก็บข้อมูลบนคลาวด์ที่ให้คุณไม่เพียงแต่รวบรวมข้อมูลเท่านั้น แต่ยังประมวลผลได้อย่างสะดวกโดยใช้ SQL

นักวิเคราะห์ของเราเขียนคำสั่ง SQL เพื่อสร้างกลุ่มโดยใช้ข้อมูลเว็บไซต์ดิบ กลุ่มเหล่านี้ประกอบด้วยข้อมูลรหัสลูกค้าของ Google และรหัสลูกค้า Yandex ซึ่งสามารถใช้ในโฆษณา Google และ Yandex.Direct ได้

ระยะที่ 2 . โอนกลุ่มโดยอัตโนมัติไปยัง Google Ads และ Yandex.Direct เพื่อให้ผู้เชี่ยวชาญด้านการโฆษณาสามารถใช้กลุ่มเหล่านี้ในการตั้งค่าแคมเปญโฆษณา

OWOX BI มีไปป์ไลน์ข้อมูลอัตโนมัติ ที่นำกลุ่มจาก Google BigQuery คำนวณข้อมูลสำหรับพวกเขาทุกวัน และอัปโหลดข้อมูลนั้นไปยัง Google Analytics คุณสามารถส่งออกกลุ่มจากระบบวิเคราะห์เว็บไปยัง Google Ads ได้ ไปป์ไลน์ OWOX BI ที่สองโหลดเซ็กเมนต์เหล่านี้ลงใน Yandex.Audience

ระยะที่ 3 . ผู้เชี่ยวชาญของลูกค้าของเราตั้งกฎในบริการโฆษณาที่ขึ้นอัตราสำหรับกลุ่มเหล่านี้

โซลูชันนี้มีลักษณะสำคัญหลายประการ ตัวอย่างเช่น ในการโหลดเซ็กเมนต์ไปยังยานเดกซ์ ผู้ชมต้องมีอย่างน้อย 1,000 บรรทัด (เพื่อใช้ Yandex Client ID ที่ไม่ซ้ำกัน)

OWOX BI ไม่รวบรวม Yandex Client ID โดยค่าเริ่มต้น ยานเดกซ์ ต้องติดตั้งเมตริกบนไซต์เพื่อสร้าง Client ID และเพื่อให้เข้าสู่ Google BigQuery ได้ คุณจะต้องกำหนดค่าการส่งข้อมูลผ่าน OWOX BI

หากคุณเป็นผู้ใช้ OWOX BI และต้องการรวบรวม Yandex Client ID ใน Google BigQuery โปรดเขียนถึงเรา เราจะแชร์คำแนะนำเกี่ยวกับวิธีการดำเนินการกับ Google Tag Manager หากคุณไม่ใช่ผู้ใช้ OWOX BI แต่สนใจในความเป็นไปได้นี้ ลองใช้ OWOX BI ฟรีและดูว่าจะช่วยให้คุณบรรลุเป้าหมายได้อย่างไร

ลูกค้าของเรากำหนดค่าผู้ชมใหม่ในแคมเปญของพวกเขา ซึ่งได้ผลสำหรับการกำหนดเป้าหมายใหม่ คัดแยกผู้ใช้ที่ไม่ได้จัดอยู่ในกลุ่มที่ถูกต้อง และเน้นงบประมาณไปที่ผู้ใช้ในกลุ่มที่เลือก

ด้วยเหตุนี้ ด้วยแคมเปญเดียวกันและการลงทุนแบบเดียวกัน ROI เพิ่มขึ้น 100% เป็น 150% (มีหลายแคมเปญ จึงมีค่าเฉลี่ยตัวบ่งชี้) อันที่จริง ค่าใช้จ่ายในการตัดสินใจครั้งนี้มีน้อย และประสิทธิภาพก็ค่อนข้างจับต้องได้ แคมเปญเหล่านี้ยังคงทำงานอยู่ในปัจจุบัน เราไม่ได้รับคำติชมจากลูกค้าของเราว่าการเพิ่มขึ้นนี้เป็นเพียงชั่วคราวเท่านั้น

เมื่อเราเริ่มทำงานกับโครงการ งานแรกคือการคำนวณ ROI จากรายได้จริง

โดยค่าเริ่มต้น Google Analytics สามารถดูยอดขายจากไซต์เท่านั้น แต่นั่นไม่ได้สะท้อนถึงเงินที่เข้ามาในบัญชีของธุรกิจจริงๆ

เราทราบดีว่าคำสั่งซื้อออนไลน์บางรายการยังไม่เสร็จสมบูรณ์หรือมีการเปลี่ยนแปลงระหว่างการยืนยันคำสั่งซื้อ ผู้ใช้อาจ:

1. เพียงแค่ไม่ทำการสั่งซื้อให้เสร็จ
2. เปลี่ยนคำสั่งซื้อทางโทรศัพท์ซึ่งจะเปลี่ยนจำนวนการสั่งซื้อ
3. สั่งซื้อการจัดส่งไปยังร้านค้าจริงแต่ไม่รับสินค้า

ด้วยเหตุนี้ ธุรกิจจึงไม่ได้รับจำนวนเงินที่ปรากฏใน Google Analytics ดังนั้นจึงไม่ถูกต้องนักที่จะคำนวณรายได้ตามข้อมูลใน Google Analytics จำเป็นต้องประเมินประสิทธิภาพของการโฆษณาออนไลน์โดยคำนึงถึงข้อมูลการขายจริงจาก CRM ของคุณ

เป้าหมายของลูกค้า : เพิ่ม ROI ของแคมเปญโฆษณาที่ CRR คงที่โดยไม่เพิ่มค่าใช้จ่าย

ความท้าทายของลูกค้า : แจกจ่ายงบประมาณการโฆษณาตามยอดขายจริงที่เกิดจากแหล่งโฆษณา พูดง่ายๆ ก็คือ คุณต้องเปลี่ยนงบประมาณจากแชแนลที่ไม่ได้สร้าง ROI เพียงพอเป็นแชแนลที่มีประสิทธิภาพมากขึ้น

สมมติฐานของเรา : หากคุณคำนวณ ROI จากการซื้อ (และตามหลักแล้ว แม้แต่มาร์จิ้น) คุณสามารถปรับกลยุทธ์ทางการตลาดและลงทุนในแหล่งที่มาของการเข้าชมที่สร้างรายได้มากขึ้น ดังนั้น ROI ของแคมเปญโฆษณาจะเพิ่มขึ้น

ลูกค้าของเราได้รวบรวมข้อมูลที่ไม่ได้เก็บตัวอย่างใน Google BigQuery โดยใช้ OWOX BI แล้ว แต่จำเป็นต้องเสริมข้อมูลนี้ด้วยข้อมูลการขายจากระบบภายในของบริษัท งานนี้ดำเนินการในห้าขั้นตอน

ระยะที่ 1 . ตั้งค่าการถ่ายโอนข้อมูลคำสั่งซื้อจากเว็บไซต์ไปยังระบบ CRM ของลูกค้าอย่างถูกต้อง โอนรหัสธุรกรรมและรหัสลูกค้า Google

รหัสธุรกรรมจะเกิดขึ้นเมื่อมีการสั่งซื้อบนเว็บไซต์และส่งไปยัง Google Analytics และ BigQuery พร้อมกับรหัสไคลเอ็นต์ที่เกี่ยวข้อง สิ่งสำคัญคือต้องโอน ID ทั้งสองไปยัง CRM พร้อมกัน เพื่อให้คุณสามารถเชื่อมโยงผู้ใช้กับธุรกรรมและการชำระเงินได้

ระยะที่ 2 . ตั้งค่าการสร้าง User ID ที่ด้านข้างของ CRM ของลูกค้าและส่ง User ID ไปยัง Google BigQuery ระหว่างการชำระเงิน

รหัสผู้ใช้ถูกสร้างขึ้นโดยระบบ CRM เมื่อมีการเขียนข้อมูลเกี่ยวกับไคลเอนต์ใหม่ลงไป ตัวอย่างเช่น สมมติว่ามีคนซื้อสินค้าในร้านค้าและแคชเชียร์ขอหมายเลขโทรศัพท์ของตนแล้วป้อนลงใน CRM จากนั้นระบบจะกำหนดตัวระบุที่ไม่ซ้ำกันให้กับผู้ใช้รายนี้ ในอนาคต เมื่อผู้ใช้อนุญาตบนไซต์โดยใช้โทรศัพท์ CRM จะจดจำพวกเขา

Google Analytics มีคุณลักษณะ User ID นักพัฒนาซอฟต์แวร์ของเรากำหนดค่าเพื่อให้เมื่อลูกค้าอนุญาตหรือสั่งซื้อบนไซต์ของลูกค้าของเรา ID ผู้ใช้จะถูกส่งไปยังไซต์ใน DataLayer จากนั้นจะถูกส่งไปยัง Google Analytics และ Google Big Query

ด้วยเหตุนี้ คุณจึงสามารถเชื่อมโยงการกระทำของผู้ใช้ที่ได้รับอนุญาตบนไซต์กับข้อมูลโดยละเอียดเกี่ยวกับพวกเขาได้ ตัวอย่างเช่น CRM ของคุณสามารถจัดเก็บชื่อ หมายเลขโทรศัพท์ และอีเมลของบุคคลได้ ด้วยคีย์ ID ผู้ใช้ระดับกลาง คุณสามารถรวมข้อมูลไซต์และ CRM และข้อมูลการชำระเงินสำหรับคำสั่งซื้อเฉพาะได้

ระยะที่ 3 . กำหนดค่าการอัปโหลดข้อมูลการขายจริงจาก CRM ของคุณไปยัง Google BigQuery ในโครงสร้างที่คุณต้องการใช้งาน เพื่อจุดประสงค์นี้ เราได้จัดตั้งงานด้านเทคนิคและส่งมอบให้กับนักพัฒนาซอฟต์แวร์ของลูกค้าของเราเพื่อนำไปใช้

ขั้นตอนที่ 4 . รวมข้อมูลทั้งหมดใน BigQuery ไว้ในตารางเดียว นักวิเคราะห์ของเราเขียนแบบสอบถาม SQL ที่เชื่อมโยงข้อมูลการสั่งซื้อออนไลน์กับข้อมูล CRM เกี่ยวกับคำสั่งซื้อที่เสร็จสมบูรณ์และจำนวนของพวกเขา คีย์สำหรับการรวมข้อมูลนี้คือ รหัสธุรกรรม รหัสผู้ใช้ และรหัสลูกค้า

ระยะที่ 5 . สร้างรายงานใน Google Data Studio ที่แสดง ROI สำหรับแหล่งที่มาของการเข้าชม โดยคำนึงถึงสินค้าที่ซื้อในคำสั่งซื้อ เราคำนวณ ROI ตามต้นทุนส่วนเพิ่ม

การตั้งค่าการถ่ายโอนข้อมูลที่ถูกต้องจากไซต์ไปยัง CRM ตลอดจนการดาวน์โหลดข้อมูล CRM ไปยัง Google BigQuery จำเป็นต้องอาศัยการมีส่วนร่วมของนักพัฒนาในด้านธุรกิจ ซึ่งมักจะทำให้กระบวนการล่าช้าอย่างมาก

เราได้จัดทำรายงานประสิทธิภาพของแหล่งที่มาของการเข้าชมแก่ลูกค้าของเราตามข้อมูลสำหรับการขายจริง

รายงานนี้ใช้โดยผู้จัดการระดับสูงในการตัดสินใจเชิงกลยุทธ์ เช่นเดียวกับผู้เชี่ยวชาญด้านการโฆษณาตามบริบทเพื่อจัดการงบประมาณสำหรับแคมเปญโฆษณาเฉพาะ

นี่คือตัวอย่างของรายงานนี้:

ต้องการทราบว่าโฆษณาของคุณใช้ข้อมูลการขายจริงใน CRM ของคุณมีประสิทธิภาพเพียงใด ลองใช้ OWOX BI ฟรีและดูว่าจะช่วยให้คุณบรรลุเป้าหมายได้อย่างไร

โซลูชันที่สามที่ลูกค้าของเราใช้หลังจากสร้างรายงานพื้นฐานที่อธิบายไว้ข้างต้นคือการวิเคราะห์ ROPO (การวิจัยออนไลน์ ซื้อออฟไลน์) แสดงให้เห็นผลกระทบของการตลาดดิจิทัลต่อยอดขายในร้านค้าจริง สิ่งนี้มีความเกี่ยวข้องเป็นพิเศษสำหรับโครงการอีคอมเมิร์ซแบบ Omnichannel

ผู้คนดูสินค้าบนเว็บไซต์และซื้อของในร้านค้าด้วยเหตุผลหลายประการ ตั้งแต่ความไม่ไว้วางใจในการซื้อทางอินเทอร์เน็ตไปจนถึงความปรารถนาที่จะสัมผัสสินค้า

ในระหว่างการวางแผนงบประมาณประจำปี CMO ต้องการหารายได้เพิ่มสำหรับช่องทางออนไลน์เพราะพวกเขาเข้าใจดีว่ายอดขายบางส่วนที่เกิดจากการโฆษณาออนไลน์นั้นเกิดขึ้นแบบออฟไลน์ หาก CMO สามารถวัดผลกระทบนี้อย่างน้อยบางส่วน ก็จะเป็นข้อโต้แย้งที่ดีในการเพิ่มงบประมาณ

เป้าหมายของลูกค้า : พิสูจน์ความจำเป็นในการเพิ่มงบประมาณสำหรับการตลาดออนไลน์ และแสดงให้เห็นถึงคุณค่าที่ซ่อนอยู่ของการลงทุนในการโฆษณาออนไลน์

ความท้าทายของลูกค้า : วิเคราะห์ประสิทธิภาพของการโฆษณาออนไลน์ โดยคำนึงถึงผลกระทบที่ตามมาต่อการขายออฟไลน์

สมมติฐานของเรา : ผู้ใช้บางคนทำความคุ้นเคยกับผลิตภัณฑ์บนเว็บไซต์ แต่ซื้อในร้านค้าจริง นั่นคือ แคมเปญออนไลน์ยังคงถูกประเมินราคาต่ำเกินไป หากเราติดตามการเข้าชมเว็บไซต์และการซื้อเพิ่มเติมโดยผู้ใช้เหล่านี้ในร้านค้าจริง เราสามารถวัดมูลค่าที่แท้จริงของการโฆษณาดิจิทัลได้

ในการเชื่อมโยงกิจกรรมของผู้ใช้บนไซต์กับการซื้อในภายหลังในร้านค้าออฟไลน์ เราทำสิ่งเดียวกันกับที่เราทำเพื่อวิเคราะห์ ROI ตามคำสั่งซื้อที่เสร็จสมบูรณ์ (รายละเอียดอยู่ในส่วนก่อนหน้า):

1. ตั้งค่า User ID ทางฝั่ง CRM แล้วส่งไปที่ Google BigQuery
2. กำหนดค่ารหัสไคลเอ็นต์เพื่อให้ส่งผ่านไปยัง CRM และ BigQuery ได้อย่างถูกต้อง
3. ตั้งค่าการถ่ายโอนข้อมูลสำหรับฟิลด์ User Phone และ User Email จากไซต์ไปยัง BigQuery และ CRM ของลูกค้าระหว่างการชำระเงิน
4. ตั้งค่าการอัปโหลดข้อมูลจาก CRM ของลูกค้าไปยัง Google BigQuery ไม่เหมือนในกรณีก่อนหน้านี้ การอัปโหลดนี้ไม่เพียงประกอบด้วยคำสั่งซื้อออนไลน์เท่านั้น แต่ยังมีคำสั่งซื้อจากร้านค้าปลีกอีกด้วย
5. เขียนแบบสอบถาม SQL ที่เชื่อมโยงข้อมูลกิจกรรมบนไซต์กับข้อมูลจาก CRM กุญแจสำคัญในการเชื่อมโยงข้อมูลกับการขายออฟไลน์คือ User ID/User Phone/User Email
6. สร้างรายงานใน Google Data Studio เพื่อวิเคราะห์เอฟเฟกต์ ROPO

แบบแผนสำหรับการรวมข้อมูลมีลักษณะดังนี้:

คุณสามารถเชื่อมโยงผู้ใช้ออนไลน์กับการขายออฟไลน์ได้ก็ต่อเมื่อผู้ใช้ทำการซื้อบนไซต์หรือได้รับอนุญาตบนไซต์

ตามแนวทางปฏิบัติ ส่วนแบ่งของผู้ใช้ที่ได้รับอนุญาตคือประมาณ 5% ของผู้เข้าชมเว็บไซต์ทั้งหมด ยิ่งคุณมีผู้ใช้ที่ได้รับอนุญาตมากเท่าไร ข้อมูลก็จะยิ่งอยู่ในรายงานของคุณมากขึ้นเท่านั้น แต่ถึงแม้จะอยู่ที่ 5% ถึง 10% ก็เป็นไปได้ที่จะสรุปผลที่อาจนำไปสู่การเปลี่ยนแปลงอย่างร้ายแรงในวิธีจัดการงบประมาณการตลาดของคุณ

ปัญหาอีกประการหนึ่งคือการติดตามคุณภาพของข้อมูลเมื่อคุณได้ตั้งค่าการผสานรวมทั้งหมดแล้ว ตรวจสอบให้แน่ใจว่าข้อมูลถูกส่งอย่างถูกต้องและตัวระบุตรงกัน ดังนั้นการเปลี่ยนแปลงในอนาคตในระบบ CRM จะไม่ทำลายสิ่งที่คุณกำหนดค่าไว้ นี่เป็นคำถามที่ว่าทีมไอทีของลูกค้าคุณดีแค่ไหน

หลังจากวัดผล ROPO แล้ว ROI ของแคมเปญโฆษณาของลูกค้าของเราก็เพิ่มขึ้น 50% เป็น 150% เป็นที่น่าสังเกตว่าในกรณีเช่นนี้ ROI จะแสดงการเติบโตเสมอ เนื่องจากมีการเพิ่มรายได้ที่มาจากแคมเปญออนไลน์แต่ได้รับแบบออฟไลน์

ตัวอย่างลักษณะของรายงาน ROPO:

รายงานนี้ช่วยให้ลูกค้าสามารถวิเคราะห์ข้อมูลในประเภทต่อไปนี้:

• รายได้จากออนไลน์เท่านั้น
• รายได้จากออฟไลน์เท่านั้น
• รายได้ ROPO
• แหล่งที่มา/สื่อ/รายได้จากแคมเปญออนไลน์เท่านั้น
• แหล่งที่มา/สื่อ/รายได้จากแคมเปญ รวมถึงการขายออฟไลน์ที่ตามมา
• รายได้ออนไลน์และ ROPO ตามหมวดหมู่ผลิตภัณฑ์และหมวดหมู่ย่อย
• รายได้ออนไลน์และ ROPO ตามเมือง
• เวลาจากการเยี่ยมชมไซต์จนถึงการซื้อ ROPO เป็นวัน
• จำนวนเซสชันบนเว็บไซต์ก่อนการซื้อ ROPO
• และอื่น ๆ อีกมากมาย

ต้องการทราบว่าความพยายามทางออนไลน์ของคุณส่งผลต่อการขายออฟไลน์อย่างไร ลองใช้ OWOX BI ฟรีและดูว่าจะช่วยให้คุณบรรลุเป้าหมายได้อย่างไร

นี่เป็นงานที่ค่อนข้างซับซ้อนและผิดปรกติแม้ว่าจะน่าสนใจก็ตาม การเพิ่มประสิทธิภาพ SEO มีผลล่าช้า และมักเป็นการยากที่จะประเมินประสิทธิภาพของงานที่ทำ เช่น ในช่วง 6 เดือนที่ผ่านมา โดยเฉพาะถ้าเป็นเว็บไซต์ขนาดใหญ่

โดยทั่วไป เราทราบจำนวนผู้ใช้ที่มาจากการค้นหาโดย Google และสามารถยกเว้นการเข้าชมแบรนด์ได้ แต่มีผู้ใช้กี่คนที่มาอย่างแม่นยำเพราะหมวดหมู่และหมวดหมู่ย่อยได้รับการปรับให้เหมาะสมหรือข้อความและชื่อเขียนได้ดี?

สมมติว่าคุณใช้จ่าย $10,000 ไปกับ SEO ในไตรมาสที่แล้ว คุณได้รับรายได้เท่าไหร่ภายในหกเดือนจากเงินนั้น?

เป้าหมายของลูกค้า : ประเมินประสิทธิผลของการลงทุน SEO โดยไม่ได้คำนึงถึงเฉพาะคำสั่งซื้อออนไลน์เท่านั้น แต่รวมถึงการชำระเงินจริงด้วย

ความท้าทายของลูกค้า : สร้างรายงานที่แสดงประสิทธิภาพของ SEO ตามหมวดหมู่ผลิตภัณฑ์ รายงานนี้ควรอิงจากยอดขายจริง

สมมติฐานของเรา : เราทราบดีว่าคำหลักใดถูกสูบและในหน้าใด เราทราบตำแหน่งใน SEO drop-out ของคีย์เหล่านี้ เราทราบยอดขายจากหน้าเหล่านี้ที่มีปริมาณการค้นหาเป็นแหล่งที่มา หากเราเชื่อมโยงข้อมูลนี้ เราจะได้รับยอดขายจากคำหลักเหล่านั้นที่อยู่ในอันดับท้ายสุดของ SEO นั่นคือเราสามารถวัดประสิทธิภาพของการลงทุนใน SEO ได้

ระยะที่ 1 . อัปโหลดข้อมูลที่จำเป็นทั้งหมดไปยัง Google BigQuery:

• ข้อมูลพฤติกรรมผู้ใช้ดิบที่รวบรวมโดย OWOX BI บนไซต์
• ข้อมูลจาก Google Search Console และ Yandex เมตริกของคีย์เวิร์ดยอดนิยมที่นำการเข้าชมมายังไซต์และหน้า Landing Page เหตุใดเราจึงใช้ Search Console เพราะในบริการวัดตำแหน่ง เราจะเห็นเฉพาะการเข้าชมที่สมมติขึ้นที่อาจมาจากคำหลักเหล่านี้
• ข้อมูลจากบริการวัดตำแหน่งไซต์ในรายการดร็อปเอาต์แบบออร์แกนิก (เช่น Allpositions) ซึ่งช่วยให้เราระบุตำแหน่งที่คำหลักมี หากคำหลักอยู่ต่ำกว่าอันดับที่ห้าในการออกกลางคัน เราสามารถแยกคำหลักออกจากการวิเคราะห์ได้
• ข้อมูลการขายจริงจากระบบ CRM

ระยะที่ 2 . ตาม URL ให้สร้างกลุ่มของข้อความค้นหาคำหลักในส่วนหน้า Landing Page เราวิเคราะห์ไม่ใช่ URL เดียว แต่เป็น URL สำหรับสินค้าทั้งหมวดหมู่ ตัวอย่างเช่น สำหรับเครื่องใช้ในครัวเรือนขนาดเล็ก เราสามารถดูเครื่องปั่นและเครื่องปั่น Braun

ระยะที่ 3 . ค้นหาคำหลักที่การเข้าชม SEO มาที่ไซต์โดยการวัดตำแหน่งในการเลื่อนออก เราอัปโหลดผลลัพธ์ไปยัง GBQ และจัดเรียงคำขอด้านล่างตำแหน่งที่แน่นอน

ขั้นตอนที่ 4 . ใช้แบบสอบถาม SQL เชื่อมโยงข้อมูลกิจกรรมของผู้ใช้บนไซต์กับข้อมูลการขายจริงจาก CRM

ระยะที่ 5 . เน้นเซสชันที่นำไปสู่การทำธุรกรรมกับแหล่งที่มาของ SEO (โดยใช้รูปแบบการระบุแหล่งที่มาของการคลิกที่ไม่ใช่โดยตรงครั้งสุดท้าย)

ระยะที่ 6 . เน้นหน้า Landing Page ของธุรกรรมเหล่านี้และเชื่อมโยงกับคำหลัก SEO ที่นำการเข้าชมมายังหน้าเหล่านี้

ขั้นตอนที่ 7 . สร้างรายงานที่แสดงให้เห็นว่าการเพิ่มประสิทธิภาพ SEO ของหน้าเว็บบางหน้าส่งผลต่อการเข้าชมจริงและการซื้อในหน้าเหล่านี้อย่างไร

Google Search Console ให้คุณอัปโหลดข้อมูลได้มากถึง 5,000 บรรทัด ดังนั้น เราจึงไม่สามารถวิเคราะห์คำขอคำหลักทั้งหมดที่นำการเข้าชมมายังไซต์ได้

ตัวอย่างเช่น เราสามารถดูประสิทธิภาพของคำหลักในกลุ่มหน้าบางกลุ่มได้ สมมติว่ามีคำหลัก 100 คำ โดย 50 คำอยู่ในอันดับต้นๆ และใน 50 คำนี้ เราทราบดีว่า 30 คำแสดงถึงปริมาณการใช้งานที่เข้าสู่การออฟโหลดของ Search Console เราคิดว่ามีการรับส่งข้อมูลสำหรับคำขออื่น ๆ เฉพาะบริการที่ไม่ให้ข้อมูลนี้แก่เรา

ไม่มีทางใดที่จะวัดได้อย่างแม่นยำ 100% ว่าคำหลักใดนำการเข้าชมมายังหน้าเว็บที่เราวิเคราะห์ ดังนั้น ในช่วงเริ่มต้นของการวิเคราะห์ เรายอมรับว่าผลลัพธ์ของเราอาจมีข้อผิดพลาดในระดับหนึ่ง

เราได้จัดทำรายงานแก่ลูกค้าของเรา ซึ่งช่วยให้พวกเขาสามารถวิเคราะห์ประสิทธิภาพของกิจกรรม SEO ในช่วงเวลาหนึ่งได้ การวิเคราะห์ประสิทธิภาพขึ้นอยู่กับยอดขายจริง ดังนั้นจึงสามารถนับ ROI ของการเข้าชม SEO ได้

คุณต้องการสร้างรายงานที่แสดงประสิทธิภาพของการเข้าชม SEO หรือไม่? ลองใช้ OWOX BI ฟรีและดูว่าจะช่วยให้คุณบรรลุเป้าหมายได้อย่างไร

เมื่อเร็ว ๆ นี้ งานนี้ได้กลายเป็นเรื่องเร่งด่วนมาก น่าจะเป็นครึ่งหนึ่งของปริมาณการใช้อินเทอร์เน็ตทั้งหมดและยอดขายส่วนใหญ่มาจากอุปกรณ์เคลื่อนที่ ลูกค้าจำนวนมากของเราใช้แอปพลิเคชันมือถือควบคู่ไปกับแอปพลิเคชันออนไลน์และออฟไลน์ เมื่อคุณซื้อการเข้าชมจากอุปกรณ์เคลื่อนที่ คุณต้องการเข้าใจถึงประสิทธิภาพ

เป้าหมายของลูกค้า : ประเมินประสิทธิภาพในการดึงดูดปริมาณการเข้าชมผ่านแหล่งที่มาแบบชำระเงิน (Google Ads) เพื่อโปรโมตการติดตั้งและการขายแอปบนอุปกรณ์เคลื่อนที่ภายในแอป

ความท้าทายของลูกค้า : สร้างรายงานที่แสดงประสิทธิภาพของแหล่งที่มาของการเข้าชมในแง่ของการกระทำที่ถือเป็น Conversion ที่สำคัญ (การติดตั้ง การลงทะเบียน ธุรกรรม รายได้)

สมมติฐานของเรา : โดยการเชื่อมโยงข้อมูลดิบจาก AppsFlyer (การติดตั้ง การดำเนินการของผู้ใช้ แหล่งที่มาของการเข้าชม รายได้) กับข้อมูลต้นทุนจาก Google Ads เราสามารถสร้างรายงานที่แสดง ROI ของแคมเปญโฆษณาในแง่ของการดำเนินการธุรกรรมที่เกี่ยวข้อง

1. ใช้ OWOX BI อัปโหลดข้อมูลดิบเกี่ยวกับพฤติกรรมผู้ใช้ในแอปจาก AppsFlyer ไปยัง BigQuery และอัปโหลดข้อมูลเกี่ยวกับแหล่งที่มาของการติดตั้ง ธุรกรรมที่ตามมา และรายได้จากแอปไปยัง GBQ
2. ตรวจสอบการอัปโหลดเพื่อดูว่าข้อมูลทั้งหมดที่จำเป็นสำหรับรายงานตรงกับข้อมูลจาก CRM หรือไม่ (รายได้ จำนวน Conversion)
3. ตั้งค่าการอัปโหลดค่าใช้จ่าย Google Ads ไปยัง GBQ โดยใช้วิธีการโอนข้อมูล
4. เขียนแบบสอบถาม SQL ที่เชื่อมโยงข้อมูลจาก AppsFlyer และการถ่ายโอนข้อมูล และทำการคำนวณที่จำเป็น
5. สร้างรายงานใน Google Data Studio

แอปพลิเคชันมือถืออาจมีเอฟเฟกต์ล่าช้า ตัวอย่างเช่น อาจมีบางคนติดตั้งแอปแต่ลงทะเบียนกับแอปนั้นในอีกหนึ่งเดือนต่อมา ลูกค้าของเราต้องการวิเคราะห์ประสิทธิภาพของการเข้าชมที่ซื้อเมื่อเวลาผ่านไป นั่นคือ ถ้า X หน่วยของแอปพลิเคชันถูกซื้อจากช่อง Y ในเดือนมีนาคม มีกี่หน่วยที่ทำให้เกิด Conversion ในเดือนเมษายน พฤษภาคม มิถุนายน ฯลฯ เพื่อตอบคำถามนี้ เราได้สร้างรายงานพิเศษขึ้น

การทำการวิเคราะห์ข้ามประเทศ เมือง และกลุ่มแคมเปญโฆษณายังเป็นความท้าทายอีกด้วย ตัวอย่างเช่น ลูกค้าของเราจะได้เห็นประสิทธิภาพของแคมเปญที่ดูแลโดยผู้จัดการบางคน นี้ถูกนำมาใช้โดยใช้ตัวกรอง

เราไม่ได้ใช้ข้อมูล CRM ในรายงานเนื่องจากมีข้อผิดพลาดเล็กน้อยระหว่างการขายจริงในระบบภายในและข้อมูลแอปพลิเคชัน

ลูกค้าของเราได้รับรายงานที่อัปเดตโดยอัตโนมัติใน Google Data Studio ซึ่งตอบคำถามต่อไปนี้:

• แหล่งที่มาของการเข้าชม X นำมาซึ่งการตั้งค่าแอปจำนวนเท่าใดในเดือน Y
• มี Conversion ในแอปจำนวนเท่าใดในเดือนที่ติดตั้งและในเดือนต่อๆ ไป (ตามแหล่งที่มาของการเข้าชม)
• ประสิทธิภาพของกลุ่มแคมเปญในแง่ของพารามิเตอร์ข้างต้นคืออะไร?
• แคมเปญโฆษณาข้ามประเทศมีประสิทธิภาพเพียงใด

เราไม่สามารถแชร์รายงานลูกค้าที่มีข้อมูลที่ละเอียดอ่อนได้ แต่นี่คือตัวอย่างรายงานฐาน (ไม่มีการชดเชยรายเดือน) ที่สามารถสร้างได้ด้วยโซลูชันที่อธิบายไว้:

ต้องการเรียนรู้เกี่ยวกับประสิทธิภาพการรับส่งข้อมูลจากแอปพลิเคชันมือถือหรือไม่ ลองใช้ OWOX BI ฟรีและดูว่าสามารถตอบสนองความต้องการของคุณได้อย่างไร

รายงาน Google Analytics จะใช้รูปแบบการระบุแหล่งที่มาของคลิกที่ไม่ใช่โดยตรงครั้งสุดท้ายโดยค่าเริ่มต้น โมเดลนี้กำหนดค่าทั้งหมดจากธุรกรรมไปยังแหล่งที่มาทางอ้อมสุดท้ายในห่วงโซ่ก่อนคำสั่งซื้อ ด้วยเหตุนี้ แหล่งที่มาอื่นๆ ที่โปรโมตผู้ใช้ผ่านช่องทางจึงถูกประเมินค่าต่ำเกินไป

คุณสามารถใช้การระบุแหล่งที่มาตามช่องทาง ML จาก OWOX BI เพื่อเรียนรู้คุณค่าที่แท้จริงของแชแนลและกระจายงบประมาณของคุณอย่างมีประสิทธิภาพ โดยคำนึงถึงจุดติดต่อทั้งหมดและการกระทำของผู้ใช้ทั้งหมดเมื่อย้ายผ่านช่องทางตั้งแต่การเข้าชมครั้งแรกไปจนถึงการซื้อ

เป้าหมายของลูกค้า: เพิ่ม ROI ของแหล่งที่มาของการเข้าชมที่ได้รับการควบคุมที่ดัชนี CRR คงที่

ความท้าทายของลูกค้า: สร้างรายงานที่แสดงแหล่งที่มาของการเข้าชมที่ประเมินค่าต่ำเกินไปและประสิทธิภาพในแง่การเงิน โดยคำนึงถึงผู้ติดต่อของผู้ใช้แต่ละรายกับไซต์

สมมติฐานของเรา: ROI สามารถเพิ่มได้โดยไม่ต้องเพิ่ม CRR หากมีการจัดสรรงบประมาณการโฆษณาอย่างมีประสิทธิภาพ ในการดำเนินการนี้ การคำนวณ ROI ต้องคำนึงถึงการมีส่วนร่วมของแคมเปญและแหล่งที่มาทั้งหมดที่โปรโมตผู้ใช้ผ่านช่องทาง ไม่ใช่แค่เฉพาะผู้ที่ปิดดีล

1. รวบรวมข้อมูลพฤติกรรมผู้ใช้ดิบบนไซต์และส่งไปยัง Google BigQuery โดยใช้ OWOX BI
2. ตั้งค่าการนำเข้าข้อมูลต้นทุนจากบริการโฆษณาไปยัง Google Analytics และ Google BigQuery
3. กำหนดค่ารหัสลูกค้า รหัสผู้ใช้ และรหัสธุรกรรมเพื่อส่งไปยัง BigQuery และ CRM อย่างถูกต้อง
4. อัปโหลดข้อมูลการขายจริงจาก CRM ไปยัง Google BigQuery ในโครงสร้างที่จำเป็น
5. เชื่อมโยงข้อมูลพฤติกรรมผู้ใช้จากเว็บไซต์กับคำสั่งซื้อที่เสร็จสมบูรณ์ตามรหัสลูกค้า รหัสผู้ใช้ และรหัสรหัสธุรกรรม ไม่จำเป็นต้องมีการสืบค้น SQL — ทุกอย่างเกิดขึ้นภายในรูปแบบการระบุแหล่งที่มา OWOX BI เราเพียงแค่โหลดข้อมูลในรูปแบบที่ถูกต้องและเพิ่มลงในการคำนวณแบบจำลอง
6. ตั้งค่ารูปแบบการระบุแหล่งที่มาและเรียกใช้การคำนวณใน OWOX BI ในขั้นตอนนี้ เราสามารถระบุเป็นเหตุการณ์ขั้นตอนของช่องทางที่มีความสำคัญต่อธุรกิจเฉพาะ รวมถึงเหตุการณ์ที่เกิดขึ้นแบบออฟไลน์ (การประชุม การโทร การสัมมนาผ่านเว็บ ฯลฯ) ช่องทางอาจแตกต่างกันไปตามสิ่งที่ธุรกิจต้องการวัดและวิธีที่พวกเขาเห็นเส้นทางสู่การซื้อของผู้ใช้
7. ดำเนินการวิเคราะห์ข้อมูลเบื้องต้นโดยใช้รายงานมาตรฐาน OWOX BI Smart Data เพื่อหลีกเลี่ยงการใช้ทรัพยากรในการแสดงข้อมูลเป็นภาพในระบบ BI บุคคลที่สาม ใน Smart Data คุณสามารถดูรายงานที่เสร็จสมบูรณ์ซึ่งสร้างจากผลลัพธ์ของการคำนวณรูปแบบการระบุแหล่งที่มาโดยไม่ต้องสืบค้น SQL ตัวอย่างเช่น คุณสามารถดู ROI ของแคมเปญโฆษณาและความแตกต่างจาก ROI ที่แสดงโดยการระบุแหล่งที่มาของคลิกที่ไม่ใช่โดยตรงครั้งสุดท้าย

การถ่ายโอนรหัสลูกค้าและรหัสธุรกรรมอย่างถูกต้องพร้อมกับคำสั่งซื้อไปยัง CRM ของคุณจำเป็นต้องมีทีมพัฒนาฝั่งไคลเอ็นต์ เช่นเดียวกับการกำหนดค่าและการส่ง ID ผู้ใช้

เพื่อที่จะตีความผลลัพธ์ของการคำนวณการระบุแหล่งที่มาได้อย่างถูกต้อง จำเป็นต้องมีผู้เชี่ยวชาญจากทีมของลูกค้าเข้ามาเกี่ยวข้อง นั่นเป็นเพราะเป็นการยากที่จะประเมินพฤติกรรมของแหล่งที่มาของการเข้าชมบางแหล่งได้อย่างถูกต้องโดยไม่ทราบบริบทและตรรกะตามแคมเปญโฆษณาที่ตั้งค่าไว้

ลูกค้าของเราได้รับรายงานสำเร็จรูปที่สามารถใช้เพื่อ:

• เปรียบเทียบ ROI ของแหล่งที่มาของการเข้าชมกับคำสั่งซื้อที่เสร็จสมบูรณ์สำหรับการระบุแหล่งที่มาจากการคลิกที่ไม่ใช่โดยตรงครั้งสุดท้ายและการระบุแหล่งที่มาตามช่องทาง ML
• วิเคราะห์ประสิทธิภาพของแหล่งที่มาของการเข้าชมในขั้นตอนต่างๆ ของช่องทาง
• ส่งผลลัพธ์ของการคำนวณรูปแบบการระบุแหล่งที่มาไปยัง Alytics, Google Ads และ K50 โดยอัตโนมัติเพื่อให้การจัดการอัตราเป็นอัตโนมัติ (OWOX BI ผสานรวมกับบริการเหล่านี้)

ต่อไปนี้คือตัวอย่างรายงานจาก OWOX BI Smart Data ที่แสดงให้เห็นว่า ROI ของแคมเปญโฆษณาแตกต่างกันอย่างไรตามรูปแบบการระบุแหล่งที่มา:

ตัวอย่างเช่น ในภาพหน้าจอนี้ เราพบว่าแหล่งที่มาของ ROI bing/organic นั้นสูงกว่าใน Google Analytics 20% นั่นคือแหล่งที่มาได้รับเงินมากขึ้นจริง ๆ แต่ถูกประเมินค่าต่ำเกินไปใน Google Analytics เนื่องจากอยู่ตรงกลางของช่องทาง

ต้องการประเมินผลกระทบร่วมกันของแคมเปญโฆษณาของคุณและการมีส่วนร่วมในการขายหรือไม่ ลองใช้ OWOX BI และดูว่าจะช่วยให้คุณบรรลุเป้าหมายได้อย่างไร

เมื่อผู้ใช้เห็นโฆษณาที่ใดที่หนึ่ง ไม่คลิกอะไรเลย แต่หลังจากนั้นไม่นานก็ไปที่ไซต์และดำเนินการบางอย่าง จะเรียกว่า Conversion หลังการดู สิ่งเหล่านี้ติดตามได้ยาก เนื่องจากไม่มีการเชื่อมต่อโดยตรงและการเปลี่ยนไปใช้โฆษณา

นอกจากนี้ ผู้เล่นรายใหญ่อย่าง Facebook, Google, YouTube และ Yandex ไม่ได้สนใจที่จะให้บุคคลที่สามเข้ามาอยู่ในระบบมากนัก นั่นคือพวกเขาไม่ต้องการให้ข้อมูลที่ระบุว่าผู้ใช้รายใดรายหนึ่งเห็นโฆษณาบางรายการ

เป้าหมายของลูกค้า: เพิ่มประสิทธิภาพการลงทุนในการโฆษณาสื่อ (แบนเนอร์และวิดีโอ)

ความท้าทายของลูกค้า: ติดตามการดูโฆษณาสื่อ (ไม่มีการคลิก) และการเข้าชมเว็บไซต์ในภายหลังโดยผู้ใช้ที่เห็นโฆษณา

สมมติฐานของเรา: เราสามารถวางโค้ดติดตาม (พิกเซล) บนเว็บไซต์ที่ลูกค้าเผยแพร่โฆษณาสื่อของพวกเขา พิกเซลนี้จะกำหนดคุกกี้ที่ไม่ซ้ำกันให้กับผู้ใช้แต่ละรายที่เห็นโฆษณา หลังจากนั้นไม่นาน ผู้ใช้รายนี้อาจไปที่เว็บไซต์ของลูกค้า จากนั้น เราจะสามารถอ่านคุกกี้ที่เรากำหนดและใช้ข้อมูลนี้เพื่อสร้างการวิเคราะห์หลังการดู

ทีมงาน OWOX BI มีหน้าที่พัฒนาวิธีการติดตามที่จะรวบรวมข้อมูลเกี่ยวกับการดูโฆษณา เพื่อให้สามารถรวมเข้ากับข้อมูลพฤติกรรมผู้ใช้จากเว็บไซต์ของลูกค้าได้ โดยพื้นฐานแล้วเราได้สร้างโค้ดที่สามารถวางบนไซต์ที่โฆษณาทำงาน

จากนั้น เราต้องการให้ Google BigQuery รวมข้อมูลการดูโฆษณากับข้อมูลพฤติกรรมผู้ใช้จากเว็บไซต์ของลูกค้า เพื่อให้สามารถประมวลผลโดยใช้ SQL

งานถูกนำไปใช้ในหลายขั้นตอน:

1. รวบรวมความต้องการทางธุรกิจจากลูกค้า
2. บนพื้นฐานของข้อกำหนดทางธุรกิจเหล่านั้น ให้เตรียม TA สำหรับการแนะนำพิกเซลบนไซต์ที่จะวางสื่อโฆษณา
3. ทดสอบคุณภาพของการนำ TA ไปใช้และคุณภาพของข้อมูลที่เข้าสู่ Google BigQuery ระหว่างการคัดกรองโฆษณา
4. เปิดตัวแคมเปญและตรวจสอบคุณภาพการรับส่งข้อมูล
5. เชื่อมโยงข้อมูลที่รวบรวมระหว่างช่วงแคมเปญกับข้อมูลพฤติกรรมของผู้ใช้รวมถึงข้อมูล CRM
6. สร้างรายงานที่ตอบคำถามทางธุรกิจของลูกค้า

• ไม่ใช่ทุกไซต์ที่สนใจที่จะโฮสต์พิกเซลของเรา
• เราใช้ ID ผู้ใช้ OWOX ของเราเองเป็นคีย์สำหรับการทำแผนที่ข้อมูล
• เราตรวจสอบการติดตามและการทำงานที่ถูกต้องของสคริปต์ของเราอย่างต่อเนื่องบนแพลตฟอร์มที่ผู้โฆษณาเป็นเจ้าของ
• เราพิจารณาไม่เพียงแต่การขายตรงภายในกรอบเวลา Conversion แต่ยังรวมถึงผลกระทบของการโฆษณาในการดึงดูดผู้ชมใหม่ (หนึ่งใน KPI ของลูกค้า)

ลูกค้าของเราได้รับรายงานที่ตอบคำถามต่อไปนี้:

• ROI ของแคมเปญที่มีคำสั่งซื้อออนไลน์เป็นอย่างไร
• ROI ของแคมเปญสำหรับคำสั่งซื้อที่เสร็จสิ้นภายใน 10 วันหลังจากดูโฆษณาเป็นเท่าใด
• ROI ของการโฆษณาจากผลกระทบของ ROPO คืออะไร?
• ไซต์ใดที่พิสูจน์แล้วว่ามีประสิทธิภาพสูงสุดในแง่ของ ROI/CR/ผู้ใช้ใหม่
• ผู้ใช้ที่เห็นโฆษณาอยู่ในไซต์แล้วกี่เปอร์เซ็นต์
• มีผู้ใช้ใหม่เข้ามาที่ไซต์กี่คนภายใน X/Y/Z วันที่ดูโฆษณา
• มีผู้ใช้ใหม่กี่รายที่ซื้อหลังจากดูโฆษณา
• รายการใดบ้างที่ผู้ใช้ที่เห็นโฆษณาซื้อ
• จำนวนผู้ใช้ที่ล่วงลับไปแล้ว (ที่ไม่ได้เข้าสู่ไซต์หรือซื้อบนไซต์เป็นเวลา X วัน) ถูกนำกลับมาโดยโฆษณาจำนวนเท่าใด

ตัวอย่างรายงานคอนเวอร์ชั่นหลังการดู:

ต้องการรายงานเดียวกันหรือไม่ ลองใช้ OWOX BI และดูว่าคุณจะใช้มันเพื่อเอาชนะความท้าทายด้านการวิเคราะห์การตลาดได้อย่างไร

• Data คือน้ำมันแห่งศตวรรษที่ 21
• การทำงานกับข้อมูลจำเป็นต้องมีการทดลองและการทดสอบสมมติฐาน
• คุณต้องเตรียมพร้อมว่าการทดลองทั้งหมดจะไม่ประสบความสำเร็จ
• ความต้องการของ CMO เพียงอย่างเดียวไม่เพียงพอ คุณต้องมีกระบวนการภายในบริษัทเพื่อให้ข้อมูลเริ่มนำเงินเข้ามา และทีมงานก็ควรจะต้องการ
• การแปลงข้อมูลเป็นเงินคือการเล่นแร่แปรธาตุของศตวรรษที่ 21 หรือไม่? เราไม่ได้คิดอย่างนั้น :)