วิธีใช้การวิเคราะห์กลุ่มลูกค้าตามรุ่นลูกค้าเพื่อวัดประสิทธิภาพโฆษณา

ปัจจุบันธุรกิจต่างๆ ดำเนินการในโลกดิจิทัล โดยมีข้อมูลลูกค้าจำนวนมหาศาลให้รวบรวม บันทึก และดำเนินการอย่างถี่ถ้วนในรายละเอียด ไม่ใช่ตัวเลือกที่ง่ายแม้แต่สำหรับบริษัทขนาดเล็ก ไม่ต้องพูดถึงองค์กรขนาดใหญ่ เมื่อธุรกิจมีการพัฒนาอย่างต่อเนื่อง ก็ต้องทำให้เกิดความเข้าใจด้วยว่าสามารถโฆษณาได้อย่างมีประสิทธิภาพมากขึ้นและเพิ่มประสิทธิภาพงบประมาณโฆษณา

ในกรณีนี้ เราอธิบายโซลูชันที่จัดทำโดยทีม OWOX BI สำหรับบริษัทขนาดใหญ่ที่จัดหาชุดผลิตภัณฑ์แบบบูรณาการสำหรับธุรกิจ ชุดเครื่องมือนี้ประกอบด้วยเครื่องมือสำหรับการจัดการโครงการ เอกสารประกอบ CRM โทรศัพท์ ปฏิทิน และอื่นๆ ลูกค้ารายนี้มีความท้าทายในการใช้งบประมาณการโฆษณาอย่างมีประสิทธิภาพมากขึ้นควบคู่ไปกับการวิเคราะห์กลุ่มลูกค้าตามรุ่น

เนื่องจากความท้าทายหลักสำหรับผู้เชี่ยวชาญด้านการตลาดคือการเข้าถึงลูกค้ามากขึ้น จึงทำทุกอย่างเพื่อลงทะเบียนบริการให้ได้มากที่สุด หลังจากที่ได้ลูกค้าที่ใช้งานจำนวนมากในฐานข้อมูล มีความจำเป็นต้องปรับปรุงวงจรชีวิตของลูกค้า ผู้เชี่ยวชาญด้านการตลาดต้องการใช้ทรัพยากรการโฆษณากับกลุ่มเป้าหมายที่พร้อมจะซื้อผลิตภัณฑ์ของตนเท่านั้น เนื่องจากต้นทุนการได้มาซึ่งลูกค้าเพิ่มขึ้นพร้อมกับการแข่งขันทางธุรกิจ ดังนั้น ความพยายามในการโฆษณาส่วนใหญ่จึงเริ่มจ่ายเงินหลังการซื้อตั้งแต่สองเดือนขึ้นไป เนื่องจากลูกค้าส่วนใหญ่ชำระค่าสมัครเป็นรายเดือน

ด้วยเหตุนี้ เพื่อใช้งบประมาณการโฆษณาอย่างมีประสิทธิภาพมากขึ้น จึงตัดสินใจทำการวิเคราะห์กลุ่มลูกค้าตามรุ่น กลุ่มประชากรตามรุ่นคือกลุ่มผู้ใช้ที่มีลักษณะทั่วไปร่วมกัน ด้วยการจัดกลุ่มผู้ใช้เป็นกลุ่มตามรุ่นตามเวลาที่ลงทะเบียนครั้งแรก นักการตลาดต้องการรับข้อมูลโดยละเอียดเพิ่มเติมเกี่ยวกับสิ่งที่ลูกค้าทำหลังจากลงทะเบียนบนเว็บไซต์ การวิเคราะห์ตามการได้มายังช่วยคำนวณรายได้จากแต่ละกลุ่ม ประเมินประสิทธิภาพของแคมเปญการได้มาซึ่งลูกค้า และปรับปรุงต้นทุนการโฆษณา นอกจากนี้ การเปรียบเทียบข้อมูลเชิงพฤติกรรมสำหรับกลุ่มประชากรตามรุ่นจากแหล่งที่มา ช่องทาง และแคมเปญต่างๆ ช่วยให้เข้าใจว่าแคมเปญใดทำงานได้ดีกว่าสำหรับการได้มาซึ่งลูกค้า และแคมเปญใดปรับปรุงอัตราการรักษาและกระตุ้นให้ผู้ใช้ลงทะเบียนหลายพอร์ทัล

เนื่องจากมีความจำเป็นในการจัดหาการวิเคราะห์ตามรุ่นที่มีประสิทธิภาพ ข้อมูลทั้งหมดควรถูกรวมเข้าในระบบเดียว ความท้าทายอีกประการหนึ่งคือการสุ่มตัวอย่างข้อมูลในขณะที่ทำงานกับ Google Analytics เวอร์ชันฟรี นักวิเคราะห์ต้องการหลีกเลี่ยงหรืออย่างน้อยก็ลดการสุ่มตัวอย่างข้อมูลโดยไม่ต้องส่งออกข้อมูลในแต่ละวัน

นอกจากนี้ ยังต้องรวมเมตริกเฉพาะจำนวนหนึ่งในรายงานการวิเคราะห์ตามการได้มา:

• จำนวนการลงทะเบียน — จำนวนพอร์ทัลที่ลงทะเบียน
• MAU — จำนวนผู้ใช้งานรายเดือน
• CR ถึง MAU — จำนวนผู้ใช้งานรายเดือนเมื่อเทียบกับจำนวนผู้ใช้ที่ลงทะเบียน
• การเก็บข้อมูลวันที่ 2 — จำนวนลูกค้าที่กลับมาในวันที่สองหลังจากลงทะเบียนพอร์ทัลใหม่
• ส่วนแบ่งการรักษา วันที่ 2 — เปอร์เซ็นต์ของลูกค้าที่กลับมาเยี่ยมชมเว็บไซต์อีกครั้งในวันที่สองหลังจากการลงทะเบียน
• ผู้ใช้ที่ชำระเงิน — จำนวนลูกค้าที่ชำระเงิน
• CR to Paying — จำนวนผู้ใช้ที่ชำระเงินเทียบกับจำนวนผู้ใช้ที่ลงทะเบียน
• SUM รายได้ — รายได้ทั้งหมดที่เกิดจากกลุ่มประชากรตามรุ่น
• อัตราการปั่น — เปอร์เซ็นต์ของการปั่นของลูกค้า
• ROMI — ผลตอบแทนจากการลงทุนทางการตลาด คำนวณเป็นรายได้/ต้นทุน × 100%

บรรลุเป้าหมายโดยใช้ฐานข้อมูลบนคลาวด์ของ Google BigQuery ด้วยวิธีต่อไปนี้:

1. การกำหนดค่าการนำเข้าข้อมูลพฤติกรรมของลูกค้าและข้อมูลค่าใช้จ่ายทางการตลาดไปยัง Google BigQuery โดยใช้ OWOX BI Pipeline
2. การส่งข้อมูลผู้ใช้และธุรกรรมไปยัง Google BigQuery ผ่าน Measurement Protocol
3. การจัดกลุ่มผู้ใช้ตามกลุ่มประชากรตามรุ่นใน Google BigQuery และเลือกเมตริกที่จำเป็นทั้งหมด
4. การส่งข้อมูลจาก Google BigQuery ไปยัง Google ชีตและสร้างรายงานการวิเคราะห์ตามการได้มา

สคีมาด้านล่างแสดงโฟลว์ข้อมูล:

ตอนนี้เรามาดูแต่ละขั้นตอนโดยละเอียดกัน

เมื่อพิจารณาถึงแพลตฟอร์มทางเลือกทั้งหมดแล้ว บริษัทจึงเลือก Google BigQuery เพื่อรวมข้อมูล ข้อมูลพฤติกรรมผู้ใช้เว็บถูกนำเข้าไปยัง Google BigQuery โดยใช้ OWOX BI Pipeline นี่คือข้อดีของโซลูชันนี้:

• ไม่มีการสุ่มตัวอย่างข้อมูลและข้อจำกัดเกี่ยวกับจำนวนมิติข้อมูลและเมตริกในรายงาน Google Analytics ดูข้อมูลเพิ่มเติมเกี่ยวกับข้อจำกัดได้ที่นี่
• ข้อมูลจากเว็บไซต์ปรากฏใน Google BigQuery ภายใน 5 นาทีเท่านั้น
• สามารถเปรียบเทียบรายได้และค่าโฆษณาตามเซสชันและผู้ใช้ ให้ข้อมูลเชิงลึกที่ดีขึ้นเกี่ยวกับความสามารถในการทำกำไรของกลุ่ม OWOX BI Pipeline ทำให้สามารถดูจำนวนเงินที่ใช้ไปเพื่อให้ได้ผู้ใช้แต่ละราย โดยการแจกจ่ายค่าโฆษณาตามเซสชันของผู้ใช้

ด้วยความช่วยเหลือของ OWOX BI Pipeline ข้อมูลจากบริการโฆษณาจะถูกนำเข้ามาที่ Google Analytics ก่อนแล้วจึงไปที่ Google BigQuery ข้อยกเว้นสำหรับ AdWords เนื่องจาก Google Analytics มีการผสานรวมแบบเนทีฟกับมัน

ข้อมูลเกี่ยวกับลูกค้าจะถูกรวบรวมไว้ในระบบ CRM ดังนั้น ข้อมูลเกี่ยวกับผู้ใช้ที่กลับมาเยี่ยมชมเว็บไซต์อีกครั้งในวันที่สองหลังจากลงทะเบียนพอร์ทัลจะถูกส่งออกไปยัง Google BigQuery ข้อมูลเกี่ยวกับผู้ใช้ที่ใช้งานอยู่และธุรกรรมจะถูกส่งออกไปยัง Google BigQuery ผ่าน Measurement Protocol ด้วย

ด้วยข้อมูลที่จำเป็นทั้งหมดที่รวบรวมใน Google BigQuery กลุ่มจึงถูกสร้างขึ้นและคำนวณเมตริกที่เลือกสำหรับแต่ละกลุ่ม

เนื่องจากลูกค้าชำระค่าสินค้าเป็นรายเดือน ระยะเวลาสำหรับการวิเคราะห์ถูกตั้งไว้ที่หนึ่งเดือน กลุ่มประชากรตามรุ่นถูกสร้างขึ้นตามเวลาของการลงทะเบียนครั้งแรก ซึ่งหมายความว่าผู้ใช้ทั้งหมดที่ลงทะเบียน สมมติว่าในเดือนกรกฎาคม อยู่ในกลุ่มประชากรตามรุ่นเดียวกัน ด้วยเมตริกที่คำนวณใน Google BigQuery ตารางมีโครงสร้างดังต่อไปนี้:

เนื่องจากข้อมูลถูกส่งออกจาก Google BigQuery (ผ่านโปรแกรมเสริม OWOX BI BigQuery Reports) ข้อมูลดังกล่าวจึงแสดงเป็นภาพใน Google ชีต ข้อมูลนี้อัปเดตโดยอัตโนมัติทุกวันและสามารถกรองตามช่อง แหล่งที่มา แคมเปญ และเนื้อหาโฆษณา

รายงานแสดงให้เห็นว่าความคิดริเริ่มการโฆษณาไม่เพียงแต่ช่วยให้ได้ลูกค้าใหม่ แต่ยังเพิ่มมูลค่าตลอดช่วงชีวิตของลูกค้า นำลูกค้าที่ได้มาแล้วซึ่งต้องการเพิ่มพอร์ทัลอื่นกลับมา

ในกรณีส่วนใหญ่ การลงทุนด้านโฆษณาจะเริ่มชำระภายในสามเดือน

แม้ว่าการสร้างรายงานจะเป็นงานที่ยากโดยมีปัจจัยผันแปรมากมาย แต่ผลลัพธ์ก็คุ้มค่าแน่นอน มีการสร้างชุดรายงานอัตโนมัติทั่วไปสำหรับแผนกการตลาด ก่อนหน้านั้น ผู้เชี่ยวชาญด้านการตลาดต้องสร้างรายงานดังกล่าวด้วยตนเอง ตรวจสอบทุกอย่างอีกครั้ง และใช้เวลาและความพยายามอย่างมาก

เนื่องจากรายงานใหม่ จึงมีการค้นพบที่น่าสนใจบางอย่างเกิดขึ้นด้วย ตัวอย่างเช่น พบว่าการโฆษณาไม่เพียงแต่ได้ผลสำหรับการได้ลูกค้ามาเท่านั้น แต่ยังช่วยรักษาลูกค้าและช่วยให้ได้รับการลงทะเบียนจากลูกค้ารายเดียวกันมากขึ้น

• ตอนนี้บริษัทมีชุดรายงานอัตโนมัติเต็มรูปแบบที่ช่วยวัดประสิทธิภาพของช่องทางการโฆษณา แหล่งที่มา และแคมเปญในกลุ่มลูกค้าตามรุ่นทุกเดือน
• เมื่อรู้ว่าโฆษณาของพวกเขาทำงานได้ดีเพียงใด ผู้เชี่ยวชาญด้านการตลาดจึงสามารถเพิ่มประสิทธิภาพต้นทุนเพื่อเพิ่มรายได้รวมจากแต่ละกลุ่มรุ่นและลดอัตราการเลิกใช้งาน
• ด้วยความช่วยเหลือของการวิเคราะห์ตามการได้มา ขณะนี้สามารถระบุแหล่งที่มาที่ดึงดูดลูกค้าที่ภักดีได้มากที่สุด ข้อมูลนี้ยังสามารถใช้สำหรับรีมาร์เก็ตติ้งได้อีกด้วย