วิธีค้นพบคำหลัก 2.4 เท่าที่ช่วยในการแปลงและเพิ่ม ROI การโฆษณา PPC ขึ้น 17%

การชนะการแข่งขันทางการตลาดในวันนี้เป็นไปไม่ได้หากไม่มีการวิเคราะห์ข้อมูลเพื่อปรับปรุงผลการดำเนินธุรกิจ เทคโนโลยีใหม่นี้ช่วยให้บริษัทต่างๆ สามารถเปลี่ยนแปลงเวิร์กโฟลว์ของตน ใช้ประโยชน์จากข้อมูลในการตัดสินใจได้อย่างมีประสิทธิภาพ และบรรลุเป้าหมายทางการตลาดได้เร็วขึ้น

ในกรณีนี้ เราอธิบายวิธีการแก้ปัญหาที่จัดทำโดยทีม OWOX BI สำหรับร้านค้าปลีกแบบ Omnichannel สำหรับเฟอร์นิเจอร์และของใช้ในครัวเรือน ซึ่งลูกค้าทำการซื้อบนเว็บไซต์ ในร้านค้าที่มีหน้าร้านจริง และ/หรือทางโทรศัพท์ผ่านคอลเซ็นเตอร์ มีความท้าทายในการปรับปรุง ROI ของการโฆษณาออนไลน์

เนื่องจากบริษัทต้องการปรับปรุง ROI ของการโฆษณาออนไลน์ กลยุทธ์ของบริษัทจึงเกี่ยวข้องกับขั้นตอนต่อไปนี้:

1. รวบรวมข้อมูลทั้งหมดเกี่ยวกับกิจกรรมออฟไลน์และออนไลน์ของลูกค้าแต่ละรายจากอุปกรณ์ต่างๆ
2. ประเมินรายได้ที่เกิดจากคำหลักแต่ละคำ แทนที่จะกำหนดเครดิตทั้งหมดให้กับคำหลักสุดท้าย
3. จัดการและปรับการเสนอราคาอัตโนมัติสำหรับการโฆษณา PPC

กระบวนการที่เกี่ยวข้อง: รวบรวมข้อมูลทั้งหมด (การดำเนินการของผู้ใช้ คำสั่งซื้อทางออนไลน์ ออฟไลน์ และทางโทรศัพท์ ข้อมูลประสิทธิภาพการโฆษณา) การใช้รูปแบบการระบุแหล่งที่มาที่กำหนดเอง และการจัดการราคาเสนออัตโนมัติใน Alytics

บริษัทจำเป็นต้องรู้ว่าคำหลักแต่ละคำมีประสิทธิภาพดีเพียงใดในการเสนอราคาอัตโนมัติ จุดติดต่อลูกค้าทั้งหมด รวมถึงเซสชันออนไลน์ในอุปกรณ์ต่างๆ การโทรศัพท์ และการซื้อในหน้าร้านจริงจะต้องเชื่อมโยงเข้าด้วยกันเพื่อกำหนดมูลค่าของคีย์เวิร์ด ใน Google Analytics ไม่มีตัวเลือกดังกล่าว

รูปแบบการระบุแหล่งที่มาใน Google Analytics ไม่สามารถประเมินช่องทางการโฆษณาได้อย่างถูกต้อง เนื่องจากมีข้อบกพร่องดังต่อไปนี้:

• ละเว้นคำสั่งซื้อที่ยกเลิก
• ละเว้นการซื้อแบบออฟไลน์
• ละเว้นอัตรากำไรขั้นต้นของการซื้อ
• ละเว้นการสั่งซื้อทางโทรศัพท์
• ทำให้ผู้ใช้เข้าใจผิดที่เข้าชมบนอุปกรณ์หลายเครื่อง เนื่องจากเป็นผู้ใช้ที่ไม่ซ้ำหลายราย
• การสุ่มตัวอย่างข้อมูลในรายงาน

การประเมินประสิทธิภาพของคำหลักไม่ถูกต้องทำให้ยากต่อการกำหนดราคาเสนออย่างถูกต้อง ดังนั้น การเสนอราคาที่สูงจะทำให้สิ้นเปลืองงบประมาณ และการเสนอราคาต่ำจะทำให้ได้ลูกค้าน้อยลง

ข้อมูลเกี่ยวกับคำสั่งซื้อทางโทรศัพท์และคำสั่งซื้อออฟไลน์ ตลอดจนข้อมูลค่าใช้จ่ายสำหรับแคมเปญโฆษณาที่ไม่ใช่ของ Google นั้นไม่มีอยู่ใน Google Analytics ดังนั้น การรวบรวมข้อมูลและการสร้างแบบจำลองการระบุแหล่งที่มาจึงได้รับการตั้งค่าใน Google BigQuery

บริการนี้ได้รับเลือกด้วยเหตุผลดังต่อไปนี้:

• การประมวลผลแบบสอบถามความเร็วสูง — สูงสุด 20 วินาที — ที่ปริมาณข้อมูลเท่าใดก็ได้
• API ช่วยให้สามารถทำงานร่วมกับระบบอื่นๆ ได้ง่าย
• ความเป็นไปได้ที่จะอัปโหลดข้อมูลจากไฟล์หรือ Google ชีตอย่างง่ายดาย
• การชาร์จสำหรับการใช้งานเท่านั้น
• ไม่จำเป็นต้องรักษาฐานข้อมูล

มูลค่าของช่องและคีย์เวิร์ดคำนวณใน Google BigQuery เพื่อจัดการราคาเสนอ จากนั้นจึงนำเข้าผลลัพธ์ไปยัง Alytics โดยใช้ RESTful API

ตอนนี้เรามาดูแต่ละขั้นตอนกันดีกว่า

ข้อมูลค่าใช้จ่ายและประสิทธิภาพของ Google AdWords จะถูกนำเข้าโดยอัตโนมัติไปยัง Google Analytics ด้วยการผสานรวมแบบเนทีฟและการเชื่อมโยงบัญชี

OWOX BI Pipeline ใช้สำหรับ:

• รวบรวมข้อมูลเซสชัน ค่าใช้จ่าย และประสิทธิภาพรายได้จากบริการโฆษณาไปยัง Google Analytics ข้อมูลนี้ปรากฏในรายงานการวิเคราะห์ต้นทุนพร้อมกับข้อมูลจาก Google AdWords
• การนำเข้าข้อมูลประสิทธิภาพเซสชัน ค่าใช้จ่าย และรายได้รวมจาก Google Analytics ไปยัง Google BigQuery
• การนำเข้าข้อมูลพฤติกรรมผู้ใช้จากเว็บไซต์ไปยัง Google BigQuery แบบเกือบเรียลไทม์

ข้อมูลต่อไปนี้จะถูกส่งไปยัง Google BigQuery โดยใช้ API:

• อัตรากำไรขั้นต้นของผลิตภัณฑ์และอัตราคำสั่งซื้อจาก CRM และ ERP
• ClientIDs ของผู้ใช้ที่โทรออกจากระบบติดตามการโทรของ CallTouch CallTouch จะใช้หมายเลขโทรศัพท์หลายหมายเลข: ยิ่งมีการเข้าชมและระยะเวลาเซสชันเฉลี่ยนานเท่าใด CallTouch ก็ยิ่งให้หมายเลขโทรศัพท์มากขึ้นเท่านั้น ระบบจะแสดงหนึ่งในตัวเลขในแต่ละเซสชันบนเว็บไซต์และเชื่อมโยงหมายเลขกับ ClientID ของผู้ใช้ ถัดไป ClientID ของผู้โทรจะถูกนำเข้าจาก CallTouch ไปยัง Google BigQuery

ผังงานการรวบรวมข้อมูลได้รับด้านล่าง:

ตอนนี้ข้อมูลพฤติกรรมผู้ใช้ทั้งหมดจากหน้าร้านจริง ศูนย์บริการทางโทรศัพท์ และเว็บไซต์ ถูกรวบรวมใน Google BigQuery ข้อมูลเซสชัน (ลำดับ Hit รหัสเซสชัน และข้อมูลส่วนบุคคลที่เข้ารหัสของผู้ใช้) จะถูกโอนไปยัง Google BigQuery โดยใช้ OWOX BI Pipeline เซสชันเชื่อมโยงกับผู้ใช้โดยพารามิเตอร์ต่อไปนี้:

• ClientID ตัวระบุเฉพาะสำหรับคู่เบราว์เซอร์-อุปกรณ์
• UserID ซึ่งเป็นตัวระบุเฉพาะของผู้ใช้แต่ละราย ซึ่งผูกกับที่อยู่อีเมลของผู้ใช้
• หมายเลขบัตรสะสมคะแนน

Hoff จัดกลุ่มเซสชันโดยใช้แบบสอบถาม SQL ลองมาดูตัวอย่าง 3 วิธีในการรวมข้อมูลกัน

แอนนาเรียกดูโซฟาบนเว็บไซต์โดยใช้แอปเบราว์เซอร์บนสมาร์ทโฟนของเธอ ผ่านไประยะหนึ่ง เธอเข้าชมเว็บไซต์อีกครั้งโดยใช้อุปกรณ์เครื่องเดิม ทำการเลือก ลงชื่อเข้าใช้ทางอีเมล และเพิ่มโซฟาลงในรถเข็น เนื่องจากอุปกรณ์และเบราว์เซอร์เหมือนกัน เซสชันทั้งสองนี้จึงจัดกลุ่มตาม ClientID แอนนากลับมาบ้าน เปิดแล็ปท็อป ลงชื่อเข้าใช้บัญชีของเธอ และซื้อโซฟาที่เธอเลือก ตอนนี้ UserID สามารถรวมเซสชันบนโทรศัพท์และแล็ปท็อปของเธอเข้าด้วยกัน:

นิคเข้าเยี่ยมชมเว็บไซต์ขณะมองหาโต๊ะในครัวใหม่บนคอมพิวเตอร์ที่ทำงานของเขา ในช่วงพักกลางวัน เขาสร้างบัญชีบนเว็บไซต์โดยใช้สมาร์ทโฟนและสั่งซื้อ

Nick ใช้อุปกรณ์สองเครื่องที่แตกต่างกันและได้รับอนุญาตจากสมาร์ทโฟนของเขาเท่านั้น ทั้งสองเซสชันนี้ไม่สามารถเชื่อมโยงด้วย ClientID หรือ UserID ด้วยเหตุนี้ Google Analytics จึงนับว่าเป็นเซสชันจากผู้ใช้สองคนที่แตกต่างกัน

เมื่อกลับมาทำงาน นิคจำได้ว่าภรรยาของเขาอยาก ได้ โต๊ะอาหารแทน ไม้วอลนัท มาโดยตลอด และเขาก็ยังมีบัตรสะสมคะแนนอีกด้วย เขาเข้าสู่เว็บไซต์บนคอมพิวเตอร์ที่ทำงาน เข้าสู่ระบบ เปลี่ยนคำสั่งซื้อ และทำการซื้อโดยใช้บัตรสะสมคะแนน

ตอนนี้เซสชันของ Nick ทั้งหมดสามารถรวมเข้าด้วยกันโดยเชื่อมโยงการซื้อบนคอมพิวเตอร์ด้วย:

• ค้นหาตาราง (เซสชันที่ 1) โดย ClientID เนื่องจากเซสชันทั้งสองเริ่มต้นในเบราว์เซอร์เดียวกันบนคอมพิวเตอร์เครื่องเดียวกัน
• การสร้างบัญชีบนโทรศัพท์ (เซสชันที่ 2) — โดย UserID เนื่องจาก Nick ลงชื่อเข้าใช้บัญชีของเขาในทั้งสองเซสชัน

ด้วยเหตุนี้ ข้อมูลที่เกี่ยวข้องกับการเดินทางของนิคตั้งแต่การเข้าชมครั้งแรกจนถึงการซื้อจึงถูกเก็บรวบรวมไว้ใน Google BigQuery

นิคเปิดดูเว็บไซต์บนคอมพิวเตอร์ที่ทำงาน มองหาเก้าอี้ที่เข้ากับโต๊ะใหม่ เขาโทรไปที่หมายเลขโทรศัพท์ที่แสดงบนเว็บไซต์และทำการสั่งซื้อ จากนั้นเขาก็ขับรถไปที่ร้านและซื้อเก้าอี้โดยใช้บัตรสะสมคะแนน

การกระทำก่อนหน้าของ Nick บนเว็บไซต์ถูกรวมเข้ากับการกระทำในร้านค้าและทางโทรศัพท์:

• การสั่งซื้อทางโทรศัพท์และกิจกรรมออนไลน์ — โดย ClientID ตามที่นิคเคยซื้อโต๊ะมาก่อน และ CallTouch ได้แสดงหมายเลขโทรศัพท์ในเบราว์เซอร์เดียวกันบนอุปกรณ์เดียวกัน
• การซื้อแบบออฟไลน์และกิจกรรมออนไลน์ — ตามจำนวนบัตรสมาชิกของนิค

ตอนนี้ ข้อมูลเพียงพอที่จะเชื่อมโยงการโต้ตอบของ Nick ทั้งหมดเข้าด้วยกัน นี่คือวิธีที่พวกเขาทำ:

ด้วยเหตุนี้ รหัสลูกค้า ที่อยู่อีเมล บัตรสะสมคะแนน และคำสั่งซื้อของผู้ใช้ทั้งหมดจึงถูกรวมเข้าด้วยกันเพื่อดูว่าคำค้นหาใดที่สร้างรายได้ และรายการใด ใช้ การเสนอราคาโดยไม่ต้องช่วยเหลือในการซื้อ

ตรรกะของรูปแบบการระบุแหล่งที่มามีดังนี้ มูลค่ารวมของเซสชันแรกและเซสชันสุดท้ายในเส้นทาง Conversion ของลูกค้าจะเท่ากับมูลค่าของเซสชันในระหว่างนั้น เซสชันแรกคือเมื่อผู้ใช้เข้าชมเว็บไซต์เป็นครั้งแรกและทำความคุ้นเคยกับแบรนด์ เซสชันสุดท้ายคือเมื่อผู้ใช้ทำการซื้อ การรวมข้อมูลระหว่างอุปกรณ์ต่างๆ จะช่วยค้นหาการเชื่อมต่อระหว่างเซสชันและลำดับเวลา

มูลค่าของแต่ละแชนเนลถูกกำหนดใน 2 ขั้นตอน:

1. การระบุช่องที่เริ่มเซสชันแรก หากผู้ใช้เคยไปที่เว็บไซต์มาก่อน ช่องทางการรับจะเชื่อมโยงกับช่องทางของเซสชันก่อนหน้า ตัวอย่างเช่น หากผู้ใช้เข้าชมเว็บไซต์โดยคลิกโฆษณาแบบดิสเพลย์ของ Google และเคยเข้าชมเว็บไซต์มาก่อนผ่านการค้นหาทั่วไปใน Bing โมเดลจะถือว่า Bing เป็นช่องทางที่แนะนำผู้ใช้ให้รู้จักกับแบรนด์
2. การกำหนดค่าให้กับเซสชัน รายได้จากการซื้อจะกระจายไปยังเซสชันผู้ใช้ตามกฎต่อไปนี้:

• เซสชั่นแรกได้รับ 20% ของเครดิตสำหรับการขาย
• รอบที่แล้วรับ 30% ของเครดิต
• เซสชันระหว่างพวกเขาจะได้รับ 50% ที่เหลือ เซสชันจะถูกประเมินโดยจำนวนชั่วโมงก่อนการซื้อ ยิ่งมีการดูหน้าเว็บมากขึ้นภายในเซสชันและชั่วโมงก่อนการซื้อน้อยลง เซสชันก็ยิ่งได้รับคุณค่ามากขึ้นเท่านั้น

มูลค่าของคำหลักและช่องจะคำนวณใหม่โดยอัตโนมัติทุกวัน ผลลัพธ์จะถูกเก็บไว้ในตารางใน Google BigQuery และ Google Cloud Storage ผลลัพธ์ของการระบุแหล่งที่มาจะถูกส่งออกจาก Google Cloud Storage ไปยัง Alytics โดยใช้ RESTful API

มีการตั้งค่ากฎสำหรับ Alytics เพื่อกำหนดขนาดราคาเสนอ ยิ่ง ROI ของวลีค้นหาที่กล่าวถึงผลิตภัณฑ์มาก การเสนอราคาก็จะยิ่งสูงขึ้น ตัวอย่างเช่น หาก ROI สำหรับตารางน้อยกว่า 15% ราคาเสนอสำหรับคำหลักสำหรับ ตารางซื้อ จะเท่ากับ $1 หาก ROI มากกว่า 75% ราคาเสนอจะเท่ากับ $4 ตัวเลขทั้งหมดถูกกำหนดโดยการทดลอง

ด้วยการผสานรวมข้อมูลเกี่ยวกับพฤติกรรมของลูกค้าทางออนไลน์และออฟไลน์ การกำหนดค่าคำหลัก และการปรับราคาเสนออัตโนมัติ ทำให้บริษัทสามารถตอบคำถามต่างๆ เช่น:

• ROI การโฆษณาออนไลน์จะเปลี่ยนไปอย่างไรเมื่อพิจารณาถึงการปฏิบัติตามคำสั่งซื้อ
• การโฆษณาออนไลน์ส่งผลต่อการสั่งซื้อในคอลเซ็นเตอร์อย่างไร?
• คำหลักใดที่ขับเคลื่อนคำสั่งซื้อที่ทำกำไรได้มากที่สุด
• ผลิตภัณฑ์ใดให้ ROI สูงสุด?
• ส่วนแบ่งของการขายออฟไลน์ที่ได้รับอิทธิพลจากการโฆษณาออนไลน์คืออะไร?

ส่งผลให้สามารถ:

• เพิ่มประสิทธิภาพราคาเสนอและเพิ่ม ROI โฆษณา PPC ขึ้น 17%
• วัดผลกระทบด้านรายได้ของคีย์เวิร์ดได้แม่นยำยิ่งขึ้น และดูคีย์เวิร์ดที่ช่วยในการแปลงเพิ่มขึ้น 2.4 เท่า รูปแบบการระบุแหล่งที่มามาตรฐานละเลยพวกเขาไป
• ค้นพบว่าวลีสำคัญบางวลีมีผลกระทบต่อการซื้อออฟไลน์มากกว่าการขายออนไลน์