วิธีเพิ่ม ROI การโฆษณาตามบริบท 2.2x สำหรับผู้ค้าปลีกระดับองค์กร

คำถามที่คุ้นเคยกับทุกธุรกิจคือวิธีลดการใช้จ่ายในการโฆษณาตามบริบทพร้อมทั้งรักษายอดขาย หากคุณซื้อการเข้าชมเว็บไซต์ของคุณในระบบโฆษณา เช่น Google Ads หรือ Facebook การใช้จ่ายส่วนใหญ่ของคุณจะไปที่การคลิกของผู้ใช้ที่ไม่ได้ลงเอยด้วยการใส่สินค้าลงในรถเข็น และถึงแม้จะทำจริง แต่ก็ไม่ได้ทำการซื้อจนเสร็จเสมอไป จะทำอะไรได้บ้างเพื่อเพิ่มประสิทธิภาพแคมเปญโฆษณา

ในกรณีนี้ เราอธิบายโซลูชันที่จัดทำโดยทีม OWOX BI สำหรับร้านค้าปลีกอุปกรณ์อิเล็กทรอนิกส์และเครื่องใช้ภายในบ้านที่ทดสอบ OWOX BI เพื่อคำนวณความน่าจะเป็นของ Conversion

งานการตลาดด้านประสิทธิภาพหลักสำหรับผู้ค้าปลีกระดับองค์กรคือการเพิ่มเมตริกประสิทธิภาพและลดการติดต่อกับผู้ใช้ที่ไม่สนใจซื้อในปัจจุบัน โซลูชันที่ขับเคลื่อนด้วยข้อมูลเป็นเครื่องมือที่มีแนวโน้มมากที่สุดสำหรับการเพิ่มประสิทธิภาพแคมเปญโฆษณา รูปแบบการระบุแหล่งที่มา OWOX BI ใช้เทคโนโลยีแมชชีนเลิร์นนิงเพื่อคำนวณความน่าจะเป็นในการซื้อสำหรับผู้ใช้เว็บไซต์แต่ละรายโดยเริ่มตั้งแต่การเข้าชมครั้งแรก เมื่อใช้ความน่าจะเป็นในการซื้อเหล่านี้ ธุรกิจต่างๆ สามารถระบุได้ว่าควรทุ่มไปกับการโฆษณากับผู้ใช้หรือไม่ นอกจากนี้ โมเดล OWOX BI สามารถคำนวณความน่าจะเป็นที่ผู้ใช้จะดำเนินการใดๆ

นอกจากนี้ หนึ่งในงานบังคับของผู้เชี่ยวชาญด้านการโฆษณาตามบริบท SEM คือการแบ่งกลุ่มผู้เยี่ยมชมเว็บไซต์ออกเป็นกลุ่มต่างๆ ขึ้นอยู่กับการกระทำที่พวกเขาทำบนเว็บไซต์และเวลาผ่านไปนับตั้งแต่การเรียกครั้งสุดท้าย ตัวอย่างเช่น จำนวนวันตั้งแต่เพิ่มสินค้าลงในรถเข็นโดยไม่มีการซื้อ การวิเคราะห์กลุ่มเป้าหมายดังกล่าวด้วยตนเองและการปรับการคำนวณราคาเสนอถือเป็นส่วนสำคัญของกระบวนการทำงาน

โดยสรุป เป้าหมายคือการเพิ่ม ROI ของแคมเปญโฆษณาตามบริบท ในขณะที่ประหยัดรายได้จากคำสั่งซื้อที่เสร็จสมบูรณ์

โซลูชันแมชชีนเลิร์นนิง OWOX BI ถูกนำมาใช้เพื่อเพิ่มประสิทธิภาพแคมเปญโฆษณา โดยได้รับการฝึกอบรมเกี่ยวกับ:

• ข้อมูลประวัติพฤติกรรมของผู้ใช้เว็บไซต์
• ข้อมูล CRM ในคำสั่งซื้อที่แลกรับ
• ข้อมูลที่รวบรวมและไม่ระบุชื่อจากหลายหมื่นโครงการโดยลูกค้า OWOX

OWOX BI ให้อะไร:

• สำหรับผู้ใช้เว็บไซต์แต่ละราย ความน่าจะเป็นในการซื้อจะถูกคำนวณสำหรับการแลกคำสั่งซื้อ
• การคำนวณความน่าจะเป็นจะได้รับการอัปเดตหลังจากการกระทำของผู้ใช้แต่ละครั้งหรือช่วงที่ไม่มีการใช้งาน ตัวอย่างเช่น หากผู้ใช้เข้าชมเว็บไซต์และดำเนินการหลายอย่าง พวกเขาจะได้รับความน่าจะเป็น X% ในการซื้อ หากพวกเขาไม่เข้าชมเว็บไซต์เป็นเวลาสี่วันหลังจากนั้น ความน่าจะเป็นนี้จะลดลง
• กลุ่มผู้ใช้ 10 กลุ่มแบ่งตามความน่าจะเป็นในการซื้อตามมาตราส่วน 10 จุด

เพื่อประเมินความถูกต้องของการคาดการณ์และประสิทธิภาพของแต่ละเซ็กเมนต์ ทีมงานได้วิเคราะห์จำนวนคำสั่งซื้อที่แต่ละเซ็กเมนต์เสร็จสิ้น

ที่ด้านบนสุดของตารางคือกลุ่มที่มีความน่าจะเป็นของการแปลงสูงสุด และที่ด้านล่างสุดคือกลุ่มที่ต่ำที่สุด

1. รวบรวมข้อมูลเกี่ยวกับพฤติกรรมของผู้ใช้บนเว็บไซต์ใน Google BigQuery ด้วย OWOX BI (ยังใช้ Google Analytics 360 ได้อีกด้วย)

2. นักวิเคราะห์ OWOX ฝึกฝนรูปแบบการระบุแหล่งที่มาและเริ่มการคำนวณความน่าจะเป็นของ Conversion เป็นประจำสำหรับผู้เยี่ยมชมเว็บไซต์ ผู้เข้าชมแต่ละคนได้รับมอบหมายความน่าจะเป็นของการแปลง อัลกอริทึมมีพารามิเตอร์มากกว่า 60 พารามิเตอร์ ได้แก่ :

• จำนวนเซสชันใน Hit ภายในกรอบเวลา Conversion
• การกระทำบนเว็บไซต์ภายในเซสชั่น
• หยุดระหว่างเซสชัน
• จำนวนการกระทำทั้งหมด
• อุปกรณ์เซสชันและระบบปฏิบัติการ
• แหล่งที่มาของการเข้าชมที่ผู้ใช้มีภายในกรอบเวลา Conversion
• จำนวนการดำเนินการในแต่ละหน้าภายในเซสชัน
• เวลาของเซสชันเฉพาะและเวลาทั้งหมดของเซสชันภายในกรอบเวลา Conversion

3. ทีม OWOX BI รวบรวมข้อมูลทั้งหมดนี้ไว้ในตารางเดียวใน Google BigQuery เพื่อประเมินความน่าจะเป็นในการซื้อสำหรับผู้ใช้แต่ละราย

4. ข้อมูลผู้ชมถูกโอนไปยังบริการโฆษณาโดยใช้ OWOX BI Pipeline

5. ผู้ชมถูกเพิ่มเข้าไปในบริการโฆษณา

การทดสอบ A/B หลักดำเนินการด้วยการแบ่งการเข้าชมที่เท่าเทียมกันในกลุ่มที่ตรวจสอบสำหรับแคมเปญโฆษณา:

• สร้างขึ้นด้วยตนเอง
• ตามฟีดข้อมูลผลิตภัณฑ์ด้วยความช่วยเหลือของบริการอัตโนมัติ

หลังจากการทดสอบที่ประสบความสำเร็จ การทดสอบครั้งที่สองในแคมเปญที่มีโฆษณาแบบไดนามิกก็เริ่มต้นขึ้น เมื่อรวบรวมข้อมูลตามประสิทธิภาพของแคมเปญโฆษณาแล้ว การเสนอราคาสำหรับผู้ชมจะถูกคำนวณและปรับเปลี่ยน:

• ลดราคาเสนอสำหรับผู้ชมที่มีโอกาสซื้อต่ำ (บางครั้งอาจสูงถึง 90%)
• เพิ่มราคาเสนอสำหรับผู้ชมที่มีโอกาสซื้อสูง

ขนาดของการปรับราคาเสนอคำนวณจากข้อมูลที่รวบรวมเกี่ยวกับค่าสัมประสิทธิ์การแปลงของผู้ชมแต่ละรายและ ROI เป้าหมาย ROI ปัจจุบันของแต่ละแคมเปญและผู้ชมยังถูกนำมาพิจารณาด้วย สำหรับผู้ชมแต่ละกลุ่ม OWOX BI ได้คำนวณราคาต่อหนึ่งคลิกที่เหมาะสม จากการคำนวณเหล่านี้ จะปรับราคาปัจจุบันเพื่อให้ถึง KPI เป้าหมาย การปรับเปลี่ยนอย่างต่อเนื่องตามผลลัพธ์

เป็นเวลาสองเดือน นักวิเคราะห์ของ OWOX ได้ทำงานร่วมกับทีมของลูกค้าเพื่อทำการทดสอบสองครั้ง ครั้งแรกกินเวลาครึ่งเดือนและรวมห้าแคมเปญโฆษณาที่มีปริมาณการเข้าชมต่ำ แต่ละแคมเปญเหล่านี้แบ่งออกเป็นสองแคมเปญสำหรับการทดสอบ A/B: แคมเปญหนึ่งใช้ผู้ชม OWOX BI และอีกแคมเปญหนึ่งไม่มี

แคมเปญที่ใช้ผู้ชม OWOX แสดงผลดีขึ้น 1.7 เท่าทั้งในแง่ของ ROI และรายได้สำหรับคำสั่งซื้อที่เสร็จสมบูรณ์ สำหรับผู้ค้าปลีก นี่เป็นขั้นตอนหนึ่งในการเพิ่มประสิทธิภาพในการลงทุนด้านโฆษณา

หลังจากการทดสอบครั้งแรก ทีม OWOX BI ได้ทำการทดสอบเป็นเวลาสามสัปดาห์โดยอิงตามแคมเปญที่มีการเข้าชมจำนวนมากตามหลักการเดียวกัน — จำนวนแคมเปญที่เท่ากันโดยใช้ผู้ชม OWOX BI และไม่มีผู้ชม OWOX BI

ผลลัพธ์ของการทดสอบครั้งที่สองคือ ROI ที่สูงขึ้น 2.2 เท่า และรายได้ที่สูงขึ้น 2.7 เท่าสำหรับคำสั่งซื้อที่เสร็จสมบูรณ์ในแคมเปญที่มีผู้ชม OWOX BI

ในทั้งสองกรณี กลุ่มทดสอบนำรายได้เพิ่มขึ้นด้วยงบประมาณเดียวกันกับกลุ่มควบคุม หรือนำรายได้เดียวกันด้วยงบประมาณที่ต่ำกว่า เมื่อใช้ OWOX BI เพื่อคาดการณ์ Conversion ลูกค้าของเราจะประหยัดเวลาในการสร้างกลุ่มผู้ชม ข้อมูลทั้งหมดบนเว็บไซต์ของผู้ใช้จะได้รับการประมวลผลโดยอัตโนมัติ และข้อมูลที่เป็นผลลัพธ์ถูกเตรียมไว้สำหรับการอัปโหลดไปยังบริการโฆษณา ซึ่งสามารถใช้ในแคมเปญโฆษณาเพื่อปรับราคาเสนอและดำเนินการ การกำหนดเป้าหมายใหม่

ผลการทดสอบเหล่านี้ถือเป็นการเริ่มต้นที่ประสบความสำเร็จสำหรับการปรับขนาดช่องประสิทธิภาพอื่นๆ และการสร้างแบรนด์เพิ่มเติม เนื่องจากการทดลองคำนวณความน่าจะเป็นของ Conversion ได้พิสูจน์ประสิทธิภาพแล้ว ขั้นตอนต่อไปคือการปรับขนาดโซลูชัน - เพื่อใช้งานในแคมเปญการค้นหาทั้งหมด เรียกใช้การกำหนดเป้าหมายใหม่โดยกำหนดราคาเสนอที่แตกต่างกันขึ้นอยู่กับ Conversion ในกลุ่ม และนำไปใช้กับบริการโฆษณาอื่นๆ เช่น Facebook , MyTarget และ Google Ads