วิธีเพิ่มรายได้จากอีเมล 237% และเพิ่มประสิทธิภาพค่าโฆษณา

กระบวนการอีเมลที่ปรับให้เหมาะสมอย่างดีสามารถช่วยให้ธุรกิจต่างๆ ได้รับ ROI สูงสุดที่เป็นไปได้ในช่องทางการขายนี้ อย่างไรก็ตาม คุณต้องปรับแคมเปญการตลาดทางอีเมลเพื่อให้บรรลุเป้าหมาย: เนื้อหาควรได้รับการปรับแต่งให้เหมาะกับผู้ชมของคุณ มิฉะนั้น มีโอกาสดีที่ความพยายามอีเมลของคุณจะทำให้เงินเสียเปล่า

ในกรณีนี้ เราอธิบายโซลูชันที่จัดทำโดยทีม OWOX BI สำหรับเครือข่ายค้าปลีกขนาดใหญ่ของเครื่องใช้ไฟฟ้าภายในบ้าน อิเล็กทรอนิกส์ และของใช้ในครัวเรือน ที่มีร้านค้ามากกว่า 600 แห่งในมากกว่า 200 เมือง ธุรกิจมีความท้าทายในการค้นหาวิธีปรับปรุงอัตราการแปลงและเพิ่มประสิทธิภาพค่าใช้จ่ายในการโฆษณาโดยการใช้อีเมลที่เรียก

ในสภาพแวดล้อมทางธุรกิจที่มีการแข่งขันสูง เป้าหมายหลักคือการได้ลูกค้าใหม่ เพิ่ม LTV และเพิ่มประสิทธิภาพงบประมาณการโฆษณา นักวิเคราะห์ธุรกิจต้องการวิเคราะห์ประสิทธิภาพของช่องทางการได้มาซึ่งลูกค้าโดยพิจารณาจากผลที่ได้รับจากแคมเปญโฆษณาแต่ละแคมเปญ รูปแบบการระบุแหล่งที่มามาตรฐานไม่เหมาะกับงานนี้ เนื่องจากไม่สนใจปัจจัยต่อไปนี้

1. ผู้เข้าชมเว็บไซต์เปรียบเทียบราคาพยายามซื้อสินค้าในราคาต่ำสุด ซึ่งหมายความว่า ในขณะที่พิจารณาการซื้อครั้งต่อไป ลูกค้าอาจต้องการเลือกราคาอีกครั้ง และแทนที่จะไปที่ร้านค้าออนไลน์ของบริษัท พวกเขาอาจกลับมาที่เว็บไซต์เปรียบเทียบราคาอีกครั้ง ในการประเมินแหล่งที่มาของการเข้าชมนี้ เราควรพิจารณา LTV ของลูกค้าในช่วง 180 วันและต้นทุนรวมของการได้มาและการรักษาไว้ เนื่องจากบริษัทอาจใช้เงินทุกครั้งที่นำลูกค้ากลับมาผ่านเว็บไซต์เปรียบเทียบราคา
2. ลูกค้าที่ซื้อสินค้าราคาถูกด้วยอัตรากำไรขั้นต้นต่ำอาจกลับมาที่เว็บไซต์ในภายหลังเพื่อซื้อสินค้าราคาแพงกว่า ดังนั้นแม้ว่าส่วนต่างของผลิตภัณฑ์ที่ถูกกว่าอาจไม่ครอบคลุมต้นทุนการได้มา แต่ในที่สุด (มากกว่า 180 วัน) แคมเปญโฆษณาดังกล่าวจะให้ผลตอบแทนที่ดีกว่า

จากมุมมองข้างต้น ทีมนักวิเคราะห์ได้พัฒนารูปแบบการระบุแหล่งที่มาตาม LTV ของตนเอง ซึ่งพิจารณาต้นทุนการโฆษณาและส่วนต่างจากการซื้อในช่วงระยะเวลา 180 วัน นอกจากนี้ การทดสอบวิธีเปลี่ยนผู้มีโอกาสเป็นผู้ซื้อซึ่งมีความสนใจในผลิตภัณฑ์หรือหมวดหมู่ผลิตภัณฑ์บางประเภทให้กลายเป็นลูกค้าประจำ ผู้เยี่ยมชมบางคนเรียกดูเว็บไซต์ แต่ยังไม่ได้ซื้อผลิตภัณฑ์ใดๆ ผู้เยี่ยมชมบางคนเริ่มชำระเงินแต่ไม่เสร็จสิ้นกระบวนการ (รถเข็นที่ถูกละทิ้ง) มีการตัดสินใจที่จะตั้งค่าอีเมลที่เรียกใช้เพื่อนำผู้เยี่ยมชมดังกล่าวกลับมาที่เว็บไซต์และกระตุ้นให้พวกเขาทำการซื้อ:

1. การช่วยเตือนเกี่ยวกับรถเข็นที่ถูกละทิ้ง สำหรับผู้ใช้ที่เริ่มต้นแต่ชำระเงินไม่เสร็จ
2. คำแนะนำขึ้นอยู่กับผลิตภัณฑ์ที่ดู สำหรับผู้ใช้ที่เรียกดูหน้าบางประเภท (หน้าแค็ตตาล็อกหรือหน้าผลิตภัณฑ์)

เนื้อหาของอีเมลที่เรียกใช้ควรปรับเปลี่ยนให้เหมาะกับความต้องการในปัจจุบันของลูกค้าแต่ละราย ไม่ควรมีความล่าช้าในการรวบรวมข้อมูลเกี่ยวกับการกระทำของผู้เยี่ยมชมเว็บไซต์เพื่อให้แน่ใจว่าสิ่งนี้

ข้อมูลที่จำเป็นในการบรรลุเป้าหมายเหล่านี้ถูกเก็บไว้ในระบบต่างๆ — Google Analytics และบริการโฆษณาจำนวนหนึ่ง ไม่เพียงแต่จำเป็นต้องผสานข้อมูลเท่านั้น แต่ยังต้องให้การเข้าถึงที่รวดเร็ว และการประมวลผลข้อมูลแบบเกือบเรียลไทม์

บริษัทต้องแก้ไขงานต่อไปนี้เพื่อให้บรรลุเป้าหมาย:

• รวบรวมข้อมูลจากหลายแหล่งในระบบเดียวและโครงสร้างที่เหมาะสมที่สุด
• รับข้อมูลทั้งหมดที่จำเป็นสำหรับรูปแบบการระบุแหล่งที่มา และตรวจสอบให้แน่ใจว่าข้อมูลสามารถอัปเดตในอดีตได้

มีการตัดสินใจที่จะตรวจสอบสมมติฐานภายในระยะเวลา 180 วัน

ข้อมูลได้มาจากระบบต่อไปนี้:

1. Google Analytics: ข้อมูลจากเว็บไซต์มีอยู่ใน Google Analytics ผ่านคอนเทนเนอร์ Google Tag Manager
2. แหล่งที่มาของการโฆษณา: Google AdWords, Criteo

เป็นที่จัดเก็บข้อมูลเดียว จึงตัดสินใจใช้ Google BigQuery:

1. ที่เก็บข้อมูลบนคลาวด์นี้ช่วยให้สามารถรวบรวมและประมวลผลข้อมูลจำนวนมหาศาลได้อย่างรวดเร็ว
2. มีชุดโซลูชันและเครื่องมือสำเร็จรูปจำนวนมากสำหรับการผสานรวมกับระบบ CRM และ ERP
3. ข้อมูลได้รับการปกป้องอย่างปลอดภัย

เครื่องมือและฟีเจอร์ต่อไปนี้ใช้เพื่อรวบรวมข้อมูลทั้งหมดใน Google BigQuery

1. Google BigQuery Export สำหรับ Google Analytics 360 — เพื่อรับข้อมูลจาก Google Analytics ใน Google BigQuery รวมถึงข้อมูลย้อนหลัง 13 เดือน
2. OWOX BI Pipeline — บริษัทได้รับข้อมูล Hit ที่ใกล้เคียงเรียลไทม์จากเว็บไซต์ใน Google BigQuery พร้อมกับข้อมูลเกี่ยวกับค่าใช้จ่าย การคลิก และการแสดงผลจากแหล่งโฆษณา ซึ่งมีอยู่ใน Google Analytics จากนั้นใน Google BigQuery

ด้วยเหตุนี้ ข้อมูลที่จำเป็นทั้งหมดจึงถูกรวบรวมใน Google BigQuery จากนั้นจึงส่งไปยังระบบวิเคราะห์ภายในของบริษัท

ข้อมูลที่ได้รับใน Google BigQuery ผ่านการส่งออกมาตรฐานสำหรับ Google Analytics 360 และผ่านท่อส่ง OWOX BI ถูกจัดเป็นคิวบ์ข้อมูล คิวบ์ดังกล่าวซึ่งสร้างขึ้นในโครงสร้างที่เหมาะสมที่สุดช่วยให้ลดต้นทุนการประมวลผลข้อมูลได้อย่างมาก

ผังงานด้านล่างแสดงวิธีการรวบรวมและรวมข้อมูลที่จำเป็น:

นักวิเคราะห์ OWOX BI ได้พัฒนามุมมองสองมุมมองโดยใช้การสืบค้น SQL เพื่อตั้งค่าอีเมลที่ทริกเกอร์ การสืบค้นรวบรวมข้อมูลเกี่ยวกับการดำเนินการของผู้ใช้บนเว็บไซต์ ที่ได้รับผ่าน OWOX BI Pipeline และข้อมูลที่ได้รับผ่าน Google BigQuery Export เข้าเป็นโครงสร้างที่เหมาะสมที่สุดสำหรับงาน

ประสิทธิภาพของอีเมลวัดด้วยการทดสอบ A/B อีเมลที่เรียกไปยังผู้ใช้กลุ่มแรกถูกส่งในวันถัดไปหลังจากเยี่ยมชมเว็บไซต์ อีกกลุ่มหนึ่งได้รับอีเมลที่ทริกเกอร์ภายในเวลาไม่ถึงชั่วโมง เนื่องจากอีเมลถูกส่งโดยใช้ข้อมูลจากตารางใน Google BigQuery และคิวบ์ข้อมูล ในทั้งสองกรณี อีเมลถูกส่งผ่านบริการเดียวกัน

ค่าฟิลด์ ID ผู้ใช้ในตาราง Pivot ใน Google BigQuery นั้นแตกต่างจาก Google Analytics ตรงที่อัปเดตย้อนหลังได้โดยการเขียนทับตาราง เมื่อผู้ใช้ได้รับการตรวจสอบสิทธิ์บนเว็บไซต์บนอุปกรณ์ใดๆ (เมื่อทราบค่า userID แล้ว) เซสชันก่อนหน้าของผู้ใช้รายเดียวกันก็จะรับค่า userID ด้วยเช่นกัน หากค่านี้ไม่ได้ระบุหรือกำหนดไว้ก่อนหน้านี้ เนื่องจากการอัปเดตย้อนหลังในฟิลด์ ID ผู้ใช้ ทำให้ได้รับข้อมูลผู้ใช้ที่แม่นยำยิ่งขึ้น และอีเมลที่ทริกเกอร์ในแบบของคุณถูกส่งไปยังผู้เยี่ยมชมจำนวนมากขึ้น

ทีมงานได้พัฒนารูปแบบการระบุแหล่งที่มาของตนเองโดยมีคุณสมบัติดังต่อไปนี้:

• การกระจายต้นทุนการได้มาของผู้เข้าชมต่อการเข้าชมจากแหล่งที่มาของการเข้าชมที่เสียค่าใช้จ่ายเท่านั้น
• การประเมินมาร์จิ้นรวมต่อผู้ใช้เป็นเวลา 30, 60, 90 และ 180 วัน
• พิจารณาเฉพาะข้อมูลจากผู้ซื้อครั้งแรกในการคำนวณ ในการซื้อซ้ำ มูลค่าของคำสั่งซื้อจะถูกกำหนดให้กับช่องทางที่นำผู้ใช้มาที่เว็บไซต์เป็นครั้งแรก

รูปแบบการระบุแหล่งที่มานี้เกิดขึ้นได้เนื่องจากมีการอัปเดตข้อมูลย้อนหลังใน Google BigQuery รวมถึงการอัปเดตช่อง UserID และข้อมูลเกี่ยวกับต้นทุนการได้มาของผู้เข้าชม

จากการรวบรวมข้อมูลในการจัดเก็บข้อมูลเดียว การตั้งค่าอีเมลที่เรียกใช้ใหม่และการอัปเดตข้อมูลในอดีต ทำให้บรรลุเป้าหมายเหล่านี้:

1. ปรับปรุง KPI ของอีเมลที่ทริกเกอร์

การแจ้งเตือนทางอีเมลเกี่ยวกับสินค้าที่ถูกละทิ้งจะถูกส่งภายในหนึ่งชั่วโมงถึงผู้ใช้ส่วนใหญ่ที่เพิ่มสินค้าลงในตะกร้าสินค้าแต่ยังไม่ได้ทำการซื้อจนเสร็จ ข้อมูลสำหรับอีเมลที่ถูกเรียกจะถูกรวบรวมโดยอัตโนมัติสองครั้งต่อชั่วโมง

ประสิทธิภาพของวิธีการส่งจดหมายใหม่ได้รับการยืนยันโดยการทดสอบ A/B:

• จำนวนการเข้าชมเว็บไซต์ผ่านอีเมลที่ส่งเพิ่มขึ้น 76%
• อัตรา Conversion สำหรับการซื้อจากผู้ใช้ที่เข้าชมเว็บไซต์ผ่านอีเมลที่จัดส่งเพิ่มขึ้น 12%
• จำนวนการซื้อหลังจากการเพิ่มประสิทธิภาพอีเมลของ รถเข็นที่ละทิ้ง เพิ่มขึ้น 85%
• ส่วนแบ่งการหมุนเวียนในกลุ่มเป้าหมายเพิ่มขึ้น 237%

2. ปรับงบประมาณการโฆษณาให้เหมาะสมและลดต้นทุนการโฆษณา

กราฟด้านล่างแสดงข้อมูลเกี่ยวกับ LTV ของลูกค้าต่อเซสชัน (FM — margin, COST — cost) ตามรูปแบบการระบุแหล่งที่มาขององค์กร ซึ่งพิจารณามูลค่าตลอดอายุการใช้งานของลูกค้าที่เข้าชมกลุ่มผลิตภัณฑ์ต่างๆ ผ่านช่องทางการรับส่งข้อมูลแบบชำระเงิน ค่านี้จะเพิ่มขึ้นเมื่อเวลาผ่านไป ซึ่งเป็นข้อเท็จจริงที่รูปแบบการระบุแหล่งที่มาคลิกสุดท้ายจะละเว้น การเดิมพันสูงสุดสำหรับแต่ละแคมเปญจำกัดอยู่ที่ส่วนต่างที่บริษัทได้รับเป็นเวลา 180 วัน ไม่รวมค่ารักษาลูกค้า

ดังที่เห็นได้จากรูปแบบการระบุแหล่งที่มาแบบ CLTV ในช่วง 180 วัน ผู้ใช้เข้ามาครั้งแรกผ่านช่องทาง CPC จากนั้นกลับมาทำการซื้อซ้ำผ่านช่องทางฟรี มูลค่าของแชแนล CPC ดังกล่าวกลับกลายเป็นว่าสูงกว่าตามรูปแบบการระบุแหล่งที่มาคลิกสุดท้ายหลายเท่า ปริมาณและความถี่ของการซื้อซ้ำตลอดจนรายได้ของบริษัทนั้นแตกต่างกันไปในแต่ละหมวดหมู่ผลิตภัณฑ์ แคมเปญโฆษณา และแหล่งที่มา