Kurumsal bir perakendeci için içeriğe dayalı reklamcılık yatırım getirisi 2,2 kat nasıl artırılır

Her işletmenin aşina olduğu bir soru, satışları sürdürürken içeriğe dayalı reklamcılık harcamalarının nasıl azaltılacağıdır. Google Ads veya Facebook gibi bir reklamcılık sisteminde web sitenize trafik satın alırsanız, harcamalarınızın büyük bir kısmı, alışveriş sepetine ürün koymayan kullanıcıların tıklamalarına gider. Ve yapsalar bile, satın alma işlemini her zaman tamamlamazlar. Peki reklam kampanyalarını optimize etmek için neler yapılabilir?

Bu durumda, dönüşüm olasılığını hesaplamak için OWOX BI'yi test eden elektronik ve ev aletleri perakendecisi için OWOX BI ekibi tarafından sağlanan çözümü açıklıyoruz.

Bir kurumsal perakendeci için ana performans pazarlama görevleri arasında, artan verimlilik metrikleri ve şu anda satın almayla ilgilenmeyen kullanıcılarla olan temasları azaltmak yer alıyor. Veriye dayalı çözümler, reklam kampanyalarını optimize etmek için en umut verici araçlardır. OWOX BI ilişkilendirme modeli, ilk ziyaretten başlayarak her web sitesi kullanıcısı için satın alma olasılığını hesaplamak için makine öğrenimi teknolojilerini kullanır. İşletmeler, bu satın alma olasılıklarını kullanarak, bir kullanıcıya reklam vermek için harcamaya değip değmeyeceğini belirleyebilir. Ayrıca, OWOX BI modeli, bir kullanıcının herhangi bir eylemi gerçekleştirme olasılığını hesaplayabilir.

Ayrıca, içeriğe dayalı reklamcılık SEM uzmanının zorunlu görevlerinden biri, web sitesi ziyaretçilerini web sitesinde gerçekleştirdikleri eylemlere ve son tetiklemeden bu yana geçen süreye bağlı olarak çeşitli gruplara ayırmaktır. Örneğin, bir ürünü satın almadan sepete ekledikten sonraki gün sayısı. Bu tür kitlelerin manuel analizi ve teklif hesaplamalarının ayarlanması, çalışma sürecinin büyük bir bölümünü kaplar.

Özetlemek gerekirse, amaç, tamamlanan siparişlerden elde edilen gelirden tasarruf ederken içeriğe dayalı reklam kampanyalarının YG'sini artırmaktı.

OWOX BI makine öğrenimi çözümü, aşağıdaki konularda eğitim alarak reklam kampanyalarını optimize etmek için uygulandı:

• web sitesi kullanıcılarının davranışlarına ilişkin geçmiş veriler
• Kullanılan siparişlerdeki CRM verileri
• OWOX müşterileri tarafından on binlerce projeden toplanan ve anonimleştirilmiş veriler

OWOX BI neler sağladı:

• Her web sitesi kullanıcısı için, satın alma olasılığı, kullanılan siparişler dikkate alınarak hesaplanır.
• Olasılık hesaplamaları, her kullanıcı eylemi veya hareketsizlik döneminden sonra güncellenir. Örneğin, bir kullanıcı bir web sitesini ziyaret eder ve bir dizi işlem gerçekleştirirse, satın alma yapma olasılığı %X olur. Bundan sonra dört gün siteyi ziyaret etmezlerse bu olasılık azalır.
• 10 puanlık bir ölçekte satın alma olasılığına göre bölünmüş 10 kullanıcı segmenti.

Her segmentin tahmin doğruluğunu ve performansını değerlendirmek için ekip, her segmentin kaç sipariş tamamladığını analiz etti.

Tablonun en üstünde, dönüşüm olasılığı en yüksek olan segment, en altta ise en düşük olan segment bulunur.

1. OWOX BI ile Google BigQuery'de kullanıcının web sitesindeki davranışı hakkında toplanan veriler. (Google Analytics 360'ı kullanmak da mümkündür.)

2. OWOX analistleri, ilişkilendirme modelini eğitti ve web sitesi ziyaretçileri için düzenli dönüşüm olasılığı hesaplamaları başlattı. Her ziyaretçiye bir dönüşüm olasılığı atanmıştır. Algoritma, aşağıdakiler dahil 60'tan fazla parametreyi hesaba katar:

• dönüşüm aralığındaki isabetlerdeki oturum sayısı
• bir oturumda web sitesindeki eylemler
• oturumlar arasında duraklamalar
• toplam eylem sayısı
• oturum cihazı ve işletim sistemi
• kullanıcının bir dönüşüm aralığında sahip olduğu trafik kaynakları
• bir oturumdaki her sayfadaki eylem sayısı
• belirli bir oturumun zamanlaması ve bir dönüşüm aralığındaki toplam oturum süresi

3. OWOX BI ekibi, her kullanıcının satın alma olasılığını değerlendirmek için tüm bu verileri Google BigQuery'deki tek bir tabloda topladı.

4. İzleyici verileri, bir OWOX BI Pipeline kullanılarak reklam hizmetine aktarıldı.

5. İzleyiciler reklam hizmetine eklendi.

Birincil A/B testi, reklam kampanyaları için incelenen gruplar arasında eşit bir trafik dağılımıyla gerçekleştirildi:

• manuel olarak oluşturulur.
• bir otomasyon hizmeti yardımıyla bir ürün veri beslemesine dayalıdır.

Başarılı denemenin ardından, dinamik reklamlara sahip kampanyalar üzerinde ikinci test başlatıldı. Reklam kampanyalarından verimliliğine göre veriler toplanarak, hedef kitleye yönelik teklifler hesaplandı ve düzenlendi:

• Satın alma olasılığı düşük olan kitleler için teklifleri azaltın (bazen %90'a kadar).
• Satın alma olasılığı yüksek kitleler için teklifleri artırın.

Teklif ayarlamalarının boyutu, her bir kitlenin dönüşüm katsayısı ve hedef YG hakkında toplanan verilere dayalı olarak hesaplandı. Her kampanyanın ve hedef kitlenin mevcut YG'si de dikkate alındı. OWOX BI, her hedef kitle için tıklama başına uygun bir fiyat hesapladı. Bu hesaplamalara dayanarak, hedef KPI'ya ulaşmak için mevcut fiyatı ayarladı. Düzeltmeler, sonuçlara göre sürekli olarak değişti.

OWOX analistleri iki ay boyunca müşterinin ekibiyle iki test yapmak için çalıştı. İlki bir buçuk ay sürdü ve düşük trafik hacmine sahip beş reklam kampanyası içeriyordu. Bu kampanyaların her biri, A/B testi için iki kampanyaya bölünmüştür: biri OWOX BI izleyicileri kullanan ve diğeri onlarsız.

OWOX kitlelerini kullanan kampanyalar, hem yatırım getirisi hem de tamamlanan siparişlerin geliri açısından 1,7 kat daha iyi sonuçlar gösterdi. Bir perakendeci için bu, reklam yatırımlarında verimliliği artırma yönünde bir adımdı.

İlk denemeden sonra, OWOX BI ekibi, aynı prensibe göre büyük hacimli trafiğe sahip kampanyalara dayalı üç haftalık bir test gerçekleştirdi - OWOX BI kitlelerini kullanan ve OWOX BI kitleleri olmayan eşit sayıda kampanya.

İkinci testin sonucu, OWOX BI izleyicileri olan kampanyalarda tamamlanan siparişler için 2,2 kat daha yüksek YG ve 2,7 kat daha yüksek gelirdi.

Her iki durumda da test grubu ya kontrol grubuyla aynı bütçeyle daha fazla gelir getirdi ya da aynı geliri daha düşük bir bütçeyle getirdi. Müşterimiz, dönüşümleri tahmin etmek için OWOX BI'ı kullanarak, kitle segmentleri oluştururken zamandan tasarruf etti, web sitesi kullanıcılarına ilişkin tüm veriler otomatik olarak işlendi ve ortaya çıkan veriler, teklifleri ayarlamak ve çalıştırmak için reklam kampanyalarında kullanılabilecek bir reklam hizmetine yüklenmek üzere hazırlandı. yeniden hedefleme.

Bu test sonuçları, diğer performans ve marka biçimi kanallarının daha da ölçeklenmesi için başarılı bir başlangıç ​​olarak kabul edildi. Dönüşüm olasılığı hesaplamalarıyla yapılan deneyler verimliliklerini kanıtladığından, bir sonraki adım çözümü ölçeklendirmekti: tüm arama kampanyalarında kullanmak, bir segmentteki dönüşümlere bağlı olarak farklı teklifler belirleyerek yeniden hedefleme yapmak ve bunu Facebook gibi diğer reklamcılık hizmetlerinde uygulamak. , MyTarget ve Google Ads.