E-postaya dayalı geliri %237 artırma ve reklam harcamalarını optimize etme

İyi optimize edilmiş e-posta süreci, işletmelere bu satış kanalı üzerinden mümkün olan en yüksek yatırım getirisini sağlayabilir. Ancak, bunu başarmak için e-posta pazarlama kampanyalarını ayarlamanız gerekir: içerik, hedef kitleniz için kişiselleştirilmelidir. Aksi takdirde, e-posta çabalarınızın parayı boşa harcama olasılığı yüksektir.

Bu durumda, 200'den fazla şehirde 600'den fazla mağazaya sahip büyük bir ev aletleri, elektronik ve ev eşyası perakende zinciri için OWOX BI ekibi tarafından sağlanan çözümü açıklıyoruz. İşletme, tetiklenmiş e-postalar uygulayarak dönüşüm oranını nasıl iyileştireceğini ve reklam maliyetlerini nasıl optimize edeceğini bulma konusunda zorluklar yaşadı.

Oldukça rekabetçi bir iş ortamında, temel amaç yeni müşteriler kazanmak, LTV'yi artırmak ve reklam bütçesini optimize etmektir. İş analistleri, her bir reklam kampanyasından elde edilen kazancı göz önünde bulundurarak müşteri edinme kanallarının verimliliğini analiz etmek istediler. Aşağıdaki faktörleri göz ardı ettikleri için standart ilişkilendirme modelleri bu görev için uygun değildi:

1. Fiyat karşılaştırma web sitelerinin ziyaretçileri, ürünleri en düşük fiyata satın almaya çalışır. Bu, müşterilerin bir sonraki satın almalarını düşünürken tekrar fiyata göre seçim yapmak isteyebilecekleri ve şirketin çevrimiçi mağazasını ziyaret etmek yerine bir fiyat karşılaştırma web sitesini tekrar ziyaret edebilecekleri anlamına gelir. Bu trafik kaynağını değerlendirirken, şirket, fiyat karşılaştırma web siteleri aracılığıyla müşterileri her geri getirdiğinde para harcayabileceğinden, müşterinin 180 günlük LTV'si ve toplam edinme ve elde tutma maliyeti dikkate alınmalıdır.
2. Düşük kar marjı ile daha ucuz bir ürün satın alan müşteriler daha sonra daha pahalı ürünleri almak için web sitesine dönebilirler. Bu nedenle, daha ucuz ürünün marjı satın alma maliyetini karşılayamasa da, sonunda (180 günden fazla) bu tür reklam kampanyaları daha iyi sonuç verir.

Yukarıdakilerin ışığında, analist ekibi, 180 günlük bir süre boyunca reklam maliyetlerini ve satın almalardan elde edilen marjı dikkate alan kendi LTV tabanlı ilişkilendirme modelini geliştirdi. Ayrıca belirli bir ürün veya ürün kategorisine ilgi duyan potansiyel alıcıları sadık müşterilere dönüştürmenin yolları deneniyordu. Ziyaretçilerin bir kısmı web sitesine göz attı, ancak herhangi bir ürün satın almadı. Ziyaretçilerden bazıları ödeme işlemini başlattı ancak işlemi bitirmedi (terk edilmiş sepetler). Bu tür ziyaretçileri web sitesine geri getirmek ve onları satın almaya motive etmek için tetiklenmiş e-postalar kurmaya karar verildi:

1. Ödeme işlemini başlatan ancak tamamlamayan kullanıcılara, terkedilmiş sepetlerin hatırlatıcıları.
2. Belirli sayfa türlerine (katalog sayfaları veya ürün sayfaları) göz atan kullanıcılara yönelik öneriler, görüntülenen ürünlere dayalıdır.

Tetiklenen e-postaların içeriği, her müşterinin mevcut ihtiyaçlarını karşılayacak şekilde kişiselleştirilmelidir. Bunu sağlamak için web sitesi ziyaretçilerinin eylemleri hakkında veri toplamada herhangi bir gecikme olmamalıdır.

Bu hedeflere ulaşmak için gereken veriler, Google Analytics ve bir dizi reklam hizmeti gibi farklı sistemlerde depolandı. Sadece verileri birleştirmek değil, aynı zamanda verilere hızlı erişim ve neredeyse gerçek zamanlı veri işleme sağlamak için de gerekliydi.

Şirket, hedeflere ulaşmak için aşağıdaki görevleri çözmek zorunda kaldı:

• Birden fazla kaynaktan gelen verileri tek bir sistemde ve optimum yapıda toplayın.
• İlişkilendirme modeli için gereken tüm verileri edinin ve verilerin tarihsel olarak güncellenebildiğinden emin olun.

Hipotezlerin 180 gün içinde kontrol edilmesine karar verildi.

Veriler aşağıdaki sistemlerden elde edildi:

1. Google Analytics: Web sitesindeki veriler, bir Google Etiket Yöneticisi kapsayıcısı aracılığıyla Google Analytics'te bulunur.
2. Reklam kaynakları: Google AdWords, Criteo.

Tek veri depolama olarak Google BigQuery kullanılmasına karar verildi:

1. Bu bulut depolama, büyük miktarda verinin toplanmasına ve hızlı bir şekilde işlenmesine olanak tanır.
2. CRM ve ERP sistemleri ile entegrasyon için çok sayıda hazır çözüm ve araç sağlar.
3. Veriler güvenli bir şekilde korunur.

Google BigQuery'deki tüm verileri toplamak için aşağıdaki araçlar ve özellikler kullanıldı:

1. Google Analytics 360 için Google BigQuery Export — 13 aylık geçmiş veriler dahil olmak üzere Google BigQuery'deki Google Analytics'ten veri almak için.
2. OWOX BI Pipeline — şirket, Google Analytics'te ve ardından Google BigQuery'de bulunan reklam kaynaklarından maliyetler, tıklamalar ve gösterimlerle ilgili verilerle birlikte Google BigQuery'deki web sitesinden neredeyse gerçek zamanlı isabet verileri alır.

Sonuç olarak, gerekli tüm veriler Google BigQuery'de toplanır ve ardından şirketin dahili analiz sistemlerine gönderilir.

Google BigQuery'de standart Export for Google Analytics 360 ve OWOX BI Pipeline aracılığıyla elde edilen veriler bir veri küpü halinde düzenlendi. Optimal bir yapıda oluşturulan böyle bir küp, veri işleme maliyetinin önemli ölçüde azaltılmasına olanak tanır.

Aşağıdaki akış şeması, gerekli verilerin nasıl toplandığını ve birleştirildiğini gösterir:

OWOX BI analistleri, tetiklenen e-postaları ayarlamak için SQL sorgularını kullanarak iki görünüm geliştirdi. Sorgular, OWOX BI Pipeline aracılığıyla elde edilen web sitesindeki kullanıcı eylemleri hakkındaki verileri ve Google BigQuery Export aracılığıyla elde edilen verileri görev için en uygun yapıda toplar.

E-postaların verimliliği A/B testi ile ölçülmüştür. İlk kullanıcı grubuna tetiklenen e-postalar, web sitesini ziyaret ettikten sonraki gün gönderildi. Diğer grup, e-postalar Google BigQuery'deki tablolardan ve veri küpünden alınan veriler kullanılarak gönderildiğinden, tetiklenen e-postaları bir saatten kısa bir süre içinde aldı. Her iki durumda da, e-postalar aynı hizmet aracılığıyla gönderilmiştir.

Google Analytics'ten farklı olarak, Google BigQuery'deki pivot tablolardaki userID alan değeri, tabloların üzerine yazılarak geriye dönük olarak güncellenebilir. Bir kullanıcının web sitesinde herhangi bir cihazda kimliği doğrulandıktan sonra (kullanıcı kimliği değeri bilindiğinde), bu değer daha önce belirtilmemiş veya tanımlanmamışsa, aynı kullanıcının önceki oturumları da kullanıcı kimliği değerini alır. UserID alanında yapılan geriye dönük güncellemeler sayesinde daha doğru kullanıcı verileri elde edildi ve daha fazla sayıda ziyaretçiye kişiselleştirilmiş tetiklenen e-postalar gönderildi.

Ekip, aşağıdaki özelliklerle kendi ilişkilendirme modelini geliştirdi:

• Ziyaretçi edinme maliyetlerini yalnızca ücretli trafik kaynaklarından yapılan ziyaretlere dağıtmak.
• 30, 60, 90 ve 180 gün boyunca kullanıcı başına toplam marjın değerlendirilmesi.
• Hesaplamalarda yalnızca ilk kez alıcılardan gelen veriler dikkate alınır. Tekrar satın almada, siparişin değeri, kullanıcıyı web sitesine ilk kez getiren kanala atanır.

Bu ilişkilendirme modeli, UserID alanındaki güncellemeler ve ziyaretçi edinme maliyetleri hakkındaki veriler dahil olmak üzere Google BigQuery'deki geriye dönük veri güncellemeleri sayesinde mümkün olmuştur.

Verilerin tek bir veri deposunda toplanması, yeni tetiklenen e-postaların ayarlanması ve geçmiş veri güncellemelerinin bir sonucu olarak şu hedeflere ulaşıldı:

1. Tetiklenen e-posta KPI'larını iyileştirin.

Terk edilmiş ürünlerle ilgili e-posta bildirimleri, alışveriş sepetlerine ürün ekleyen ancak satın alma işlemini tamamlamayan çoğu kullanıcıya bir saat içinde gönderilir. Tetiklenen e-postaların verileri saatte iki kez otomatik olarak toplanır.

Yeni postalama yönteminin etkinliği A/B testiyle doğrulandı:

• Teslim edilen e-postalar aracılığıyla web sitesine yapılan ziyaretlerin sayısı %76 arttı.
• Teslim edilen e-postalar aracılığıyla web sitesini ziyaret eden kullanıcılardan yapılan satın almaların dönüşüm oranı %12 arttı.
• Terk edilmiş sepet e-posta optimizasyonundan sonra satın alma sayısı %85 arttı.
• Cironun hedef kitle içindeki payı %237 arttı.

2. Reklam bütçesini optimize edin ve reklam maliyetinin payını azaltın

Aşağıdaki grafikler, ücretli trafik kanalları aracılığıyla farklı ürün gruplarını ziyaret eden müşterilerin yaşam boyu değerini dikkate alan, işletmenin kendi ilişkilendirme modeline göre müşterilerin oturum başına LTV'si (FM — marj, COST — maliyetler) hakkındaki verileri göstermektedir. Bu değer zamanla artar; bu, Son Tıklama ilişkilendirme modeli tarafından göz ardı edilen bir gerçektir. Her kampanya için maksimum bahis, müşteri tutma maliyetleri hariç, şirketin 180 gün boyunca elde ettiği marjla sınırlıdır.

CLTV tabanlı ilişkilendirme modelinde de görüldüğü gibi 180 günlük süreçte kullanıcılar önce TBM kanallarından geldiler, sonra geri döndüler ve ücretsiz kanallardan tekrar alışveriş yaptılar. Bu tür TBM kanallarının değerinin, Son Tıklama ilişkilendirme modeline göre birkaç kat daha yüksek olduğu ortaya çıktı. Tekrar satın almaların hacmi ve sıklığı ile şirketin geliri her ürün kategorisi, reklam kampanyası ve kaynak için farklıydı.