Verileri birleştirerek reklam başarısını ölçme ve ROAS'ı artırma

Gittikçe daha fazla işletme çevrimiçi operasyonlara geçtiği ve yeni, dijital bir dünyaya daldığı için, pazarlamacıların daha fazla veri işlemesi gerekiyor. İş kullanıcıları, başarılı performans için sürekli olarak yüksek kaliteli veri içgörülerine ihtiyaç duyarlar ve yeni analitik formatlarını ve yapılarını benimsemek ana zorluklardan biri haline gelir.

Bu durumda, reklamların satın almalar üzerindeki etkisini değerlendirmekte güçlük çeken lider bir doğrudan sigorta sağlayıcısı için OWOX BI ekibi tarafından sağlanan çözümü açıklıyoruz.

Şirket, sigortayı internet, telefon ve offline olarak sattığı için müşteriler bir kanaldan ürünleri araştırıp, diğerinden satın alabiliyor. Örneğin, bir müşteri şirketin web sitesini ziyaret edebilir, kapsamı hesaplayabilir, çevrimiçi bir başvuru formunu doldurabilir ve ardından satın alma yapmak için fiziksel bir ofisi ziyaret edebilir. Bu gibi durumlarda, reklamların satın almalar üzerindeki etkisini değerlendirmek zordur.

Asıl zorluk, işlevsel bir reklamcılık performans değerlendirme sistemini benimseyerek reklam harcamalarını optimize etmek ve reklamlardan daha iyi bir getiri elde etmekti. Şirketin hem çevrimiçi hem de çevrimdışı olarak maliyetler, gelir ve kullanıcı etkileşimleriyle ilgili verileri birleştirmenin bir yoluna ihtiyacı vardı.

Web sitesi ile kullanıcı etkileşimleri, reklam maliyetleri ve çevrimdışı siparişler hakkında veriler farklı sistemlerde toplanır:

• Web sitesindeki veriler Google Analytics'te toplanır;
• Offline satın alınan sigorta poliçeleri ile ilgili bilgiler şirketin CRM sisteminde saklanmakta;
• Adwords dışı maliyet verileri genellikle Google Analytics'te toplanmaz. Sonuç olarak, her bir reklam hizmeti için ROAS, ROI ve reklam maliyetlerinin payı ayrı ayrı hesaplanır.

Reklamın sigorta alımlarına katkısını doğru bir şekilde değerlendirmek için tüm bu veriler birleştirilmelidir.

Gerekli tüm veriler OWOX BI Pipeline kullanılarak Google BigQuery'de toplandı ve huni tabanlı, Doğrudan Olmayan Son Tıklama ve İlk Tıklama ilişkilendirme modellerini uyguladı. Ardından, her bir ilişkilendirme modeli aracılığıyla elde edilen kampanya performans verilerini karşılaştırmak için raporlar oluşturuldu.

Veri toplama ve konsolidasyon akış şeması aşağıda verilmiştir:

Şirketin reklam kampanyalarını değerlendirmek için attığı her adıma daha yakından bakalım: Hangi verileri birleştirdikleri, hangi yollarla ve hangi sonuçlara ulaşıldığı.

Şirket, müşterilerin sahadaki etkinlikleriyle ilgili verileri çevrimdışı sigorta satın almalarıyla ilgili verilerle birleştirmek için Google BigQuery bulut depolamayı seçti. Hizmet, veri işleme yetenekleri için seçildi: terabaytlarca veri saniyeler içinde, petabaytlarca veri birkaç dakika içinde işlenebilir. Bu, Google BigQuery'yi karmaşık analiz ve raporlama görevlerini gerçekleştirmek için mükemmel bir hizmet haline getirir. Google BigQuery kullanmanın bir başka avantajı da veriler otomatik olarak şifrelendiğinden yüksek güvenliktir. Google BigQuery kullanmanın faydaları hakkında daha fazla bilgi hizmetin web sitesinde bulunabilir.

OWOX BI Pipeline, aşağıdaki nedenlerle veri toplama için seçilmiştir:

• Veriler neredeyse gerçek zamanlı olarak toplanır ve 5 dakika içinde kullanılabilir hale gelir.
• Raporlamada boyut ve metrik sayısında bir sınırlama yoktur. OWOX BI Pipeline, ham verileri sorgulamak için SQL benzeri sözdizimi kullanarak herhangi bir ayrıntı düzeyinde raporlar oluşturmaya olanak tanır. Yalnızca Google Analytics'te, tek bir raporda birleştirilemeyecek belirli boyutlar ve metrikler vardır. Bir rapordaki boyut ve metrik sayısında bir sınır vardır: standart bir raporda 2 boyut, özel bir raporda 5 boyut ve Core v3 isteğinde 7 boyut. Ayrıca, her bir kullanıcı için reklam maliyetlerini analiz etmek imkansızdır. Sınırlar ve kotalar hakkında daha fazla bilgi için Google Developers Guide'a bakın.
• Google BigQuery'ye aktarılan veriler, hacminden bağımsız olarak örneklenmez.

Google Analytics 360 için Google BigQuery Export ile OWOX BI Pipeline arasındaki farklar hakkında daha fazla bilgiyi blog yazımızda bulabilirsiniz.

Sigorta satın alımlarıyla ilgili veriler, POST istekleri kullanılarak CRM sisteminden Google BigQuery'ye yüklenir.

• AdWords kampanyalarının maliyet verileri, Google Analytics ile Google AdWords arasındaki yerel entegrasyon nedeniyle Google Analytics'te otomatik olarak toplanır.
• Diğer pazarlama kanallarına ilişkin maliyet verileri, OWOX BI Pipeline tarafından Google Analytics'e aktarılır.
• Tüm kanalların verileri Google Analytics'ten Google BigQuery'ye aktarılır. Bu, yalnızca çevrimiçi uygulamalarla değil, satın almalarla ilgili olarak ROAS, ROI ve reklam maliyetlerinin payını hesaplamaya olanak tanır.

Google BigQuery'deki verileri birleştirdikten sonra pazarlama ekibi, reklamların yeni müşteriler çekmede (İlk Tıklama ilişkilendirme modeli) ve satın almaları artırmada (Doğrudan Olmayan Son Tıklama modeli) ne kadar etkili olduğunu ölçmek için birkaç ilişkilendirme modeli oluşturdu.

OWOX BI tarafından huni tabanlı ilişkilendirme, üçüncü, en objektif ilişkilendirme modeli olarak seçilmiştir. Bu modelde, her kanal, müşterinin satın alma hunisinde ilerlemesine katkısına bağlı olarak kredi alır. Oturumlar, müşterinin dönüşüm hunisindeki her bir sonraki adıma geçme olasılığına göre değerlendirilir. Olasılık ne kadar yüksek olursa, kullanıcının adım boyunca ilerlemesine yardımcı olan oturuma o kadar az kredi verilir. Olasılık ne kadar düşükse, oturum o kadar fazla kredi alır. Huni tabanlı ilişkilendirme modelindeki hesaplamaların sonuçları Google BigQuery ve OWOX BI arayüzünde mevcuttur. Rapor, kullanıcıların satın alma yolunda attıkları her adımın dönüşüm oranını (mutlak dönüşüm), olasılığını ve değerini gösterir. Aşağıdaki örneğe bir göz atın:

• Adım dönüşüm oranı, verilen adımın görüntülendiği oturumların yüzdesidir. Örneğin, 2. Adımdaki %34'lük dönüşüm oranı, toplam web sitesi ziyaretçisinin %34'ünün bu adıma gittiği anlamına gelir.
• Olasılık , ziyaretçilerin bir önceki adımdan verilen adıma gittiği oturumların yüzdesidir. Bu örnekte Adım 4'ün olasılığı %10'dur, yani ziyaretçilerin %10'u Adım 3'ten Adım 4'e gitmiştir.
• Değer aşağıdaki gibi hesaplanır. İlk olarak, her adım olasılıkla ters orantılı olarak bir puan alır. Ardından, adımın puanı, huni içindeki toplam puanların toplamına bölünür. Kullanıcıların huninin belirli bir adımında ilerlemeleri ne kadar zorsa, değer o kadar yüksek olur.

OWOX BI Smart Data, elde edilen tüm verilerle çalışmayı kolaylaştırmak için kullanıldı. Araç, verilere doğal İngilizce olarak soru sormaya izin verir, SQL sorgularına gerek yoktur. Soru şablonları, birkaç saniye içinde yanıt almayı mümkün kılar.

Şirket, yukarıdaki adımları tamamlayarak hem her kanalın gerçek değerini hem de bu değerin farklı cihaz türlerinde huni adımlarına nasıl dağıtıldığını gösteren bir gösterge panosu elde etti.

Aşağıdaki grafik, aynı huni adımının farklı cihazlarda farklı değerlere sahip olabileceğini göstermektedir. Tabletlerdeki en değerli adım, web sitesini ilk kez ziyaret etmektir. Adım 2 ve Adım 3'te gezinmek, mobil cihazlar için çok önemlidir. Masaüstü bilgisayarlardaki oturumlar ve cihazlar arası oturumlara gelince, değer daha eşit olarak dağıtılır.

Bu ne anlama geliyor? Örneğin, tablet kullanıcılarının ilk adımı atma, yani web sitesini ziyaret etme olasılığı daha düşüktür. Bu, tablet cihazları hedefleyen reklamların yeni web sitesi ziyaretçilerini çekmeye odaklanması gerektiği anlamına gelir.

İlk Tıklama ve Doğrudan Olmayan Son Tıklama modellerindeki kanal değerleri, değeri düşük ve fazla tahmin edilen kanalları belirlemek, reklam bütçesini daha verimli bir şekilde yeniden dağıtmak için hesaplanmış ve huni tabanlı ilişkilendirme modelinde elde edilen sonuçlarla karşılaştırılmıştır.

Google Analytics, çevrimdışı satın alınan sigorta poliçeleri hakkında veri içermediğinden, İlk Tıklama veya Doğrudan Olmayan Son Tıklama ilişkilendirme modelleri, kampanya performansının doğru bir görünümünü sağlayamaz. Bir kullanıcı çevrimiçi dönüşüm hunisinin yalnızca yarısını geçebilir ve ardından ürüne çevrimdışı olarak erişebilir ve satın alabilir. Bu nedenle modeller sırasıyla Google BigQuery ve Google Data Studio kullanılarak uygulanmış ve görselleştirilmiştir.

Şirket, Google Data Studio'da bir gösterge tablosu oluşturarak, en popüler iki ilişkilendirme modeli için kampanya performansını kolayca izleyebilir ve karşılaştırabilir: Çalışmaların edinime odaklandığı İlk Tıklama ve çabaların yönlendirildiği Son Doğrudan Olmayan Tıklama satın almak. Aylık KPI'lar, okunması kolay bir biçimde raporlanır.

Örneğin, aşağıda gösterilen rapor sayfası, farklı kanallardaki gelir dağılımını ve ROAS'ı karşılaştırır. İki farklı ilişkilendirme modelinde kanal performansını karşılaştırarak, ROAS ve kanalın gelir payı rakamlarının iki modelde neredeyse aynı olduğunu görebiliriz. Bu, bu kanalların hem kullanıcıları çekmek hem de onları anlaşmayı kapatmaya zorlamak için neredeyse eşit derecede uygun olduğu anlamına gelir.

• OWOX BI ve Google ürünlerinin kullanılması nedeniyle veri toplama ve işlemeyi tamamen otomatikleştirdikten sonra, şirket ekibinin verileri manuel olarak içe aktarması gerekmez. Tüm veriler tek bir arayüzde bulunur ve pazarlama uzmanları ihtiyaç duydukları tüm verilere hızla erişebilir.
• Huni tabanlı ilişkilendirme modeli, pazarlama kanallarının daha objektif ve güvenilir bir şekilde değerlendirilmesini sağladı.
• Ekip, İlk Tıklama/Son Tıklama ilişkilendirme modellerinde reklam kanallarının alacağı krediyi hesapladı. Sonuçlar huni tabanlı ilişkilendirme modeliyle karşılaştırılarak, değeri düşük ve fazla tahmin edilen kanallar belirlendi ve reklam bütçesi daha verimli bir şekilde yeniden tahsis edildi.

Yukarıdaki grafik, farklı ilişkilendirme modellerinde elde edilen kanal değerlerini karşılaştırmaktadır. Beşinci kanalın katkısı, Doğrudan Olmayan Son ilişkilendirme modelinde önemli ölçüde küçümsenmiştir. Huni tabanlı ilişkilendirme modeline göre, %100 daha yüksek bir ROAS'a sahiptir ve nihai dönüşümü önemli ölçüde etkiler. Diğer kanallar çoğunlukla aşırı değerlidir. Bu bulgulara dayanarak, şirket, reklam bütçesini aşırı değerli reklam kampanyalarından düşük değerli olanlara yeniden tahsis edebilir, böylece reklamları ek masraflar olmadan daha verimli hale getirebilir.