评估和改进数字营销的 7 种方法

您如何评估在线广告的效果并提高投资回报率 (ROI)？ 您如何知道 SEO 流量、移动应用程序和媒体广告产生了多少收入？ 这些问题与许多在线和全渠道业务相关。 在本文中，我们描述了 OWOX BI 的解决方案，这些解决方案帮助我们的客户找到了这些问题和其他问题的答案并解决了他们的业务问题。

我们简明扼要地描述了我们如何帮助我们的客户完成以下七个真实案例。 如果您对技术细节感兴趣或想尝试我们在您自己的项目中提到的一些内容，请免费试用 OWOX BI。

OWOX BI 在单个存储库中收集来自多个系统的数据，并构建报告以帮助客户提高营销情报。 我们的目标是快速、高质量和最大程度地自动化，这样企业就可以利用他们已有的数据赚更多的钱。

细分用户以更好地定位广告活动是一项基本任务，可以而且应该在实施营销分析的初始阶段解决。

客户的目标：提高旨在重新激活已经访问过该网站的用户的广告活动的投资回报率。 从理论上讲，这些用户的营销成本不应该很高，因为他们已经表现出兴趣。

客户的挑战：提高针对废弃购物车和流失客户的广告活动的针对性。 这些人在网站上执行了一定的操作但没有购买任何东西。 同时，我们的客户相信他们可以买东西。

我们的假设：如果我们选择在过去 X 天内将商品添加到购物车中的网站访问者细分并向他们展示广告，那么他们比其他细分群体的访问者更有可能购买某些东西。 因此，通过向该细分市场投放广告，我们可以在保持相同成本收入比率 (CRR) 的同时增加收入。

始终需要用户细分来检验假设。 我们可以假设选定的用户群在看到广告后会有这样或那样的行为，但不能 100% 保证会是这样。

我们的客户根据形成细分的条件定义了条件。 根据这些条件形成细分后，我们将假设转化为分析师的技术任务。 这项任务分为几个阶段。

第一阶段。 形成两个用户细分。 第一部分包括在过去 X 天内将商品添加到购物车但没有购买任何东西的用户。 第二部分由在网站上执行某些操作（由客户定义）的用户组成。

Google Analytics 对客户数据进行采样以应对繁忙的流量。 因此，为了构建细分，我们使用来自客户站点的原始数据，使用 OWOX BI Pipeline 传输到 Google BigQuery。 BigQuery 是一种云存储服务，您不仅可以收集信息，还可以使用 SQL 方便地处理信息。

我们的分析师使用原始网站数据编写 SQL 查询以形成细分。 这些分段包含 Google 客户 ID 和 Yandex 客户 ID 数据，可用于 Google Ads 和 Yandex.Direct 广告服务。

第 2 阶段。 自动将细分传输到 Google Ads 和 Yandex.Direct，以便广告专家可以在设置广告活动时使用它们。

OWOX BI 有一个自动数据管道，它从 Google BigQuery 中获取细分，每天为它们计算数据，并将该数据上传到 Google Analytics。 来自网络分析系统的细分可以本地导出到 Google Ads。 第二个 OWOX BI 管道将这些片段加载到 Yandex.Audience 中。

第三阶段。 我们客户的专家制定了广告服务规则，提高了这些细分市场的费率。

该解决方案具有几个重要特征。 例如，将段加载到 Yandex。 受众，它必须至少包含 1,000 行（以使用唯一的 Yandex 客户端 ID）。

默认情况下，OWOX BI 不收集 Yandex 客户端 ID。 雅得士。 必须在站点上安装 Metric 才能生成 Client ID，并且要让它们进入 Google BigQuery，您需要通过 OWOX BI 配置它们的传输。

如果您是 OWOX BI 用户并希望在 Google BigQuery 中收集 Yandex 客户端 ID，请写信给我们。 我们将分享有关如何使用 Google 跟踪代码管理器执行此操作的说明。 如果您不是 OWOX BI 用户，但对这种可能性感兴趣，请免费试用 OWOX BI，看看它如何帮助您实现目标。

我们的客户在他们的活动中重新配置了受众，这些受众已经用于重新定位，筛选出不属于正确细分的用户，并将预算集中在他们选择的细分中的用户上。

结果，在相同的活动和相同的投资下， ROI 增加了 100% 到 150% （活动很多，因此指标取平均值）。 事实上，这个决定的成本是最小的，而且效率是相当有形的。 这些活动今天仍在发挥作用。 我们没有收到客户的任何反馈，表明这种增加只是暂时的。

当我们开始处理一个项目时，首要任务是计算实际收益的投资回报率。

默认情况下，Google Analytics（分析）只能查看该网站的销售额，但这并不能真正反映进入企业账户的资金。

我们知道有些在线订单在订单确认过程中未完成或更改。 用户可能：

1. 根本没有完成订单
2. 通过电话更改订单，从而更改订单金额
3. 订单送货到实体店，但不取货

因此，企业没有收到 Google Analytics 中显示的金额。 因此，根据 Google Analytics 中的数据计算收入并不完全正确。 有必要考虑来自您的 CRM 的真实销售数据来评估在线广告的有效性。

客户的目标：在不增加成本的情况下，以固定的 CRR 提高广告活动的投资回报率。

客户的挑战：根据广告来源产生的实际销售额重新分配广告预算。 简而言之，您需要将预算从无法产生足够 ROI 的渠道转移到更高效的渠道。

我们的假设：如果您根据购买量计算投资回报率（理想情况下，甚至是利润率），您可以调整营销策略并投资于那些带来更多收入的流量来源。 因此，广告活动的投资回报率将增加。

我们的客户已经使用 OWOX BI 在 Google BigQuery 中收集了非抽样数据。 但是有必要用公司内部系统的销售数据来补充这些数据。 该任务分五个阶段实施。

第一阶段。 正确设置从站点到客户 CRM 系统的订单数据传输。 转移交易 ID 和 Google 客户 ID。

交易 ID 是在网站上下订单时形成的，并与相应的客户 ID 一起发送到 Google Analytics 和 BigQuery。 将这两个 ID 并行传输到 CRM 非常重要，这样您就可以将用户与交易和付款相关联。

第 2 阶段。 在客户的 CRM 端设置用户 ID 生成，并在结帐时将用户 ID 发送到 Google BigQuery。

当有关新客户的信息写入其中时，CRM 系统会生成用户 ID。 例如，假设有人在商店购物，收银员询问他们的电话号码并将其输入 CRM。 然后系统为该用户分配一个唯一标识符。 将来，当用户使用电话在网站上进行授权时，CRM 会识别他们。

Google Analytics 具有用户 ID 功能。 我们的开发人员对其进行了配置，以便当客户在我们客户的站点上授权或下订单时，用户 ID 会发送到 DataLayer 中的站点。 从那里，它被传输到谷歌分析和谷歌大查询。

多亏了这一点，您可以将网站上授权用户的操作与有关他们的详细信息相关联。 例如，您的 CRM 可以存储一个人的姓名、电话号码和电子邮件。 使用中间用户 ID 密钥，您可以组合网站和 CRM 数据以及特定订单的付款数据。

第三阶段。 配置将实际销售数据从您的 CRM 上传到您想要使用的结构的 Google BigQuery。 为此，我们形成了一个技术任务，并将其交给我们客户的开发人员来实施。

第 4 阶段。 将 BigQuery 中的所有数据合并到一个表中。 我们的分析师编写了一个 SQL 查询，将在线订单信息链接到有关已完成订单及其金额的 CRM 数据。 组合这些数据的键是交易 ID、用户 ID 和客户 ID。

第 5 阶段。 在 Google Data Studio 中构建一个报告，显示流量来源的投资回报率，同时考虑订单中购买的商品。 我们根据边际成本计算了投资回报率。

设置从站点到 CRM 的正确数据传输以及将 CRM 数据下载到 Google BigQuery 需要业务方面的开发人员参与，这通常会大大延迟流程。

我们为客户提供了基于实际销售数据的流量来源绩效报告。

高级管理人员使用此报告做出战略决策，上下文广告专家使用此报告来管理特定广告活动的预算。

以下是此报告的示例：

想知道您的广告基于 CRM 中的真实销售数据的效果如何？ 免费试用 OWOX BI，看看它如何帮助您实现目标。

我们的客户在构建了上述基本报告后的第三个解决方案是 ROPO 分析（在线研究，离线购买）。 它显示了数字营销对实体店销售的影响。 这对于全渠道电子商务项目尤其重要。

人们出于各种原因查看网站上的商品并在商店中查看商品，从不信任互联网上的购买到想要触摸产品。

在年度预算规划期间，CMO 想要为在线渠道获得更多资金，因为他们知道一些归因于在线广告的销售发生在线下。 如果 CMO 可以至少部分衡量这种影响，这将是提高预算的一个很好的论据。

客户目标：证明需要增加在线营销预算并展示在线广告投资的隐藏价值。

客户的挑战：分析在线广告的有效性，同时考虑其对线下销售的后续影响。

我们的假设：一些用户熟悉网站上的产品，但在实体店购买。 也就是说，在线活动仍然被低估。 如果我们跟踪这些用户对网站的访问以及在实体店中的进一步购买，我们就可以衡量数字广告的真正价值。

为了将用户在网站上的活动与他们在线下商店的后续购买联系起来，我们主要做了与基于已完成订单分析投资回报率相同的事情（在上一节中有详细说明）：

1. 在 CRM 端设置用户 ID 并将其发送到 Google BigQuery。
2. 配置客户端 ID，以便将其正确传递给 CRM 和 BigQuery。
3. 设置结帐期间从站点到 BigQuery 和客户 CRM 的用户电话和用户电子邮件字段的数据传输。
4. 设置从客户的 CRM 上传到 Google BigQuery 的数据。 与前一种情况不同，此上传不仅包含在线订单，还包含来自零售店的订单。
5. 编写一个 SQL 查询，将网站上的活动数据与来自 CRM 的信息联系起来。 将数据链接到离线销售的关键是用户 ID/用户电话/用户电子邮件。
6. 在 Google Data Studio 中构建报告以分析 ROPO 效果。

组合数据的方案如下所示：

只有当用户在网站上进行购买或在网站上获得授权时，您才能将在线用户链接到线下销售。

实践表明，授权用户的份额约为所有网站访问者的 5%。 您拥有的授权用户越多，您的报告中的数据就越有代表性。 但即使是 5% 到 10%，也有可能得出一些结论，从而导致您管理营销预算的方式发生重大变化。

另一个困难是在您已经设置所有集成时跟踪数据质量。 确保数据正确传输并且标识符匹配，以便 CRM 系统中的未来更改不会破坏您的配置。 这是一个关于您客户的 IT 团队有多优秀的问题。

在测量 ROPO 效果后，我们客户的广告活动的投资回报率提高了 50% 到 150% 。 值得注意的是，在这种情况下，投资回报率总是显示增长，因为增加了由在线活动产生但离线获得的收入。

ROPO 报告的示例：

该报告允许客户分析以下类别的数据：

• 仅来自网络的收入
• 仅线下收入
• ROPO 收入
• 仅在线来源/媒体/广告系列收入
• 来源/媒介/活动收入，包括后续的线下销售
• 按产品类别和子类别划分的在线和 ROPO 收入
• 按城市划分的在线和 ROPO 收入
• 从实地考察到购买 ROPO 的时间（以天为单位）
• 购买 ROPO 之前网站上的会话数
• 和许多其他人

想知道您的线上努力如何影响线下销售？ 免费试用 OWOX BI，看看它如何帮助您实现目标。

这是一项相当复杂且非典型的任务，尽管很有趣。 SEO 优化具有延迟效应，通常很难评估已完成工作的有效性，例如过去六个月。 特别是如果它是一个巨大的网站。

一般来说，我们知道有多少用户通过谷歌搜索，甚至可以排除品牌流量。 但是有多少用户是因为类别和子类别得到了优化，或者文本和标题写得很好？

假设您上个季度在 SEO 上花费了 10,000 美元。 你在六个月内从这笔钱中获得了多少收入？

客户的目标：评估 SEO 投资的有效性，不仅要考虑在线订单，还要考虑实际付款。

客户的挑战：建立一份报告，按产品类别显示 SEO 的有效性。 该报告应以实际销售为基础。

我们的假设：我们知道哪些关键词被抽出以及在哪些页面上。 我们知道这些键在 SEO 退出中的位置。 我们知道这些以搜索流量为来源的页面的销售额。 如果我们链接这些数据，我们将从 SEO 退出 TOP 中的那些关键字获得销售额。 也就是说，我们可以衡量 SEO 投资的有效性。

第一阶段。 将所有必要信息上传到 Google BigQuery：

• OWOX BI 在网站上收集的原始用户行为数据
• 来自 Google Search Console 和 Yandex 的数据。 引导访问网站和登录页面的热门关键字的指标。 我们为什么使用 Search Console？ 因为在位置测量服务中，我们只看到可能来自这些关键字的假设流量。
• 来自站点位置测量服务的数据（例如，Allpositions）。 这使我们能够确定关键字的位置。 例如，如果关键字在 drop-out 中低于第五位，我们可以将它们排除在分析之外。
• 来自 CRM 系统的实际销售数据

第 2 阶段。 根据 URL，在登录页面部分创建关键字查询集群。 我们分析的不是一个 URL，而是整个商品类别的 URL。 比如小家电，我们可以先看搅拌机，再看博朗搅拌机。

第三阶段。 通过测量退出中的位置来查找 SEO 流量通过哪些关键字进入网站。 我们将结果上传到 GBQ 并将请求排序到某个位置以下。

第 4 阶段。 使用 SQL 查询，将站点上的用户活动数据链接到来自 CRM 的实际销售数据。

第 5 阶段。 突出显示导致与 SEO 来源进行交易的会话（使用最后的非直接点击归因模型）。

第 6 阶段。 突出显示这些交易的登录页面，并将它们与为这些页面带来流量的 SEO 关键字相关联。

第 7 阶段。 建立一个报告，显示某些页面的 SEO 优化如何影响这些页面上的实际流量和购买。

Google Search Console 允许您上传多达 5,000 行数据。 因此，我们无法分析所有为网站带来流量的关键字请求。

例如，我们可以查看关键字在某个页面集群中的有效性。 假设有 100 个关键字，其中 50 个位于顶部，在这 50 个中，我们知道其中 30 个代表进入 Search Console 卸载的流量。 我们假设其他请求也有流量，只是服务没有给我们这个信息。

没有办法 100% 准确地衡量哪些关键字为我们分析的页面带来了流量。 因此，在分析开始时，我们认为我们的结果会有一定程度的误差。

我们向客户提供了一份报告，让他们可以分析一段时间内 SEO 活动的有效性。 效率分析是基于实际销售额，所以可以统计SEO流量的ROI。

您想建立一个显示 SEO 流量效率的报告吗？ 免费试用 OWOX BI，看看它如何帮助您实现目标。

最近，这项任务变得非常紧迫。 可能有一半的互联网流量和很大一部分销售额来自移动设备。 我们的许多客户同时使用移动应用程序以及在线和离线应用程序。 当您从移动设备购买流量时，您想了解它的有效性。

客户的目标：评估通过付费来源 (Google Ads) 吸引流量以促进移动应用安装和应用内销售的效率。

客户的挑战：建立一个报告，显示流量来源在关键转化操作（安装、注册、交易、收入）方面的效率。

我们的假设：通过将来自 AppsFlyer 的原始数据（安装、用户操作、流量来源、收入）与来自 Google Ads 的成本数据联系起来，我们可以构建一份报告，根据相关交易行为显示广告活动的投资回报率。

1. 使用 OWOX BI，将应用内用户行为的原始数据从 AppsFlyer 上传到 BigQuery，并将有关安装来源、后续交易和应用收入的信息上传到 GBQ。
2. 检查上传以查看报告所需的所有数据是否与 CRM 中的数据（收入、转化次数）相匹配。
3. 使用数据传输方法设置将 Google Ads 费用上传到 GBQ。
4. 编写一个 SQL 查询，链接来自 AppsFlyer 和数据传输的数据并执行所需的计算。
5. 在 Google 数据洞察中构建报告。

移动应用程序可能会产生延迟效应。 例如，有人可能安装了一个应用程序，但一个月后才注册。 我们的客户想要分析购买流量随时间推移的有效性。 也就是说，如果在 3 月份从渠道 Y 购买了 X 个应用单元，那么这些单元中有多少在 4 月、5 月、6 月等期间带来了转化操作？ 为了回答这个问题，我们制作了一份特别报告。

跨国家、城市和广告活动组进行分析也是一项挑战，因此我们的客户可以例如看到某个经理监督的活动的有效性。 这是使用过滤器实现的。

我们有意识地没有在报告中使用 CRM 数据，因为内部系统中的实际销售额和应用程序数据之间几乎没有误差。

我们的客户在 Google 数据洞察中收到了一份自动更新的报告，该报告回答了以下问题：

• X 流量源在 Y 月带来了多少应用设置？
• 在安装当月和之后的几个月内有多少应用内转化？ （按流量来源）
• 就上述参数而言，活动组的有效性如何？
• 跨国家/地区的广告活动效果如何？

我们无法共享包含敏感数据的客户报告，但以下是可以使用所述解决方案创建的基本报告示例（无每月偏移）：

想了解移动应用的流量效率吗？ 免费试用 OWOX BI，看看它如何满足您的需求。

默认情况下，Google Analytics（分析）报告使用最终非直接点击归因模型。 该模型将交易中的所有价值分配给订单之前链中的最后一个间接来源。 因此，通过漏斗提升用户的其他来源被低估了。

您可以使用 OWOX BI 的基于 ML 漏斗的归因来了解渠道的真正价值并有效分配您的预算。 从第一次访问到购买时，它会考虑所有接触点和所有用户操作。

客户目标：在固定的 CRR 指数下增加受控付费流量来源的 ROI。

客户的挑战：建立一份报告，以货币形式显示被低估的流量来源及其有效性，同时考虑每个用户与网站的联系。

我们的假设：如果广告预算得到有效重新分配，则可以在不提高 CRR 的情况下增加 ROI。 为此，投资回报率计算必须考虑所有通过渠道推广用户的活动和来源的贡献，而不仅仅是那些完成交易的活动和来源。

1. 收集网站上的原始用户行为数据并使用 OWOX BI 将其发送到 Google BigQuery。
2. 设置从广告服务到 Google Analytics 和 Google BigQuery 的成本数据导入。
3. 配置要正确发送到 BigQuery 和 CRM 的客户 ID、用户 ID 和交易 ID。
4. 以所需结构将实际销售数据从 CRM 上传到 Google BigQuery。
5. 根据客户 ID、用户 ID 和交易 ID 键，将站点中的用户行为数据链接到已完成的订单。 不需要 SQL 查询——一切都发生在 OWOX BI 归因模型中。 我们只需以正确的格式加载数据并将其添加到模型计算中。
6. 在 OWOX BI 中设置归因模型并运行计算。 在这个阶段，我们可以将对特定业务重要的事件指定为漏斗步骤，包括离线发生的事件（会议、电话、网络研讨会等）。 漏斗可能会有所不同，具体取决于企业想要衡量的内容以及他们如何看待用户的购买路径。
7. 使用标准 OWOX BI 智能数据报告执行初始数据分析，以避免在第三方 BI 系统中将资源用于数据可视化。 在智能数据中，您可以查看基于归因模型计算结果构建的完整报告，无需 SQL 查询。 例如，您可以查看广告活动的投资回报率，以及它与最终非直接点击归因所显示的投资回报率有何不同。

将客户 ID 和交易 ID 与订单一起正确传输到您的 CRM 需要客户端开发团队。 这同样适用于配置和传输用户 ID。

为了正确解释归因计算的结果，有必要让客户团队的专家参与进来。 这是因为如果不了解设置广告活动的上下文和逻辑，就很难正确评估某些流量来源的行为。

我们的客户收到了现成的报告，可用于：

• 将流量来源的 ROI 与最终非直接点击归因和基于 ML 漏斗的归因的已完成订单进行比较
• 分析漏斗不同阶段流量来源的有效性
• 自动将归因模型计算的结果传递给 Alytics、Google Ads 和 K50 以自动化费率管理（OWOX BI 与这些服务集成。）

以下是来自 OWOX BI Smart Data 的报告示例，该示例显示了广告活动的投资回报率在不同归因模型中的差异：

例如，在此屏幕截图中，我们看到 ROI 来源 bing/organic 比 Google Analytics 中的高 20%。 也就是说，来源实际上赚了更多的钱，但在谷歌分析中被低估了，因为它位于漏斗的中间。

想要评估您的广告活动的相互影响及其对销售的贡献？ 试试 OWOX BI，看看它如何帮助您实现目标。

当用户在某处看到广告，并没有点击任何内容，但一段时间后转到该网站并执行特定操作，这称为查看后转化。 这些很难跟踪，因为与广告没有直接联系和过渡。

此外，像 Facebook、谷歌、YouTube 和 Yandex 这样的大玩家对让第三方进入他们的系统并不是很感兴趣。 也就是说，他们不想给出指示特定用户看到特定广告的数据。

客户的目标：提高媒体广告（横幅和视频）投资的效率。

客户的挑战：跟踪媒体广告的浏览量（无点击）以及看到广告的用户的后续网站访问。

我们的假设：我们可以在客户发布媒体广告的网站上放置一个跟踪代码（像素）。 该像素将为每个看到广告的用户分配一个唯一的 cookie。 一段时间后，该用户可能会访问客户的网站。 然后，我们将能够读取我们分配的 cookie 并使用这些数据来构建查看后分析。

OWOX BI 团队的任务是开发一种跟踪方法，该方法将收集有关广告浏览的数据，以便将其与来自客户网站的用户行为数据相结合。 我们基本上创建了一段代码，可以放置在广告运行的网站上。

然后，我们需要 Google BigQuery 将广告浏览数据与来自客户网站的用户行为数据结合起来，以便使用 SQL 对其进行处理。

该任务分几个阶段实施：

1. 从客户那里收集业务需求。
2. 根据这些业务需求，准备 TA 以在将放置媒体广告的网站上引入像素。
3. 测试 TA 实施的质量以及在广告筛选期间输入 Google BigQuery 的数据质量。
4. 发起活动并监控数据传输的质量。
5. 将活动期间收集的数据与用户行为数据以及 CRM 数据相关联。
6. 建立一个回答客户业务问题的报告。

• 并非所有网站都对托管我们的像素感兴趣。
• 我们使用自己的 OWOX 用户 ID 作为数据映射的键。
• 我们不断监控我们的脚本在广告商拥有的平台上的跟踪和正确运行。
• 我们不仅考虑了转化窗口内的直接销售，还考虑了广告对吸引新受众的影响（客户的 KPI 之一）。

我们的客户收到的报告回答了以下问题：

• 在线订单活动的投资回报率是多少？
• 在查看广告后 10 天内完成的订单的广告系列的投资回报率是多少？
• 考虑到 ROPO 的影响，广告的投资回报率是多少？
• 哪些网站在 ROI/CR/新用户方面被证明是最有效的？
• 看过广告的用户中有多少百分比已经访问过该网站？
• 在查看广告后的 X/Y/Z 天内，有多少新用户被带到该网站？
• 有多少新用户在查看广告后购买？
• 看到广告的用户购买了哪些商品？
• 有多少流失的用户（X 天没有进入网站或在网站上购买）被广告带回来？

浏览后转化报告示例：

想要相同的报告？ 试试 OWOX BI，看看如何使用它来克服营销分析挑战。

• 数据是 21 世纪的石油。
• 处理数据需要实验和检验假设。
• 您需要做好准备，并非所有实验都会成功。
• 光有 CMO 的愿望是不够的； 您需要公司内部的流程来让数据开始带来资金，而团队也应该需要它。
• 将数据转化为金钱是 21 世纪的炼金术吗？ 我们不这么认为：）