如何发现 2.4 倍以上的关键字有助于转化并将 PPC 广告投资回报率提高 17%

如果不应用数据分析来提高业务绩效，就不可能赢得今天的营销竞争。 新技术使公司能够改变他们的工作流程，有效地利用数据进行决策，并更快地实现营销目标。

在这种情况下，我们描述了 OWOX BI 团队为客户在网站、实体店和/或通过呼叫中心通过电话购买的家具和家居用品全渠道零售商提供的解决方案。 它在提高在线广告投资回报率方面面临挑战。

由于该公司希望提高其在线广告投资回报率，其战略包括以下步骤：

1. 跨设备收集有关每个客户的离线和在线活动的完整数据。
2. 评估每个关键字带来的收入，而不是将所有功劳分配给最后一个关键字。
3. 自动进行 PPC 广告的出价管理和调整。

涉及的过程：收集完整数据（用户操作；在线、离线和通过电话下达的订单；广告效果数据），实施自定义归因模型，以及在 Alytics 中自动化出价管理。

该公司需要知道每个关键字在自动出价方面的表现如何。 所有客户接触点，包括跨设备的在线会话、电话和实体店购买都需要拼接在一起以确定关键字值。 在 Google Analytics 中，没有这样的选项。

由于以下缺点，Google Analytics 中的归因模型无法准确评估广告渠道：

• 忽略取消的订单。
• 省略线下购买。
• 忽略采购的毛利率。
• 省略电话订单。
• 错误跟踪在多个设备上访问的用户，作为多个唯一用户。
• 在报告中抽样数据。

对关键字效果的不正确评估导致难以正确设置出价。 因此，高出价会浪费预算，而低出价会吸引更少的客户。

Google Analytics 中不提供有关电话订单和离线订单的数据，以及非 Google 付费广告活动的成本数据。 因此，在 Google BigQuery 中设置了数据收集和归因建模。

选择此服务的原因如下：

• 对任何数据量的高速查询处理（最长 20 秒）。
• API 可以轻松与其他系统集成。
• 可以轻松地从文件或 Google 表格上传数据。
• 充电仅供使用。
• 无需维护数据库。

在 Google BigQuery 中计算渠道和关键字的价值以管理出价，然后使用 RESTful API 将结果导入 Alytics。

现在，让我们仔细看看每一步。

由于本机集成和帐户链接，Google AdWords 成本和绩效数据会自动导入 Google Analytics。

OWOX BI 管道用于：

• 从广告服务向 Google Analytics 收集会话、成本和收入绩效数据。 此数据与来自 Google AdWords 的数据一起出现在成本分析报告中。
• 将整合的会话、成本和收入绩效数据从 Google Analytics 导入到 Google BigQuery。
• 近乎实时地将用户行为数据从网站导入 Google BigQuery。

以下数据使用 API 发送到 Google BigQuery：

• 来自 CRM 和 ERP 的产品毛利率和订单完成率。
• 来自 CallTouch 呼叫跟踪系统的已拨打电话的用户的 ClientID。 使用CallTouch提供的多个电话号码：访问次数越多，平均会话时长越长，CallTouch提供的电话号码就越多。 系统会在网站上的每个会话中显示其中一个号码，并将该号码与用户的 ClientID 相关联。 接下来，调用者的 ClientID 从 CallTouch 导入到 Google BigQuery。

数据采集​​流程图如下：

现在，来自实体店、呼叫中心和网站的所有用户行为数据都收集在 Google BigQuery 中。 会话数据（点击序列、会话 ID 和用户的加密个人数据）使用 OWOX BI Pipeline 传输到 Google BigQuery。 会话通过以下参数与用户相关联：

• ClientID，浏览器-设备对的唯一标识符。
• UserID，每个用户的唯一标识，绑定到用户的邮箱。
• 忠诚卡号。

Hoff 使用 SQL 查询对会话进行分组。 让我们看一下如何组合数据的 3 个示例。

Anna 使用智能手机上的浏览器应用浏览网站上的沙发。 一段时间后，她在同一台设备上再次访问该网站，做出选择，通过电子邮件登录，然后将沙发添加到她的购物车中。 由于设备和浏览器相同，因此这两个会话按 ClientID 分组。 安娜回到家，打开她的笔记本电脑，登录她的账户，然后买了她选择的沙发。 现在她的手机和笔记本电脑上的会话可以通过 UserID 组合起来：

尼克在他的工作计算机上寻找新的厨房桌子时访问了该网站。 在午休期间，他使用智能手机在网站上创建了一个帐户并下订单。

尼克使用了两种不同的设备，并且只通过他的智能手机授权。 这两个会话不能通过 ClientID 或 UserID 链接。 因此，Google Analytics 将它们视为来自两个不同用户的会话。

回到工作岗位后，尼克记得他的妻子一直想要一张鸡翅木桌，而不是胡桃木桌，而且他有一张会员卡。 他在他的工作计算机上进入该网站，登录，更改他的订单，并使用他的会员卡进行购买。

现在可以通过将计算机上的购买与以下内容相关联来将 Nick 的所有会话拼接在一起：

• 通过 ClientID 查找表（会话 1），因为两个会话都是在同一台计算机上的同一浏览器中启动的。
• 在电话上创建一个帐户（会话 2） - 通过用户 ID，因为尼克在两个会话中都登录到他的帐户。

因此，与尼克从第一次访问到购买的旅程相关的数据被收集在 Google BigQuery 中。

尼克在他的工作电脑上浏览网站，寻找与新桌子相配的椅子。 他拨打网站上显示的电话号码并下订单。 然后他开车去商店，用他的会员卡买椅子。

Nick 之前在网站上的操作与在商店和手机上的操作合并：

• 电话订单和在线活动——按 ClientID，因为 Nick 之前买过桌子，CallTouch 已在同一浏览器、同一设备上显示电话号码。
• 线下购买和线上活动——按 Nick 的会员卡数量。

现在有足够的数据将尼克的所有互动联系在一起。 他们是这样做的：

因此，所有用户的 ClientID、电子邮件地址、会员卡和订单都被合并在一起，以查看哪些搜索查询带来了收入，哪些在没有帮助购买的情况下消耗了出价。

归因模型的逻辑如下：客户转化路径中第一个会话和最后一个会话的总价值等于其间会话的价值。 第一个会话是用户第一次访问该网站并熟悉该品牌。 最后一个会话是用户进行购买的时候。 跨不同设备组合数据有助于找到会话及其时间顺序之间的联系。

每个通道的值分两个阶段确定：

1. 识别已启动第一个会话的通道。 如果用户之前访问过该网站，则获取通道与前一个会话的通道相关联。 例如，如果用户通过点击 Google 展示广告访问该网站，并且之前通过 Bing 中的自然搜索访问过该网站，则该模型会将 Bing 视为向用户介绍品牌的渠道。
2. 为会话分配价值。 购买的收入根据以下规则分配给用户会话：

• 第一个会话获得 20% 的销售信用。
• 最后一个会话获得 30% 的信用。
• 它们之间的会话获得剩余的 50%。 会话根据购买前的小时数进行评估。 在会话中查看的页面越多，购买前经过的时间越少，会话获得的价值就越大。

每天都会自动重新计算关键字和渠道的价值。 结果存储在 Google BigQuery 和 Google Cloud Storage 的表中。 归因结果使用 RESTful API 从 Google Cloud Storage 导出到 Alytics。

为 Alytics 制定规则以确定出价规模。 提及产品的搜索词组的投资回报率越高，出价就越高。 例如，如果表格的投资回报率低于 15%，则购买表格关键字的出价将等于 1 美元。 如果投资回报率大于 75%，则出价将等于 4 美元。 所有数字都是通过实验确定的。

通过合并线上和线下客户行为数据、确定关键字值以及自动调整出价，该公司现在能够回答以下问题：

• 考虑到订单履行情况，在线广告的投资回报率将如何变化？
• 在线广告如何影响呼叫中心的订单？
• 哪些关键字带来了最有利可图的订单？
• 哪些产品可以带来最大的投资回报率？
• 在线广告对线下销售的影响有多大？

因此，可以：

• 优化出价并将 PPC 广告投资回报率提高 17%。
• 更准确地衡量关键字对收入的影响，并看到 2.4 倍的关键字有助于转化。 标准归因模型只是忽略了它们。
• 发现一些关键短语对线下购买的影响比对在线销售的影响更大。