如何将电子邮件驱动的收入提高 237% 并优化广告支出

优化的电子邮件流程可以通过这个销售渠道为企业提供尽可能高的投资回报率。 但是，您必须调整电子邮件营销活动以实现它：内容应该针对您的受众进行个性化。 否则，您的电子邮件工作很有可能会浪费金钱。

在本案例中，我们描述了 OWOX BI 团队为一家大型家电、电子产品和家居用品零售连锁店提供的解决方案，该连锁店在 200 多个城市拥有 600 多家门店。 该企业在寻找如何通过应用触发电子邮件来提高转化率和优化广告成本方面遇到了挑战。

在竞争激烈的商业环境中，主要目标是获取新客户、增加 LTV 和优化广告预算。 业务分析师想要分析他们的客户获取渠道的效率，考虑到每个广告活动的收益。 标准归因模型不适合此任务，因为它们忽略了以下因素：

1. 价格比较网站的访问者寻求以最低价格购买产品。 这意味着，在考虑下次购买时，客户可能希望再次按价格进行选择，而不是访问公司的在线商店，他们可能会重新访问比价网站。 在评估此流量来源时，应考虑客户超过 180 天的 LTV 以及获取和保留的总成本，因为公司可能会在每次通过比价网站吸引客户时花钱。
2. 购买了较低利润的便宜产品的客户可能会稍后返回该网站购买更昂贵的产品。 因此，尽管较便宜产品的利润可能无法覆盖购买成本，但最终（超过 180 天）此类广告活动会获得更好的回报。

鉴于上述情况，分析师团队开发了他们自己的基于 LTV 的归因模型，该模型考虑了 180 天内的广告成本和购买利润。 此外，将对特定产品或产品类别感兴趣的潜在买家转变为忠实客户的方法正在测试中。 一些访问者浏览了该网站，但没有购买任何产品。 一些访客开始结账，但没有完成结账（被遗弃的购物车）。 决定设置触发电子邮件以将此类访问者带回网站并激励他们进行购买：

1. 对已开始但尚未完成结帐的用户的废弃购物车的提醒。
2. 推荐基于查看的产品，向浏览特定类型页面（目录页面或产品页面）的用户推荐。

触发电子邮件的内容应个性化以满足每个客户的当前需求。 在收集有关网站访问者行为的数据以确保这一点时，不应有任何延误。

实现这些目标所需的数据存储在不同的系统中——谷歌分析和一些广告服务。 不仅要合并数据，还要确保快速访问数据和近乎实时的数据处理。

公司必须解决以下任务才能实现目标：

• 在单个系统和优化结构中从多个来源收集数据。
• 获取归因模型所需的所有数据，并确保数据可以历史更新。

决定在 180 天内检查假设。

数据来自以下系统：

1. 谷歌分析：来自网站的数据可通过谷歌标签管理器容器在谷歌分析中获得。
2. 广告来源：Google AdWords、Criteo。

作为单一数据存储，决定使用 Google BigQuery：

1. 这种云存储允许收集和快速处理大量数据。
2. 它提供了大量现成的解决方案和工具，用于与 CRM 和 ERP 系统集成。
3. 数据受到安全保护。

以下工具和功能用于收集 Google BigQuery 中的所有数据：

1. 适用于 Google Analytics 360 的 Google BigQuery Export — 在 Google BigQuery 中接收来自 Google Analytics 的数据，包括 13 个月的历史数据。
2. OWOX BI Pipeline — 该公司在 Google BigQuery 中接收来自网站的近乎实时的点击数据，以及来自广告来源的成本、点击和印象数据，这些数据可在 Google Analytics 和 Google BigQuery 中获得。

因此，所有必要的数据都在 Google BigQuery 中收集，然后发送到公司的内部分析系统。

通过 Google Analytics 360 的标准导出和 OWOX BI 管道在 Google BigQuery 中获得的数据被组织成一个数据立方体。 这种以最佳结构创建的立方体可以显着降低数据处理成本。

下面的流程图显示了如何收集和合并必要的数据：

OWOX BI 分析师使用 SQL 查询开发了两个视图来设置触发电子邮件。 这些查询将通过 OWOX BI Pipeline 获得的有关网站上用户操作的数据以及通过 Google BigQuery Export 获得的数据汇总到任务的最佳结构中。

电子邮件的效率是通过 A/B 测试来衡量的。 在访问该网站后的第二天，向第一组用户发送了触发电子邮件。 另一组在不到一个小时内收到了触发电子邮件，因为这些电子邮件是使用 Google BigQuery 中的表和数据立方体中的数据发送的。 在这两种情况下，电子邮件都是通过相同的服务发送的。

与 Google Analytics 不同，Google BigQuery 中数据透视表中的 userID 字段值可以通过覆盖表进行追溯更新。 一旦用户在任何设备上的网站上通过身份验证（一旦 userID 值已知），如果之前未指定或定义此值，则同一用户的先前会话也会获取 userID 值。 由于 userID 字段的追溯更新，获得了更准确的用户数据，并向更多的访问者发送了个性化的触发电子邮件。

该团队开发了自己的归因模型，具有以下特点：

• 仅将访问者获取成本分配给来自付费流量来源的访问。
• 评估每位用户 30、60、90 和 180 天的总保证金。
• 在计算中仅考虑来自首次购房者的数据。 在重复购买时，订单的价值将分配给第一次将用户带到网站的渠道。

由于 Google BigQuery 中的追溯数据更新（包括对 UserID 字段和访问者获取成本数据的更新），这种归因模型成为可能。

由于在单一数据存储中收集数据、设置新的触发电子邮件和历史数据更新，这些目标得以实现：

1. 改进触发的电子邮件 KPI。

大多数将产品添加到购物车但尚未完成购买的用户会在一小时内向大多数用户发送有关废弃产品的电子邮件通知。 触发电子邮件的数据会自动收集，每小时两次。

通过 A/B 测试确认了新邮寄方式的效率：

• 通过发送的电子邮件访问网站的次数增加了 76%。
• 通过发送的电子邮件访问该网站的用户的购买转化率提高了 12%。
• 放弃购物车电子邮件优化后的购买数量增加了 85%。
• 目标群体的营业额份额增加了 237%。

2. 优化广告预算，降低广告费用占比

下图根据企业自身的归因模型显示了客户每次会话的 LTV 数据（FM-margin，COST-cost），该模型考虑了通过付费流量渠道访问不同产品组的客户的生命周期价值。 该值会随着时间的推移而增加——最终点击归因模型忽略了这一事实。 每个活动的最大赌注限于公司在 180 天内获得的保证金，不包括客户保留费用。

从基于 CLTV 的 180 天归因模型中可以看出，用户起初是通过 CPC 渠道来的，然后又返回，并通过免费渠道进行重复购买。 事实证明，此类 CPC 渠道的价值比最终点击归因模型高出数倍。 重复购买的数量和频率，以及公司的收入，因产品类别、广告活动和来源而异。