如何通过整合数据来衡量广告成功并提高 ROAS

随着越来越多的企业转向在线运营并进入一个新的数字世界，营销人员需要处理的数据也就越多。 业务用户不断需要高质量的数据洞察力以取得成功，这成为采用新的分析格式和结构的主要挑战之一。

在这种情况下，我们描述了 OWOX BI 团队为一家领先的直接保险提供商提供的解决方案，该提供商在评估广告对购买的影响方面遇到了挑战。

由于公司通过互联网、电话和线下销售保险，客户可以通过一种渠道研究产品并通过另一种渠道购买。 例如，客户可以访问公司的网站，计算覆盖范围，填写在线申请，然后访问实体办公室进行购买。 在这种情况下，很难评估广告对购买的影响。

主要挑战是通过采用功能性广告绩效评估系统来优化广告支出并获得更好的广告回报。 该公司需要一种方法来整合有关成本、收入和在线和离线用户交互的数据。

有关用户与网站的互动、广告费用和线下订单的数据收集在不同的系统中：

• 来自网站的数据在谷歌分析中收集；
• 线下购买的保单数据存储在公司的CRM系统中；
• Google Analytics（分析）通常不会收集非 Adwords 费用数据。 因此，每个广告服务的 ROAS、ROI 和广告成本份额都是单独计算的。

应合并所有这些数据，以准确评估广告对保险购买的贡献。

所有必要的数据都使用 OWOX BI Pipeline 在 Google BigQuery 中收集，并实施了基于漏斗的最后非直接点击和首次点击归因模型。 接下来，创建报告以比较通过每个归因模型获得的活动绩效数据。

数据收集和合并流程图如下：

让我们仔细看看公司为评估广告活动所采取的每一步：他们结合了哪些数据，以什么方式，以及取得了哪些成果。

该公司选择了 Google BigQuery 云存储，用于将客户现场活动数据与线下保险购买数据合并。 选择该服务是因为它的数据处理能力：TB 级的数据可以在几秒钟内处理，PB 级的数据——在几分钟内。 这使得 Google BigQuery 成为执行复杂分析和报告任务的完美服务。 使用 Google BigQuery 的另一个好处是安全性高，因为数据会自动加密。 有关使用 Google BigQuery 的好处的更多信息，请访问该服务的网站。

选择 OWOX BI Pipeline 进行数据收集的原因如下：

• 数据以近乎实时的方式收集，并在 5 分钟内可用。
• 报告中的维度和指标数量没有限制。 OWOX BI Pipeline 允许创建任何粒度的报告，使用类似 SQL 的语法来查询原始数据。 仅在 Google Analytics（分析）中，某些维度和指标无法合并到一份报告中。 报告中的维度和指标数量有限制：标准报告中有 2 个维度，自定义报告中有 5 个维度，Core v3 请求中有 7 个维度。 此外，不可能分析每个用户的广告成本。 有关限制和配额的更多信息，请参阅 Google 开发者指南。
• 导入到 Google BigQuery 的数据是非抽样的，无论其数量如何。

有关 Google Analytics 360 的 Google BigQuery Export 和 OWOX BI Pipeline 之间差异的更多信息，请参阅我们的博客文章。

使用 POST 请求将有关保险购买的数据从 CRM 系统上传到 Google BigQuery。

• 由于 Google Analytics 和 Google AdWords 之间的原生集成，Google Analytics 会自动收集 AdWords 广告系列的成本数据。
• OWOX BI Pipeline 将其他营销渠道的成本数据导入 Google Analytics。
• 所有渠道的数据都从 Google Analytics 导入到 Google BigQuery。 这允许计算与购买相关的 ROAS、ROI 和广告成本份额，而不仅仅是在线应用程序。

在整合 Google BigQuery 中的数据后，营销团队构建了多个归因模型来衡量广告在吸引新客户（首次点击归因模型）和推动购买（最后非直接点击归因模型）方面的效果。

OWOX BI 的基于漏斗的归因被选为第三个最客观的归因模型。 在此模型中，每个渠道都会根据其对客户通过购买渠道的进展所做的贡献而获得信用。 根据客户进展到漏斗中每个下一步的概率来评估会话。 概率越高，对帮助用户继续完成该步骤的会话给予的功劳就越少。 概率越低，会话获得的信用越多。 Google BigQuery 和 OWOX BI 界面中提供了基于漏斗的归因模型中的计算结果。 该报告显示了用户购买过程中每一步的转化率（绝对转化）、概率和价值。 看看下面的例子：

• 步骤转化率是查看给定步骤的会话百分比。 例如，第 2 步中 34% 的转化率意味着 34% 的网站访问者总数导航到了这一步。
• 概率是访问者从上一步导航到给定步骤的会话百分比。 在此示例中，第 4 步的概率为 10%，这意味着 10% 的访问者从第 3 步导航到第 4 步。
• 值计算如下。 首先，每一步都会得到一个与概率成反比的分数。 然后，该步骤的得分除以漏斗内得分的总和。 用户越难通过漏斗的某个步骤，它获得的价值就越高。

OWOX BI Smart Data 用于简化所有获得数据的工作。 该工具允许以自然英语向数据提问，无需 SQL 查询。 问题模板可以在几秒钟内获得答案。

通过完成上述步骤，该公司获得了一个仪表板，该仪表板显示了每个渠道的实际价值以及该价值在不同设备类型上的漏斗步骤中的分布方式。

下图显示，相同的漏斗步骤在不同的设备上可能具有不同的值。 平板电脑上最有价值的一步是第一次访问该网站。 浏览第 2 步和第 3 步是移动设备的关键。 至于桌面计算机上的会话和跨设备会话，价值分布更均匀。

这翻译成什么？ 例如，平板电脑用户不太可能迈出第一步，即访问网站。 这意味着针对平板设备的广告应该专注于吸引新的网站访问者。

计算了首次点击和最终非直接点击模型中的渠道价值，以识别被低估和高估的渠道，更有效地重新分配广告预算，并将其与基于漏斗的归因模型中获得的结果进行比较。

首次点击和最终非直接点击归因模型都无法提供准确的广告系列效果视图，因为 Google Analytics（分析）不包含有关离线购买的保险单的数据。 用户只能通过在线渠道中途，然后离线访问和购买产品。 这就是分别使用 Google BigQuery 和 Google Data Studio 实现和可视化模型的原因。

通过在 Google Data Studio 中创建仪表板，该公司可以轻松监控和比较两种最流行的归因模型的广告活动效果：首次点击，重点关注获取，最后一次非直接点击，重点关注购买。 每月 KPI 以易于阅读的格式报告。

例如，下面显示的报告页面比较了不同渠道的收入分布和 ROAS。 通过比较两种不同归因模型中的渠道表现，可以看出两种模型中 ROAS 和渠道收入份额的数据几乎相同。 这意味着这些渠道几乎同样适用于吸引用户并推动他们完成交易。

• 数据采集​​和处理完全自动化后，由于使用了OWOX BI和谷歌的产品，公司团队无需手动导入数据。 所有数据都在一个界面中可用，营销专家可以快速访问他们需要的任何数据。
• 基于漏斗的归因模型允许对营销渠道进行更客观和可靠的评估。
• 该团队计算了在首次点击/最终点击归因模型中将获得的信用广告渠道。 通过将结果与基于漏斗的归因模型进行比较，识别出被低估和高估的渠道，并更有效地重新分配广告预算。

上图比较了在不同归因模型中获得的渠道值。 在最后一个非直接归因模型中，第 5 个渠道的贡献被严重低估了。 根据基于漏斗的归因模型，它的 ROAS 高出 100%，并且对最终转化有很大影响。 其他渠道主要被高估。 基于这些发现，公司可以将广告预算从高估的广告活动重新分配给低估的广告活动，从而在不增加额外费用的情况下提高广告效率。