如何發現 2.4 倍以上的關鍵字有助於轉化並將 PPC 廣告投資回報率提高 17%

如果不應用數據分析來提高業務績效，就不可能贏得今天的營銷競爭。 新技術使公司能夠改變他們的工作流程，有效地利用數據進行決策，並更快地實現營銷目標。

在這種情況下，我們描述了 OWOX BI 團隊為客戶在網站、實體店和/或通過呼叫中心通過電話購買的家具和家居用品全渠道零售商提供的解決方案。 它在提高在線廣告投資回報率方面面臨挑戰。

由於該公司希望提高其在線廣告投資回報率，其戰略包括以下步驟：

1. 跨設備收集有關每個客戶的離線和在線活動的完整數據。
2. 評估每個關鍵字帶來的收入，而不是將所有功勞分配給最後一個關鍵字。
3. 自動進行 PPC 廣告的出價管理和調整。

涉及的過程：收集完整數據（用戶操作；在線、離線和通過電話下達的訂單；廣告效果數據），實施自定義歸因模型，以及在 Alytics 中自動進行投標管理。

該公司需要知道每個關鍵字在自動出價方面的表現如何。 所有客戶接觸點，包括跨設備的在線會話、電話和實體店購買都需要拼接在一起以確定關鍵字值。 在 Google Analytics 中，沒有這樣的選項。

由於以下缺點，Google Analytics 中的歸因模型無法準確評估廣告渠道：

• 忽略取消的訂單。
• 省略線下購買。
• 忽略採購的毛利率。
• 省略電話訂單。
• 錯誤跟踪在多個設備上訪問的用戶，作為多個唯一用戶。
• 在報告中抽樣數據。

對關鍵字效果的不正確評估導致難以正確設置出價。 因此，高出價會浪費預算，而低出價會吸引更少的客戶。

Google Analytics 中不提供有關電話訂單和離線訂單的數據，以及非 Google 付費廣告活動的成本數據。 因此，在 Google BigQuery 中設置了數據收集和歸因建模。

選擇此服務的原因如下：

• 對任何數據量的高速查詢處理（最長 20 秒）。
• API 可以輕鬆與其他系統集成。
• 可以輕鬆地從文件或 Google 表格上傳數據。
• 充電僅供使用。
• 無需維護數據庫。

在 Google BigQuery 中計算渠道和關鍵字的價值以管理出價，然後使用 RESTful API 將結果導入 Alytics。

現在，讓我們仔細看看每一步。

由於本機集成和帳戶鏈接，Google AdWords 成本和績效數據會自動導入 Google Analytics。

OWOX BI 管道用於：

• 從廣告服務向 Google Analytics 收集會話、成本和收入績效數據。 此數據與來自 Google AdWords 的數據一起出現在成本分析報告中。
• 將整合的會話、成本和收入績效數據從 Google Analytics 導入到 Google BigQuery。
• 近乎實時地將用戶行為數據從網站導入 Google BigQuery。

以下數據使用 API 發送到 Google BigQuery：

• 來自 CRM 和 ERP 的產品毛利率和訂單完成率。
• 來自 CallTouch 呼叫跟踪系統的已撥打電話的用戶的 ClientID。 使用CallTouch提供的多個電話號碼：訪問次數越多，平均會話時長越長，CallTouch提供的電話號碼就越多。 系統會在網站上的每個會話中顯示其中一個號碼，並將該號碼與用戶的 ClientID 相關聯。 接下來，調用者的 ClientID 從 CallTouch 導入到 Google BigQuery。

數據採集流程圖如下：

現在，來自實體店、呼叫中心和網站的所有用戶行為數據都收集在 Google BigQuery 中。 會話數據（點擊序列、會話 ID 和用戶的加密個人數據）使用 OWOX BI Pipeline 傳輸到 Google BigQuery。 會話通過以下參數與用戶相關聯：

• ClientID，瀏覽器-設備對的唯一標識符。
• UserID，每個用戶的唯一標識，綁定到用戶的郵箱。
• 忠誠卡號。

Hoff 使用 SQL 查詢對會話進行分組。 讓我們看一下如何組合數據的 3 個示例。

Anna 使用智能手機上的瀏覽器應用瀏覽網站上的沙發。 一段時間後，她在同一台設備上再次訪問該網站，做出選擇，通過電子郵件登錄，然後將沙發添加到她的購物車中。 由於設備和瀏覽器相同，因此這兩個會話按 ClientID 分組。 安娜回到家，打開她的筆記本電腦，登錄她的賬戶，然后買了她選擇的沙發。 現在她的手機和筆記本電腦上的會話可以通過 UserID 組合起來：

尼克在他的工作計算機上尋找新的廚房桌子時訪問了該網站。 在午休期間，他使用智能手機在網站上創建了一個帳戶並下訂單。

尼克使用了兩種不同的設備，並且只通過他的智能手機授權。 這兩個會話不能通過 ClientID 或 UserID 鏈接。 因此，Google Analytics 將它們視為來自兩個不同用戶的會話。

回到工作崗位後，尼克記得他的妻子一直想要一張雞翅木桌，而不是胡桃木桌，而且他有一張會員卡。 他在他的工作計算機上進入該網站，登錄，更改他的訂單，並使用他的會員卡進行購買。

現在可以通過將計算機上的購買與以下內容相關聯來將 Nick 的所有會話拼接在一起：

• 通過 ClientID 查找表（會話 1），因為兩個會話都是在同一台計算機上的同一瀏覽器中啟動的。
• 在電話上創建一個帳戶（會話 2） - 通過用戶 ID，因為尼克在兩個會話中都登錄到他的帳戶。

因此，與尼克從第一次訪問到購買的旅程相關的數據被收集在 Google BigQuery 中。

尼克在他的工作電腦上瀏覽網站，尋找與新桌子相配的椅子。 他撥打網站上顯示的電話號碼並下訂單。 然後他開車去商店，用他的會員卡買椅子。

Nick 之前在網站上的操作與在商店和手機上的操作合併：

• 電話訂單和在線活動——按 ClientID，因為 Nick 之前買過桌子，CallTouch 已在同一瀏覽器、同一設備上顯示電話號碼。
• 線下購買和線上活動——按 Nick 的會員卡數量。

現在有足夠的數據將尼克的所有互動聯繫在一起。 他們是這樣做的：

結果，所有用戶的 ClientID、電子郵件地址、會員卡和訂單都被合併在一起，以查看哪些搜索查詢帶來了收入，哪些在沒有幫助購買的情況下消耗了出價。

歸因模型的邏輯如下：客戶轉化路徑中第一個會話和最後一個會話的總價值等於其間會話的價值。 第一個會話是用戶第一次訪問該網站並熟悉該品牌。 最後一個會話是用戶進行購買的時候。 跨不同設備組合數據有助於找到會話及其時間順序之間的聯繫。

每個通道的值分兩個階段確定：

1. 識別已啟動第一個會話的通道。 如果用戶之前訪問過該網站，則獲取通道與前一個會話的通道相關聯。 例如，如果用戶通過點擊 Google 展示廣告訪問該網站，並且之前通過 Bing 中的自然搜索訪問過該網站，該模型會將 Bing 視為向用戶介紹品牌的渠道。
2. 為會話分配價值。 購買的收入根據以下規則分配給用戶會話：

• 第一個會話獲得 20% 的銷售信用。
• 最後一個會話獲得 30% 的信用。
• 它們之間的會話獲得剩餘的 50%。 會話根據購買前的小時數進行評估。 在會話中查看的頁面越多，購買前經過的時間越少，會話獲得的價值就越大。

每天都會自動重新計算關鍵字和渠道的價值。 結果存儲在 Google BigQuery 和 Google Cloud Storage 的表中。 歸因結果使用 RESTful API 從 Google Cloud Storage 導出到 Alytics。

為 Alytics 制定規則以確定出價規模。 提及產品的搜索詞組的投資回報率越高，出價就越高。 例如，如果表格的投資回報率低於 15%，則購買表格關鍵字的出價將等於 1 美元。 如果投資回報率大於 75%，則出價將等於 4 美元。 所有數字都是通過實驗確定的。

通過合併線上和線下客戶行為數據、確定關鍵字值以及自動調整出價，該公司現在能夠回答以下問題：

• 考慮到訂單履行情況，在線廣告的投資回報率將如何變化？
• 在線廣告如何影響呼叫中心的訂單？
• 哪些關鍵字帶來了最有利可圖的訂單？
• 哪些產品可以帶來最大的投資回報率？
• 在線廣告對線下銷售的影響有多大？

因此，可以：

• 優化出價並將 PPC 廣告投資回報率提高 17%。
• 更準確地衡量關鍵字對收入的影響，並看到 2.4 倍的關鍵字有助於轉化。 標準歸因模型只是忽略了它們。
• 發現一些關鍵短語對線下購買的影響比對在線銷售的影響更大。