如何將企業零售商的上下文廣告投資回報率提高 2.2 倍

每個企業都熟悉的一個問題是如何在保持銷售的同時減少上下文廣告的支出。 如果您在 Google Ads 或 Facebook 等廣告系統中為您的網站購買流量，那麼您的很大一部分支出將用於最終沒有將商品放入購物車的用戶的點擊。 即使他們這樣做了，他們也並不總是完成購買。 那麼可以做些什麼來優化廣告活動呢？

在這種情況下，我們描述了 OWOX BI 團隊為測試 OWOX BI 以計算轉化概率的電子和家電零售商提供的解決方案。

企業零售商的主要績效營銷任務包括提高效率指標並減少與當前對購買不感興趣的用戶的聯繫。 數據驅動的解決方案是優化廣告活動的最有前途的工具。 OWOX BI 歸因模型使用機器學習技術來計算每個網站用戶從第一次訪問開始的購買概率。 使用這些購買概率，企業可以確定是否值得向用戶投放廣告。 此外，OWOX BI 模型可以計算用戶執行任何操作的概率。

此外，上下文廣告 SEM 專家的一項強制性任務是將網站訪問者根據他們在網站上執行的操作以及自上次觸發以來經過的時間分為不同的組。 例如，自將商品添加到購物車而沒有購買的天數。 對此類受眾的手動分析和調整出價計算佔據了工作流程的很大一部分。

總而言之，目標是提高上下文廣告活動的投資回報率，同時節省已完成訂單的收入。

OWOX BI 機器學習解決方案被用於優化廣告活動，接受以下培訓：

• 網站用戶行為的歷史數據
• 已贖回訂單的 CRM 數據
• 來自 OWOX 客戶的數万個項目的匯總和匿名數據

OWOX BI 提供了什麼：

• 對於每個網站用戶，購買概率是根據已贖回的訂單計算的。
• 在每個用戶操作或不活動時間段後更新概率計算。 例如，如果用戶訪問一個網站並執行一系列操作，他們將獲得 X% 的購買概率。 如果他們在那之後四天不訪問該網站，這個概率就會降低。
• 根據購買概率沿 10 分制劃分 10 個用戶細分。

為了評估每個細分市場的預測準確性和績效，該團隊分析了每個細分市場已完成的訂單數量。

表格頂部是轉化概率最高的部分，底部是轉化概率最低的部分。

1. 使用 OWOX BI 在 Google BigQuery 中收集有關用戶在網站上的行為的數據。 （也可以使用 Google Analytics 360。）

2. OWOX 分析師訓練了歸因模型，並開始定期為網站訪問者計算轉化概率。 每個訪問者都被分配了一個轉換概率。 該算法涉及60多個參數，包括：

• 轉化窗口內點擊中的會話數
• 會話內網站上的操作
• 會話之間的暫停
• 行動總數
• 會話設備和操作系統
• 用戶在轉化窗口內的流量來源
• 會話中每個頁面上的操作數
• 特定會話的時間和轉換窗口內會話的總時間

3. OWOX BI 團隊將所有這些數據收集到 Google BigQuery 中的一個表中，以評估每個用戶的購買概率。

4. 使用 OWOX BI 管道將受眾數據傳輸到廣告服務。

5. 觀眾被添加到廣告服務中。

主要的 A/B 測試是在被檢查的廣告活動組之間平均分配流量的情況下進行的：

• 手動創建。
• 在自動化服務的幫助下基於產品數據饋送。

實驗成功後，開始了對包含動態廣告的廣告系列的第二次測試。 根據廣告活動的效率收集數據後，計算和調整受眾的出價：

• 降低購買概率低（有時高達 90%）的受眾的出價。
• 提高購買概率較高的受眾的出價。

出價調整的大小是根據收集到的有關每個受眾的轉化係數和目標投資回報率的數據計算得出的。 每個活動和受眾的當前投資回報率也被考慮在內。 對於每個受眾，OWOX BI 計算出適當的每次點擊價格。 根據這些計算，它調整了當前價格以達到目標 KPI。 調整會根據結果不斷變化。

兩個月來，OWOX 分析師與客戶團隊合作進行了兩次測試。 第一個持續了一個半月，包括五個流量較低的廣告活動。 這些活動中的每一個都被細分為兩個用於 A/B 測試的活動：一個使用 OWOX BI 受眾，一個不使用它們。

使用 OWOX 受眾的廣告系列在完成訂單的投資回報率和收入方面都顯示出 1.7 倍的好結果。 對於零售商來說，這是朝著提高廣告投資效率的方向邁出的一步。

在第一次實驗之後，OWOX BI 團隊根據相同的原則對流量大的活動進行了為期三週的測試——使用 OWOX BI 受眾和不使用 OWOX BI 受眾的活動數量相等。

第二次測試的結果是，在具有 OWOX BI 受眾的廣告系列中，已完成訂單的 ROI 和收入分別提高了 2.2 倍和 2.7 倍。

在這兩種情況下，測試組要么以與對照組相同的預算帶來更多的收入，要么以較低的預算帶來相同的收入。 使用 OWOX BI 來預測轉化，我們的客戶節省了創建細分受眾群的時間，網站用戶的所有數據都被自動處理，並將生成的數據上傳到廣告服務，在廣告活動中可以使用它來調整出價和運行重新定位。

這些測試結果被認為是進一步擴展其他績效和品牌形象渠道的成功開始。 隨著轉化概率計算的實驗證明了它們的效率，下一步是擴展解決方案——在所有搜索活動中使用它，通過根據細分中的轉化設置不同的出價來運行重新定位，並將其應用於其他廣告服務，如 Facebook 、MyTarget 和 Google Ads。