如何將電子郵件驅動的收入提高 237% 並優化廣告支出

優化的電子郵件流程可以通過這個銷售渠道為企業提供盡可能高的投資回報率。 但是，您必須調整電子郵件營銷活動以實現它：內容應該針對您的受眾進行個性化。 否則，您的電子郵件工作很有可能會浪費金錢。

在本案例中，我們描述了 OWOX BI 團隊為一家大型家電、電子產品和家居用品零售連鎖店提供的解決方案，該連鎖店在 200 多個城市擁有 600 多家門店。 該企業在尋找如何通過應用觸發電子郵件來提高轉化率和優化廣告成本方面遇到了挑戰。

在競爭激烈的商業環境中，主要目標是獲取新客戶、增加 LTV 和優化廣告預算。 業務分析師想要分析他們的客戶獲取渠道的效率，考慮到每個廣告活動的收益。 標準歸因模型不適合此任務，因為它們忽略了以下因素：

1. 價格比較網站的訪問者尋求以最低價格購買產品。 這意味著，在考慮下次購買時，客戶可能希望再次按價格進行選擇，而不是訪問公司的在線商店，他們可能會重新訪問比價網站。 在評估此流量來源時，應考慮客戶超過 180 天的 LTV 以及獲取和保留的總成本，因為公司可能會在每次通過比價網站吸引客戶時花錢。
2. 購買了較低利潤的便宜產品的客戶可能會稍後返回該網站購買更昂貴的產品。 因此，儘管較便宜產品的利潤可能無法覆蓋購買成本，但最終（超過 180 天）此類廣告活動會獲得更好的回報。

鑑於上述情況，分析師團隊開發了他們自己的基於 LTV 的歸因模型，該模型考慮了 180 天內的廣告成本和購買利潤。 此外，將對特定產品或產品類別感興趣的潛在買家轉變為忠實客戶的方法正在測試中。 一些訪問者瀏覽了該網站，但沒有購買任何產品。 一些訪客開始結賬，但沒有完成結賬（被遺棄的購物車）。 決定設置觸發電子郵件以將此類訪問者帶回網站並激勵他們進行購買：

1. 對已開始但尚未完成結帳的用戶的廢棄購物車的提醒。
2. 推薦基於查看的產品，向瀏覽特定類型頁面（目錄頁面或產品頁面）的用戶推薦。

觸發電子郵件的內容應個性化以滿足每個客戶的當前需求。 在收集有關網站訪問者行為的數據以確保這一點時，不應有任何延誤。

實現這些目標所需的數據存儲在不同的系統中——谷歌分析和一些廣告服務。 不僅要合併數據，還要確保快速訪問數據和近乎實時的數據處理。

公司必須解決以下任務才能實現目標：

• 在單個系統和優化結構中從多個來源收集數據。
• 獲取歸因模型所需的所有數據，並確保數據可以歷史更新。

決定在 180 天內檢查假設。

數據來自以下系統：

1. 谷歌分析：來自網站的數據可通過谷歌標籤管理器容器在谷歌分析中獲得。
2. 廣告來源：Google AdWords、Criteo。

作為單一數據存儲，決定使用 Google BigQuery：

1. 這種雲存儲允許收集和快速處理大量數據。
2. 它提供了大量現成的解決方案和工具，用於與 CRM 和 ERP 系統集成。
3. 數據受到安全保護。

以下工具和功能用於收集 Google BigQuery 中的所有數據：

1. 適用於 Google Analytics 360 的 Google BigQuery Export — 在 Google BigQuery 中接收來自 Google Analytics 的數據，包括 13 個月的歷史數據。
2. OWOX BI Pipeline — 該公司在 Google BigQuery 中接收來自網站的近乎實時的點擊數據，以及來自廣告來源的成本、點擊和印像數據，這些數據可在 Google Analytics 和 Google BigQuery 中獲得。

因此，所有必要的數據都在 Google BigQuery 中收集，然後發送到公司的內部分析系統。

通過 Google Analytics 360 的標準導出和 OWOX BI 管道在 Google BigQuery 中獲得的數據被組織成一個數據立方體。 這種以最佳結構創建的立方體可以顯著降低數據處理成本。

下面的流程圖顯示瞭如何收集和合併必要的數據：

OWOX BI 分析師使用 SQL 查詢開發了兩個視圖來設置觸發電子郵件。 這些查詢將通過 OWOX BI Pipeline 獲得的有關網站上用戶操作的數據以及通過 Google BigQuery Export 獲得的數據匯總到任務的最佳結構中。

電子郵件的效率是通過 A/B 測試來衡量的。 在訪問該網站後的第二天，向第一組用戶發送了觸發電子郵件。 另一組在不到一個小時內收到了觸發電子郵件，因為這些電子郵件是使用 Google BigQuery 中的表和數據立方體中的數據發送的。 在這兩種情況下，電子郵件都是通過相同的服務發送的。

與 Google Analytics 不同，Google BigQuery 中數據透視表中的 userID 字段值可以通過覆蓋表進行追溯更新。 一旦用戶在任何設備上的網站上通過身份驗證（一旦用戶 ID 值已知），如果之前未指定或定義此值，則同一用戶的先前會話也會獲取用戶 ID 值。 由於 userID 字段的追溯更新，獲得了更準確的用戶數據，並向更多的訪問者發送了個性化的觸發電子郵件。

該團隊開發了自己的歸因模型，具有以下特點：

• 僅將訪問者獲取成本分配給來自付費流量來源的訪問。
• 評估每位用戶 30、60、90 和 180 天的總保證金。
• 在計算中僅考慮來自首次購房者的數據。 在重複購買時，訂單的價值將分配給第一次將用戶帶到網站的渠道。

由於 Google BigQuery 中的追溯數據更新（包括對 UserID 字段和訪問者獲取成本數據的更新），這種歸因模型成為可能。

由於在單一數據存儲中收集數據、設置新的觸發電子郵件和歷史數據更新，這些目標得以實現：

1. 改進觸發的電子郵件 KPI。

大多數將產品添加到購物車但尚未完成購買的用戶會在一小時內向大多數用戶發送有關廢棄產品的電子郵件通知。 觸發電子郵件的數據會自動收集，每小時兩次。

通過 A/B 測試確認了新郵寄方式的效率：

• 通過發送的電子郵件訪問網站的次數增加了 76%。
• 通過發送的電子郵件訪問該網站的用戶的購買轉化率提高了 12%。
• 放棄購物車電子郵件優化後的購買數量增加了 85%。
• 目標群體的營業額份額增加了 237%。

2. 優化廣告預算，降低廣告費用佔比

下圖根據企業自身的歸因模型顯示了客戶每次會話的 LTV（FM-margin，COST-成本）數據，該模型考慮了通過付費流量渠道訪問不同產品組的客戶的生命週期價值。 該值會隨著時間的推移而增加——最終點擊歸因模型忽略了這一事實。 每個活動的最大賭注限於公司在 180 天內獲得的保證金，不包括客戶保留費用。

從基於 CLTV 的 180 天歸因模型中可以看出，用戶起初是通過 CPC 渠道來的，然後又返回，並通過免費渠道進行重複購買。 事實證明，此類 CPC 渠道的價值比最終點擊歸因模型高出數倍。 重複購買的數量和頻率，以及公司的收入，因產品類別、廣告活動和來源而異。