如何通過整合數據來衡量廣告成功並提高 ROAS

隨著越來越多的企業轉向在線運營並進入一個新的數字世界，營銷人員需要處理的數據也就越多。 業務用戶不斷需要高質量的數據洞察力以取得成功，這成為採用新的分析格式和結構的主要挑戰之一。

在這種情況下，我們描述了 OWOX BI 團隊為一家領先的直接保險提供商提供的解決方案，該提供商在評估廣告對購買的影響方面遇到了挑戰。

由於公司通過互聯網、電話和線下銷售保險，客戶可以通過一種渠道研究產品並通過另一種渠道購買。 例如，客戶可以訪問公司的網站，計算覆蓋範圍，填寫在線申請，然後訪問實體辦公室進行購買。 在這種情況下，很難評估廣告對購買的影響。

主要挑戰是通過採用功能性廣告績效評估系統來優化廣告支出並獲得更好的廣告回報。 該公司需要一種方法來整合有關成本、收入和在線和離線用戶交互的數據。

有關用戶與網站的互動、廣告費用和線下訂單的數據收集在不同的系統中：

• 來自網站的數據在谷歌分析中收集；
• 線下購買的保單數據存儲在公司的CRM系統中；
• Google Analytics（分析）通常不會收集非 Adwords 費用數據。 因此，每個廣告服務的 ROAS、ROI 和廣告成本份額都是單獨計算的。

應合併所有這些數據，以準確評估廣告對保險購買的貢獻。

所有必要的數據都使用 OWOX BI Pipeline 在 Google BigQuery 中收集，並實施了基於漏斗的最後非直接點擊和首次點擊歸因模型。 接下來，創建報告以比較通過每個歸因模型獲得的活動績效數據。

數據收集和合併流程圖如下：

讓我們仔細看看公司為評估廣告活動所採取的每一步：他們結合了哪些數據，以什麼方式，以及取得了哪些成果。

該公司選擇了 Google BigQuery 雲存儲，用於將客戶現場活動數據與線下保險購買數據合併。 選擇該服務是因為它的數據處理能力：TB 級的數據可以在幾秒鐘內處理，PB 級的數據——在幾分鐘內。 這使得 Google BigQuery 成為執行複雜分析和報告任務的完美服務。 使用 Google BigQuery 的另一個好處是安全性高，因為數據會自動加密。 有關使用 Google BigQuery 的好處的更多信息，請訪問該服務的網站。

選擇 OWOX BI Pipeline 進行數據收集的原因如下：

• 數據以近乎實時的方式收集，並在 5 分鐘內可用。
• 報告中的維度和指標數量沒有限制。 OWOX BI Pipeline 允許創建任何粒度的報告，使用類似 SQL 的語法來查詢原始數據。 僅在 Google Analytics（分析）中，某些維度和指標無法合併到一份報告中。 報告中的維度和指標數量有限制：標準報告中有 2 個維度，自定義報告中有 5 個維度，Core v3 請求中有 7 個維度。 此外，不可能分析每個用戶的廣告費用。 有關限制和配額的更多信息，請參閱 Google 開發者指南。
• 導入到 Google BigQuery 的數據是非抽樣的，無論其數量如何。

有關 Google Analytics 360 的 Google BigQuery Export 和 OWOX BI Pipeline 之間差異的更多信息，請參閱我們的博客文章。

使用 POST 請求將有關保險購買的數據從 CRM 系統上傳到 Google BigQuery。

• 由於 Google Analytics 和 Google AdWords 之間的原生集成，Google Analytics 會自動收集 AdWords 廣告系列的成本數據。
• OWOX BI Pipeline 將其他營銷渠道的成本數據導入 Google Analytics。
• 所有渠道的數據都從 Google Analytics 導入到 Google BigQuery。 這允許計算與購買相關的 ROAS、ROI 和廣告成本份額，而不僅僅是在線應用程序。

在整合 Google BigQuery 中的數據後，營銷團隊構建了多個歸因模型來衡量廣告在吸引新客戶（首次點擊歸因模型）和推動購買（最後非直接點擊歸因模型）方面的效果。

OWOX BI 的基於漏斗的歸因被選為第三個最客觀的歸因模型。 在此模型中，每個渠道都會根據其對客戶通過購買渠道的進展所做的貢獻而獲得信用。 根據客戶進展到漏斗中每個下一步的概率來評估會話。 概率越高，對幫助用戶繼續完成該步驟的會話給予的功勞就越少。 概率越低，會話獲得的信用越多。 Google BigQuery 和 OWOX BI 界面中提供了基於漏斗的歸因模型中的計算結果。 該報告顯示了用戶購買過程中每一步的轉化率（絕對轉化）、概率和價值。 看看下面的例子：

• 步驟轉化率是查看給定步驟的會話百分比。 例如，第 2 步中 34% 的轉化率意味著 34% 的網站訪問者總數導航到了這一步。
• 概率是訪問者從上一步導航到給定步驟的會話百分比。 在此示例中，第 4 步的概率為 10%，這意味著 10% 的訪問者從第 3 步導航到第 4 步。
• 值計算如下。 首先，每一步都會得到一個與概率成反比的分數。 然後，該步驟的得分除以漏斗內得分的總和。 用戶越難通過漏斗的某個步驟，它獲得的價值就越高。

OWOX BI Smart Data 用於簡化所有獲得數據的工作。 該工具允許以自然英語向數據提問，無需 SQL 查詢。 問題模板可以在幾秒鐘內獲得答案。

通過完成上述步驟，該公司獲得了一個儀表板，該儀表板顯示了每個渠道的實際價值以及該價值在不同設備類型上的漏斗步驟中的分佈方式。

下圖顯示，相同的漏斗步驟在不同的設備上可能具有不同的值。 平板電腦上最有價值的一步是第一次訪問該網站。 瀏覽第 2 步和第 3 步是移動設備的關鍵。 至於桌面計算機上的會話和跨設備會話，價值分佈更均勻。

這翻譯成什麼？ 例如，平板電腦用戶不太可能邁出第一步，即訪問網站。 這意味著針對平板設備的廣告應該專注於吸引新的網站訪問者。

計算了首次點擊和最終非直接點擊模型中的渠道價值，以識別被低估和高估的渠道，更有效地重新分配廣告預算，並將其與基於漏斗的歸因模型中獲得的結果進行比較。

首次點擊和最終非直接點擊歸因模型都無法提供準確的廣告系列效果視圖，因為 Google Analytics（分析）不包含有關離線購買的保險單的數據。 用戶只能通過在線渠道中途，然後離線訪問和購買產品。 這就是分別使用 Google BigQuery 和 Google Data Studio 實現和可視化模型的原因。

通過在 Google Data Studio 中創建儀表板，該公司可以輕鬆監控和比較兩種最流行的歸因模型的廣告活動效果：首次點擊，重點關注獲取，最後一次非直接點擊，重點關注購買。 每月 KPI 以易於閱讀的格式報告。

例如，下面顯示的報告頁面比較了不同渠道的收入分佈和 ROAS。 通過比較兩種不同歸因模型中的渠道表現，可以看出兩種模型中 ROAS 和渠道收入份額的數據幾乎相同。 這意味著這些渠道幾乎同樣適用於吸引用戶並推動他們完成交易。

• 數據採集和處理完全自動化後，由於使用了OWOX BI和谷歌的產品，公司團隊無需手動導入數據。 所有數據都在一個界面中可用，營銷專家可以快速訪問他們需要的任何數據。
• 基於漏斗的歸因模型允許對營銷渠道進行更客觀和可靠的評估。
• 該團隊計算了在首次點擊/最終點擊歸因模型中將獲得的信用廣告渠道。 通過將結果與基於漏斗的歸因模型進行比較，識別出被低估和高估的渠道，並更有效地重新分配廣告預算。

上圖比較了在不同歸因模型中獲得的渠道值。 在最後一個非直接歸因模型中，第 5 個渠道的貢獻被嚴重低估了。 根據基於漏斗的歸因模型，它的 ROAS 高出 100%，並且對最終轉化有很大影響。 其他渠道主要被高估。 基於這些發現，公司可以將廣告預算從高估的廣告活動重新分配給低估的廣告活動，從而在不增加額外費用的情況下提高廣告效率。