О том, как рационально использовать рекламный бюджет рассказала Анна Иванова (Owox) на Ukrainian Digital Conference в Харькове. Доклад для владельцев бизнеса, digital-агентств, маркетологов, а темы в нем раскрыты следующие:

  • Как собрать данные из разных систем в едином хранилище.
  • Что нужно сделать, чтобы выявить истинную ценность канала ретаргетинга для компании.
  • Как настроить эффективный сегментированный ретаргетинг.
  • Как увеличить количество собранных ключевых слов.
 

Представленные в обзоре кейсы оптимизации рекламного бюджета, изложены преимущественно с точки зрения владельца бизнеса. Бизнесмены преследуют 4 основные цели: получать прибыль, меньше тратить, контролировать процесс и при этом прилагать как можно меньше усилий.

Если посмотреть на ситуацию глазами агентств, то их цели: максимально высокий уровень автоматизации, качественный контроль процессов и прибыль. Доклад поможет агентствам найти общий язык с клиентами, а бизнесу — с маркетинговым агентством. Результатом коммуникации станет увеличение прибыли.

Как объединение данных связано с увеличением ROI

Использование стандартных (статических) моделей атрибуции не позволяет точно определить ценность рекламной кампании. В такой модели нет ничего плохого, но все зависит от степени проработки всех возможных каналов — несущественных каналов нет ни на одном из этапов кампании.

В стандартных моделях обычно не обращают внимания на отмененные заказы и заказы, сделанные офлайн — значение традиционных магазинов и Call-центров нельзя не учитывать — эти каналы все еще работают и пользуются спросом.

Не учитывается маржа заказов. Каждый товар имеет свою маржинальность. Один канал может дать 100 продаж с небольшой маржой, а другой — 5 с высокой, которые сформируют половину прибыли компании.

Не учитываются заказы по телефону, а пользователи, которые заходят на сайт с разных устройств, воспринимаются как несколько человек — это не позволяет увидеть реальную цепочку, которая привела потенциального клиента на сайт. Например, если была зафиксирована сессия, в которой один и тот же пользователь не авторизовался, а во время повторного визита — авторизовался, — то Google учтет только вторую сессию. Таким образом информация, что посетитель уже был на сайте, нигде не отобразится.

При построении отчетов используются сэмплированные данные. Это проблема крупных бизнесов, которые все еще не решились на покупку Google 360.

Анализ трафика сайта

Для решения перечисленных проблем можно выделить 2 задачи: бизнес и аналитическую. Бизнес-задача — увеличить ROI рекламы. Аналитическая задача:

  • Собрать данные о всех сессиях пользователя онлайн (с разных устройств) и офлайн (включая Call-центр).
  • Оценить прибыль от каждой поисковой фразы, а не назначать 100% ценности последним фразам перед конверсией.
  • Автоматизировать управление контекстной рекламой и расчет ставок.

Сервис Google BigQuery

Шаг 1. Сбор данных

Для решения этих задач применяется сбор данных в Google BigQuery.

data collection in google bigquery

На представленном изображении присутствуют OWOX BI, используются для импорта данных из Google Analytics в Google BigQuery — позволяют в режиме реального времени получить данные в момент, когда пользователь кликнул или зашел на сайт.   Если компания использует сэмплинг в Google Analytics, то Google BigQuery содержит несэмплированные данные — он решает проблему полного сбора данных из онлайн-каналов. Также он решает еще одну проблему: продукт позволяет объединять сессии авторизованного пользователя даже в тех случаях, когда визиты на сайт были сделаны по разному — с авторизацией и без нее, — а покупка вообще была совершена в офлайн-магазине.   Иными словами, продукт OWOX определяет все каналы, которые предшествовали принятию решения о покупке.

Шаг 2. Обработка собранных данных

Еще один полезный сервис — по сбору полного объема расходов в Google Analytics и Google BigQuery. В нем настраивается автоматический импорт данных из более чем 15 рекламных источников. Все данные самостоятельно уходят в Google Analytics и Google BigQuery. Остается только построить аналитику на основании полученной информации.

processing of collected data

Шаг 3. Расчет модели атрибуции

Следующий шаг — расчет модели атрибуции. Это третий сервис. Его назначение — определять рекламные каналы, которые инициировали первую сессию и присваивать сессиям ценности. Для многофакторного бизнеса характерны несколько воронок продаж, но Google Analytics не позволяет строить несколько воронок в одном ресурсе.

Эту возможность предлагает OWOX. Основной принцип расчета скоринговой модели атрибуции, которую представляет компания — расчет вероятности перехода с одного шага на другой при помощи квадратной матрицы, считающей все возможные вероятности. Модель позволяет получить определенную ценность по сессиям конкретного канала.

calculation of the attribution model

Шаг 4. Передача и использование данных в Analytics

Он также позволяет минимизировать ручной труд. После расчета ценностей и коэффициентов распределения маркетингового бюджета по каналам все данные отправляются в Analytics. Результаты эффективности перечисленных решений проще представить на примере конкретного клиента — компании, которая специализируется на продажах мебели:

  • Увеличение ROI контекстной рекламы на 17% за счет оптимизации размера ставок.

  • Рост числа поисковых фраз с ненулевой ценностью в 2,4 раза: стандартные модели атрибуции их просто не учитывали. Рост частично произошел благодаря учету маркетингового распределения затрат по каналам, частично — за счет учета факторов, которые раньше не подлежали учету.

  • На базе анализа выяснили, что отношение доходов офлайн и онлайн в некоторых категориях контекста на 50% больше чем среднее отношение дохода офлайна и онлайна. Взаимопроникновение офлайн и онлайн достаточно масштабно.

Действительно ли эффективен канал ретаргетинга

Бизнес-задача в данном вопросе заключается в необходимости настройки частичной отправки данных о посетителях в партнерскую систему. Это позволяет определить порядочность партнера и регулировать величины партнерских отчислений — некоторые аффилиаты учитывают даже тех пользователей, которые принимают решение о покупке самостоятельно.

Для оценки эффективности необходимо сравнить ценности пользователей с привлечением партнера и без, а также определить, как меняется модель поведения пользователей, которые взаимодействуют с партнерами. Например, компания имеет сформированное ядро лояльных пользователей, которое образовалось без участия аффилиатов. Как это понять?

Для проведения эксперимента за 100% принимается определенное количество пользователей и аффилиату дается команда прекратить всю деятельность, связанную с рассылкой и мониторингом клиентов. Это занимает 2-3 недели. За это время пользователи «чистятся от догонялок» — исключается информация об искусственно «накрученных» пользователях. После этого партнеру предоставляется 90% трафика, которые выдаются за 100%. 10% — остаются чистыми для проведения сверки по эксперименту.

Пошагово алгоритм действий выглядит следующим образом:

create a custom html

 

tag sending data

  • Создается переменная для куки, в которой будет храниться вариант теста, показанный пользователю.

  • Создается переменная, в которой будут генерироваться случайные числа (от 0 до 2147483647), на основе которых пользователи будут распределяться по разным группам тестирования.

  • Создается пользовательский HTML-тег, в котором прописывается логика распределения вариантов в тесте.

  • Создаются дополнительные переменные: abtest_category, abtest_action, abtest_label.

  • Создаются теги-триггеры, которые отправляют данные об эксперименте в Google Analytics.

  • Отдельно создается тег, в котором определяется доля пользователей, по которым будет делиться эксперимент (в данном случае 10/90).

Результаты:

  • Показатель конверсии выше для пользователей, пришедших через систему ретаргетинга.
  • При этом, средний чек выше у пользователей, которые не взаимодействовали с данной системой.
 

Высокомаржинальные пользователи не нуждаются в ретаргетинге — они приходят из-за лояльности к бренду. Затрачивать на низкомаржинальных клиентов такие же силы, как на дорогих, невыгодно — это приведет к чрезмерным расходам. Рекламная ставка должна соответствовать своей категории клиентов.

RFM таргетинг на основе данных Google Analytics 360 и BigQuery

Клиенты, которые приносят больший доход, привлекаются точно так же, как и основная масса пользователей.

Перед специалистами OWOX была поставлена бизнес-задача — увеличить конверсию и ROAS для платных источников трафика.

Важный момент для понимания материала — Lifetime Value. Это время, которое показывает, насколько долго клиент «живет» с компанией, как часто он обращается и сколько денег тратит.

Для решения аналитической задачи необходимо:

  • Рассчитать ожидаемый Lifetime Value для каждого клиента (RFM Model — временное понятие, описывающее частотность и монетизацию клиента.,
  • Создать eLTV-группы аудиторий для экспорта в AdWords, DoubleClick, 360 Optimized и пр.
  • Корректировка ставок в AdWords.
 

3. Decisions Решение. В первую очередь заказы из всех каналов (офлайн, онлайн, Call-центр) за год из CRM импортируются в Google BigQuery. import orders from CRM После этого выполняется сегментация по давности (Recency), частоте (Frequency), сумме (Monetary) покупок. Всего 125 сегментов. Количество сегментов получено по конкретному клиенту и демонстрируется в качестве примера. Их число определяется отдельно для каждого клиента в зависимости от количества фильтров — стоимости покупок. Если задается более мелкий ценовой диапазон и получается больше ценовых категорий, то число сегментов растет в геометрической прогрессии. perform segmentation by prescription Следующий шаг — импорт данных из Google BigQuery в Google Analytics при помощи Data Import. import data from bigquery Данные в Google Analytics используются для анализа поведения по когортам. Наглядное представление дают данные, представленные ниже. use the data in ga После этого создаются аудитории и настраивается таргетинг в Adwords по RFM группам. Реализацией данной задачи занимаются маркетологи.   Create an audience and target

Чего удалось добиться за 4 месяца эксперимента:

  • Конверсия в AdWords увеличилась в 2 раза. Это положительно отразилось на прибыли и позволило увеличить расходы.
  • Расходы выросли в 2.5 раза, а ROAS на 55%.

Идеи по увеличению количества собранных поисковых фраз

Проблему данного кейса можно сформулировать следующим образом: Google шифрует львиную долю поисковых слов органического поискового трафика. В итоге становится невозможно оценить полезность ключевых слов и их релевантность.

Для того, чтобы увеличить эффективность органического трафика и улучшить конверсию ключевых слов в данной ситуации, необходимо собрать как можно больше слов из зоны, которую шифрует Google, проанализировать релевантность запросов и, по возможности, поднять их в выдаче.

Один из вариантов решения данной проблемы — сторонний сервис RoyApp. Он расшифровывает 30-60% (not provided) трафика, собирает дополнительно позицию и версию поисковой системы. Для тестирования сервиса предусмотрен 30-дневный бесплатный период. К минусам сервиса можно отнести необходимость оплаты через 30 дней и необходимость настроек в GTM и GA. Сервис не работает «из коробки», его нужно настраивать.

royapp brief configuration instructions

Второй путь. Встроенные отчеты. Search Console. Основное преимущество — сервис бесплатный. К плюсам также стоит отнести: расшифровываемость порядка 50-60% поисковых запросов, нет требований к дополнительным настройкам GTM, кода и пр. — не нужно обращаться к IT-специалистам. Есть возможность посмотреть срезы по лендингам, GEO, девайсам — это позволит лучше сегментировать ключевые слова и поднять их в выдаче.

Минусы:

  • Данные сохраняются только за 90 дней — если период большинства анализируемых кампаний больше 3 месяцев, то сервисом воспользоваться не получится. Он оптимален для сезонных промокампаний.
  • Данные становятся доступны через двое суток.
  • Сервис не позволяет работать с пользовательскими параметрами и пользовательских чатах. Однако предусмотрена возможность выгрузить данные из Search Console.
 

Можно попробовать работать с двумя сервисами сразу и объединять полученные данные. Благодаря RoyApp количество распознанных слов среди (not provided) выросло до 48%. Перечень поисковых слов увеличился на 46%.

Комбинация двух отчетов (RoyApp и Search Console) позволила получить ответы на следующие вопросы:

  • Как коррелирует позиция в выдаче с количеством сессий.
  • Как CTR поискового слова связан с конверсией на сайте.
  • Как меняется поисковой трафик со временем.
  • Таргетинг на различных устройствах.