Как выжать больше денег из рекламных кампаний посредством аналитических данных? И как стать более релевантными для пользователей, трудясь с площадкой и трафиком?
В данной статье мы разглядим методы настройки аналитики и тестирования, и решения, каковые были приняты на базе Data-Driven Decisions.
Вам очень рады действенный и вычисляемый мир!
настройка и Интеграция веб-аналитики
Перед тем как разбирать эти необходимо откуда-то их взять. Соответственно, первым шагом, перед запуском любых кампаний будет подготовка платформы для сбора корректных данных и последующего анализа. Так мы создаём базу для принятия ответов.
Давайте разглядим данный метод на примере кейса.
Кейс 1.
Клиент: Большой E-commerce.
Задача: Подготовить платформу для корректного сбора данных и последующего анализа.
Ответ:
- Установка Гугл Tag Manager
- Установка счетчиков через Google Tag Manager и настройка событий и отслеживания целей.
- Построение воронок пути пользователя.
- Сбор CLIENT_ID и USER_ID.
- Верная UTM-разметка каналов и источников.
А сейчас давайте разберём по порядку.
Установка Гугл Tag Manager
Гугл Tag Manager – это бесплатный инструмент для маркетологов. Посредством него вы имеете возможность вставлять скрипты и различные теги конкретно в код вашего сайта на разные страницы.
Из-за чего это комфортно?
Маркетологу достаточно один раз поставить контейнер на сайт и больше не прибегать к помощи разработчиков. Так, инструмент экономит время и маркетологов, и разработчиков, и всех людей, каковые взаимодействуют с кодом сайта.
Установка счетчиков через Гугл Tag Manager и настройка событий и отслеживания целей
Через GTM весьма комфортно проводить скрипты и различные счётчики. В случае если маркетолог трудится с Гугл Analytics, то GTM сильно упрощает работу с отслеживанием событий и целей. Кроме этого через GTM мы можем в кротчайшие сроки установить и протестировать фактически любой front-end инструмент, опять-таки, без помощи разработчика.
Построение воронок пути пользователя
В случае если это не E-commerce проект, то строится простая воронка (визуализация последовательностей в Гугл Analytics) — c того момента, как пользователь пришел на сайт, проходя через разные микро-конверсии и заканчивая главным целевым действием (к примеру, отправка заявки).
Соответственно, в случае если это большой E-commerce проект, то мы интегрируем плагин Universal Analytics Enhanced E-commerce, и уже конкретно по нему можем осознать, как пользователь пришел на отечественный сайт, какие конкретно действия он совершил, как додаёт товары в корзину и как оформляет заказ.
Enhanced E-commerce намного замечательнее, чем простые воронки, по причине того, что эти сведенья возможно сегментировать в самом GA.
Сбор CLIENT_ID и USER_ID
CLIENT_ID — это идентификатор браузера пользователя.
USER_ID — это идентификатор пользователя, что выдается, в то время, когда он совершает регистрацию либо авторизацию.
Собирая эти идентификаторы, возможно получить информацию по всем сессиям авторизованных пользователей, начиная с первого визита. При отправке события в пользовательский параметр (custom dimension) Google Analytics через GTM, появляется возможность разбирать эти сведенья в GA, и выгружать их и агрегировать с данными из CRM.
Верная UTM-разметка каналов и источников
Любой канал, источник, кампания, любой баннер, ссылка и объявление должны быть размечены, чтобы в последующем возможно было разбирать все эти сведенья.
Это разрешает совершенно верно определить, какой баннер лучше отработал, какая ссылка, какое объявление, а на базе этих разрешённых можно оптимизировать рекламные кампании.
Итог:
Так мы взяли полноценную платформу для сбора аналитических данных.
- Благодаря GTM сейчас возможно интегрировать скрипты и любые теги, настраивать отслеживание событий и целей. И тестировать разные front-end сервисы и инструменты.
- Благодаря настроенной воронке сейчас можно понять, в каких местах на сайте пользователь испытывает разные неприятности. Планируют эти для оптимизации блоков, отдельных элементов и страниц.
- Посредством USER_ID и CLIENT_ID мы приобретаем эти по всем сессиям авторизованных пользователей, начиная с первого визита.
- И без того как все кампании у нас размечены по UTM, все сведенья планируют корректно.
Имея всю эти сведенья, мы приобретаем огромное поле для предстоящей работы. Сейчас мы можем разбирать и тестировать эти сведенья, а после этого принимать на их базе ответа, каковые повысят эффективность отечественных кампаний.
анализ и Тест параметров мобильного трафика
По окончании того, как мы собираем фактически все сведенья, у нас появилась возможность трудиться с ними. Обычно аналитика и тестирование ведет к совсем неожиданным выводам. Я приведу в пример собственный любимый кейс.
Кейс 2.
Клиент: Приложение «Skout» — это глобальная сеть для общения и новых знакомств.
Задача: Максимально сегментировать трафик по разным параметрам, оптимизировать рекламные кампании и повысить количество установок приложения.
Ответ:
Применять следующие инструменты для анализа:
- AppsFlyer — трекер установок рекламных каналов и мобильного приложения.
- Гугл Analytics — поведения пользователя и анализ активности в приложения.
- Для этих целей на вторых проектах употребляются разные аналоги: Adjust, MAT, MixPanel, Voluum и т. д.
Мы отслеживали все параметры: пол, возраст, тематика, площадка, локация.
Первоначально рекламные кампании были таргетированы на ожидаемую целевую аудиторию: юные девушки и люди (по большей части) в возрасте от 16 до 28 лет. Были созданы разные рекламные материалы (креативы) в нескольких вариантах. Основной таргетинг был на тематику social, другими словами на тех пользователей, каковые интересуются и пользуются социальными сетями и различными мессенджерами, и знакомятся в них.
Были запущены кампании по неспециализированным таргетингам, поделённые по возрастным группам.
Результат:
Полученные эти по окончании тестовых рекламных кампаний продемонстрировали, что приложение больше скачивают и применяют пользователи не из целевой аудитории и не по самому очевидному подходу.
Был выставлен таргетинг social, но скачивали кроме этого по категориям business, newsstand, books. И были, что по большей части приложение интересует мужчин в возрасте 40+, а ожидалось, что большинство пользователей — юные девушки и люди.
Итог:
Более 10000 установок в сутки, большой прирост активных пользователей приложения.
Анализ поведения клиентов
Разбирая поведение клиентов, мы можем оптимизировать цели и поменять KPI в зависимости от приоритетов. Время от времени поведенческие факторы заставляют поменять курс.
Кейс 3.
Клиент: Большой E-commerce.
Задача: Максимально сегментировать трафик по разным параметрам и проанализировать показатели.
Ответ:
Проводить сегментирование по следующим параметрам:
- Источники.
- Каналы.
- Демография.
- Типы устройств.
- ОС.
- Вовлеченность.
- Активность пользователей по времени дней и т. д.
Результат:
Мы кроме этого проанализировали огромное количество конверсий и целей: заказ, регистрация в веб-магазине, добавление в самоё главное и корзину для этого кейса — подписка на рассылку.
Так как email-маркетинг имеет самый большой коэффициент конверсии на данном проекте, полученные эти оказали значительное влияние на ход кампании.
Мы осознали, что конверсия в подписку на рассылку с мобильных устройств на 40% выше, чем по планшетам и компьютерам (причём конверсия по определенным брендам и ОС смартфонов также различная). Исходя из этого мы решили таргетировать кампании по подписке на рассылку лишь на мобильные устройства и существенно увеличить данный канал.
Итог:
Создали новые рекламные кампании по подписке на рассылку, таргетированные на мобильные устройства и взяли большой прирост к базе подписчиков (около 15%), соответственно и к доходу.
Персонализированная аналитика
По окончании того, как мы уже взяли все сведенья по сегментам и самые конверсионным источникам, следующим этапом будет создание детальных портретов пользователей. Так мы сможем оптимизировать отечественные кампании с целью достижения большой релевантности предложения и, в конечном счёте, реализовывать собственные товары лишь тем, кто их приобретёт.
Кейс 4.
Клиент: Большой E-commerce.
Задача: проанализировать поведение конкретных пользователей и создать разные сценарии рассылок по сегментам.
Ответ:
Ясно, что на сайте мы собираем не все сведенья. Но мы можем их обогатить. Собрать всё то, что собрали в Universal Analytics, информацию о заказах, e-mail, эти из совокупности внутреннего учета (к примеру, заказ что оформлен, не обязательно доставлен и выкуплен) и другие регистрационные и персональные эти.
Посредством интегрированного ответа мы можем собрать все информацию о пользователе в рамках одной совокупности!
Мы используем отечественное собственное ответ, которое строится на базе трекера Piwik. Собираем данные в собственную базу данных. И позже, применяя разные инструменты, агрегируем и строим отчеты по ним.
Результат:
Мы видим профиль конкретного пользователя с именем, фамилией, вторыми персональными параметрами. Видим все его сеансы и знаем, с каких устройств он заходил, и видим его активность на сайте: какие конкретно товары он просматривал, какие конкретно додавал в какие заказы и корзину оформлял.
Со временем таковой информации может накопиться достаточно большое количество, и она без сомнений будет нужна.
Согласно этой информации можно сделать вывод, какое количество денег приносит пользователь за всю собственную жизнь на сайте (LTV), посчитать цена привлечения (CAC), ну и самое основное: осознать, что его интересует и какие конкретно товары он значительно чаще берёт.
На базе этих данных, возможно делать Email-рассылки по сегментам, и предлагать пользователям те товары, каковые их больше всего интересовали в прошлых сеансах. Также будут варьироваться цены и персональные предложения для таких пользователей.
Итог:
Имеем обогащенные профиль и данные по каждому конкретному пользователю. Приобретаем возможность рассылок по сегментам.
Давайте отыщем в памяти, для чего всё это?
Подводя результат, я попытался показать, как обязана строиться работа с рекламными кампаниями и аналитикой. Но в действительности, это лишь начало. По причине того, что в мире, где пользователь делается конкретным человеком, с которым мы всегда взаимодействуем и накапливаем о нем эти, у нас появляется возможность не только получить больше денег, но и, наконец, стать более релевантными для него.
Двигаясь в этом направлении, мы сможем реализовывать людям лишь те товары, каковые им необходимы и занимательны.
Создатель: Александр Павлов, Cubeline.ru
Случайные статьи:
Performance Production. Взвешенные решения в нервное время.
Подборка похожих статей:
-
Что такое маркетинг на основе данных (data-driven marketing)?
Любой маркетолог грезит достигнуть аналогичных результатов: Рост goHenry за год составил 470%, что разрешило ей занять первое место в рейтинге Sunday…
-
Секреты эффективности рекламной кампании в интернете
Татьяна Марченко Директор по маркетингу, Москва В случае если заблаговременно продумать подробности рекламной кампании, возможность успеха будет выше. На…
-
Потрясающие примеры рекламных кампаний на церемонии the design for experience award
Не секрет, что распространение технологий и повсеместное развитие ведет к очень ощутимым трансформациям фактически во всех качествах отечественной…
-
5 Советов для комплексного тестирования любой рекламной кампании
Источник изображения В отечественном блоге мы неоднократно публиковали инфографику, посвященную оптимизации отдельных аспектов и сторон маркетинговой…