Контекстная реклама для e-commerce в кризис

Posted on by riasevastopol

Действенные ответы на базе Данных (Data-Driven Decisions)

О важности веб-аналитики, изюминках контекстной рекламы для E-commerce и о том, как это окажет помощь максимизировать доход при ограниченном бюджете во время кризиса.

С приходом кризиса все быстро стали беднее, платежеспособность населения снизилась, а борьба стала еще тверже.

Что делать? Имеется ровно три стратегии:

  • Снизить затраты и переждать – может быть не так долго осталось ждать все опять будет ок.
  • Враждебно наращивать присутствие и бюджеты – подойдет сильным компаниям, завоевывающим новые рынки.
  • И третий путь, наилучший, на отечественный взор, – путь эффективности. Об этом мы и поведаем.

Главные пункты:

  1. Первичная настройка веб-аналитики.
  2. Запуск контекстной рекламы: работа с семантикой.
  3. Аналитика взятых данных.
  4. Оптимизация контекстной рекламы по бизнес KPI.

1. Важность первичной настройки аналитики

Важность первичной настройки пребывает в том, дабы подготовить платформу для анализа и полного сбора корректных данных для предстоящего применения их в построении догадок, анализе разных инструментов и каналов.

Необходимо отслеживать всё: транзакции, промежуточные микроконверсии, разные заявки, формы оформления заказа, формы регистрации, нажатие на кнопки, переходы по ссылкам. В последствии, в то время, когда пригодится информация по какому-либо событию либо действию пользователя, она уже будет собрана и на эти сведенья сходу возможно будет опираться.

Кейс: настройка аналитики для fashion E-commerce.

Контекстная реклама для e-commerce в кризис

Задача:

Подготовить платформу для анализа и сбора корректных данных, дабы в будущем применять их для построения догадок, анализа разных инструментов и каналов. Отслеживать каждое воздействие пользователя на сайте.

Ответ:

Что было сделано, пошагово.

  • Установка Гугл Tag Manager

Диспетчер тегов Гугл – это бесплатный инструмент, разрешающий додавать скрипты и теги на страницы сайта без участия разработчиков.

Благодаря работе с GTM вы сможете сэкономить ресурсы и собственное время, конечно повысить эффективность работы (особенно при итеративной разработке).

Преимущество в том, что маркетолог может сам выбрать какие конкретно теги, на каких страницах и по каким правилам будут срабатывать.

К примеру, код ремаркетинга для ВК может вывести лишь на страницу корзины. Так перечни ремаркетинга будут планировать лишь для тех пользователей, каковые посетили корзину.

  • Установка тегов аналитических совокупностей

По окончании установки GTM маркетологам, трудящимся с проектом уже фактически не требуется обращаться к программистам. Помимо этого, при применении Tag Manager существенно упрощается работа с Гугл Analytics.

Через GTM мы установили главные аналитические совокупности:

  • Установка сервисов и инструментов, каковые возможно интегрировать через front-end

Гугл Tag Manager разрешает самостоятельно интегрировать и тестировать сервисы и различные инструменты в малейшие сроки.

В данном кейсе мы установили Flocktory, Sales Marine, Shoppilot, Retail Rocket.

Тем самым мы снова сэкономили время себе и разработчикам на данный момент и в будущем.

Так как GTM прописывается в шаблоне страницы, то это фактически исключает возможность утраты данных при изменении и создании разработчиками страниц сайта (которых в E-commerce в большинстве случаев тысячи).

  • Отслеживание огромного количества разных событий и целей

Принципиально важно отслеживать все:

  • Транзакции (отправлять все данные о товарах, итоговой стоимости и количестве).
  • Формы оформления заказа (как и какие конкретно поля заполняет пользователь формы регистрации).
  • Нажатия на кнопки (переходы в карточки товара, кнопки добавить в корзину, перейти в корзину, приобрести).
  • Переходы по главным ссылкам на сайте, клики по внешним переходам с сайта, соцсети.

Как уже было сообщено выше, работа с Гугл Analytics существенно упрощается при применении Tag Manager. Сейчас в любое время (через месяц, квартал либо год) дешева информация по любому действию, поскольку она уже собрана.

  • пути и Воронка пользователя
  • Разрешает отслеживать, где и как пользователь ведет себя, в каком месте прекращает собственный путь. Это сбор огромного количества данных для проектировки и разработки новых страниц сайта.
  • Для E-commerce возможно и необходимо применять плагин Universal Analytics расширенной электронной торговли Enhanced Ecommerce, что кроме этого возможно интегрировать через GTM.

Сейчас мы можем делать разные выводы на базе данных воронки и оптимизировать, этапы пути пользователя. В следствии мы нашли “не сильный место”. После этого переработали карточку товара, тем самым увеличив процент добавления товара в корзину.

До оптимизации:

По окончании оптимизации:

Результат:

Так, оптимизировав этап добавления товара в корзину, мы увеличили количество переходов на этом шаге на 24,56%!

А в целом конверсия по всему сайту возросла на 18,89%!

  • Отслеживание CLIENT_ID

CLIENT_ID это идентификатор браузера пользователя, что записывается в cookie Гугл Analytics.

  • Отслеживание USER_ID

Отслеживаем USER_ID – особый идентификатор, что назначается в тот момент, в то время, когда пользователь был выявлен (совершил регистрацию либо авторизацию).

Собирая эти идентификаторы, мы можем получить данные о сессиях каждого выявленного пользователя. Тем самым узнать разные факторы, воздействующие на принятие ответа, выстроить модель атрибуции и, самое основное, выделить главные конверсионные каналы.

О том, какие конкретно как раз преимущества дают эти сведенья, мы поведаем чуть позднее.

Кроме стандартных отчетов, предоставляемых Гугл Analytics, по которым возможно сделать вывод о пересечении устройств:

Кроме этого собираем все данные и дублируем USER_ID и CLIENT_ID посредством GTM в пользовательские параметры Universal Analytics.

Применяя пользовательский параметр, можем выгрузить статистику по каждому пользователю, связать с данными из CRM и взглянуть, кто и как совершает приобретения.

  • Верная разметка

Неизменно смотрим за этим и не устаем повторять их подрядчикам и клиентам, что целый трафик перед запуском кампаний необходимо размечать посредством UTM-меток и делать это верно. Не путать каналы и источники!

В случае если всех подрядчиков осуществляет контроль менеджер на стороне клиента, то у него имеется стандарт (готовая таблица) со всеми метками для кампаний и каналов.

В случае если же этим занимается агентство, то его менеджеры дают всем установки, пишут гайды о том, как и какие конкретно кампании должны быть размечены.

Итог:

  • В любую секунду, в то время, когда магазину, компании либо маркетологу пригодится информация по тому либо иному событию либо цели (заполнение определенной формы, клик по определенной кнопке), он уже сможет ее взять и принять последующие ответы на базе этих данных.
  • В случае если потребуется в малейшие сроки протестировать и интегрировать какой-либо инструмент (front-end), это возможно сделать без вмешательства разработчиков.
  • Возможно сделать разные выводы на базе данных воронки и принять последующие ответы по разработке и оптимизации конкретных мест и «шагов отвала». Проанализировать информацию о пользователях, взятых посредством USER_ID либо выгрузить эти сведенья и агрегировать их вместе с CRM.

2. Аналитику настроили. Запускаем контекстную рекламу

Контекстная реклама для больших E-commerce проектов имеет собственные особенности. Одна из главных сложностей – это обработка и сбор семантического ядра не только на начальной стадии, но и при последующем оптимизации (расширении семантического ядра). Об этом мы и желали бы поведать подробнее, поскольку это критически принципиальный момент, от которого зависит итог всей последующей работы.

  • Семантическое ядро для E-commerce, сложности и особенности:
  • Множество листинг-страниц (категории, торговые марки, фильтры).

Для некоторых вебмагазинов это смогут быть десятки и тысячи тысяч таких посадочных страниц.

  • Изменение спроса из-за сезонности, моды, интереса.

Существует довольно много сезонных товаров, спрос на каковые очень сильно изменяется в течение года. Хороший пример про купальник:

Так же имеется запросы, на каковые воздействует интерес: мода, выход новых фильмов, мультиков, игр. К примеру, новая игрушка Furby Boom, так же дешева, как приложение для мобильного устройства:

  • В большинстве случаев громадный количество главных слов.

В большинстве случаев, для сбора семантического ядра применяют WordStat Яндекса для подбора неспециализированных запросов, конечно применяют генерацию рекламных кампаний из XML-фида. Но эти 2 метода покрывают не весь количество подходящей семантики.

На примере следующего кейса мы поведаем, как возможно подготовить семантическое ядро на тысячи главных слов, применяя разные сервисы, не ограничиваясь лишь Wordstat ом и XML-фидом.

Кейс: контекстная реклама для тысяч страниц E-commerce проекта

Задача:

Запустить контекстную рекламу на 1000 листингов категорий для федерального вебмагазина детских товаров.

Движение сбора семантики:

  • Выгрузка всех поисковых запросов из Гугл Analytics и Яндекс.Метрики.

Выгружаем как из Яндекс и Гугл, так и с самого сайта. Поисковые запросы по Гугл выгружаем из Гугл Analytics, предварительно связав с Гугл WebMaster.

  • Анализ видимости в поисковых совокупностях.

Посредством adsve.ru, megaindex.ru приобретаем те запросы, по которым сайт уже находится в поисковой выдаче – имеется суть кроме этого применять их и в контекстной рекламе.

  • Анализ соперников.

При помощи сервисов similarweb.com и semrush.com приобретаем большое количество релевантных поисковых запросов по соперникам. Как из поисковой выдачи, так и по контекстной рекламе.

  • Расширение семантики через Гугл AdWords планировщик главных слов.

Возможно, все слышали про планировщик главных слов Гугл AdWords, но немногие применяют его для подбора релевантной семантики на базе URL страницы. Гугл разбирает контент страницы и предлагает самые релевантные главные слова. При помощи автоматизации возможно увеличить семантику для тысяч страниц.

  • Подбор близких и синонимов по значению фраз

Всю собранную на прошлых этапах базу главных слов мы прогнали через сервис JustMagic. Нам удалось расширить количество главных фраз более, чем в 2 раза.

JustMagic прежде всего создан для SEO экспертов, но имеется весьма увлекательная функция, которую мы применяли. Сервис оказывает помощь увеличить семантическое ядро на базе совпадений поисковой выдачи Яндекса. Для примера, мы загрузили следующие фразы:

  • ранцы для школы для девочек
  • ранец для 5 класса
  • куплю портфель для девочки

На базе этих фраз, совокупность внесла предложение нам новые тематические фразы, каковые имеют близкое значение, их оказалось больше 100. Вот кое-какие из них:

  • ранец для девочки
  • приобрести портфель для девочки в школу
  • портфели для девочек 6 класс
  • где приобрести школьный ранец
  • ранцы на 5 класс
  • интернет магазин школьных ранцев
  • ранцы для девочек
  • ранцы для девочек приобрести
  • школьные портфели
  • приобрести школьный портфель

На выходе получается довольно много главных фраз, каковые в последствии необходимо “прочекать” на дубли, и на стоп-слова. Сервис не совершенный (время от времени проскакивают совсем не подходящие слова), но в целом годный.

  • Подбор минус-слов на базе бизнес KPI

С таким разнообразным семантическим ядром достаточно сложно подобрать минус-слова. Дабы применять уже накопившиеся статистику мы выгрузили поисковые запросы из Яндекс.Метрики вместе с данными по конверсиям, нормализовали фразы (лемматизировали) и разбили каждую фразу на отдельные слова. На базе статистики по отдельным словам создали перечень минус-слов, основанный именно на конверсии.

Пример, как это может смотреться для сайта по заказу написания студенческих работ:

Тут мы разбираем конверсию в заказы, и наблюдаем показатель отказов. Часть этих слов возможно сходу додавать в перечень минус-слов, поскольку конверсия у них значительно ниже средней по сайту.

  • обработка и Чистка семантики (Excel, KeyCollector)

По окончании сбора семантики ее необходимо обработать. Мы это делали следующим образом:

  • Удалили неявные дубли.

Для этого нормализовали (лемматизировали) все фразы, конечно слова в фразы расположили в алфавитном порядке. Для этого подходят 2 сервиса:http://tools.k50project.ru/lemma/ либо http://py7.ru/tools/norm/. Пример их работы:

Имеется 3 фразы:

  1. приобрести верхнюю женскую одежду в Санкт-Петербурге
  2. куплю верхнюю женскую одежду в Санкт-Петербурге
  3. верхняя женская одежда в Санкт-Петербурге приобрести

По окончании того, как мы прогнали их через один из этих сервисов, взяли 3 однообразных фразы на выходе: в верхний женский приобрести одежда спб, и просто сравнив в Ecxel мы удалили 2 неявных дубля, покинув лишь одно неповторимое значение.

В то время, когда мы трудимся с десятками тысяч главных слов, взятых из различных источников, таковой метод позволяет без проблем и скоро избавиться от неявных дублей.

  • Удалили слова-пустышки, каковые ни при каких обстоятельствах не запрашивают

Для этого собрали частотность из Yandex.Wordstat. Причем принципиально важно наблюдать не только на частотность последнего месяца, но и на среднюю частность за целый период.

По причине того, что кое-какие фразы смогут иметь малое количество запросов за прошедший месяц, но за другие периоды смогут “выстреливать” сильно, их не следует удалять.

  • Удалили мусорные фразы (порно, нерелевантные фразы и т.п.)

На базе перечня минус-слов, что подобрали на базе статистики посещаемости, конечно по неспециализированным минус-словам.

  • Подобрали релевантные страницы

При помощи KeyCollector а собрали релевантные страницы из Яндекс и Гугл.

  • Массовое создание объявлений

Так как фраз оказалось довольно много, ручное написание объявлений для каждой из них отпало сходу. Всецело автоматизированно генерировать также не хотелось, поскольку в следствии имели возможность оказаться объявления с нарушением грамматики, пунктуации и стилистики (в общем, нечеловеческие, наподобие: “Москва машина приобрести красный”). Кроме этого оставалась возможность, что имеется нецелевые запросы.

Кроме того при всем жажде проблематично всецело очистить от мусора 100 тыс. фраз. Исходя из этого мы поступили следующим образом:

  • 1 ВЧ/ВК – 1 объявление.

Для популярных (высокочастотных) фраз, каковые имели высокую борьбу мы писали объявления вручную.

  • Для НЧ 1 лендинг – 1 объявление.

Для остальных фраз мы написали объявления к каждой посадочной странице и применяли однообразное объявление для всех главных фраз, каковые ведут на одну страницу.

По окончании запуска рекламных кампаний, мы мониторим и оптимизируем их. И целый данный цикл работ систематически повторяем, в большинстве случаев ежеквартально. Это разрешает всегда расширять семантическое ядро новыми главными фразами.

Итог за 2 месяца работы:

  • 129 801 главных фраз.
  • 39 615 объявлений.
  • Рост трафика в 5 раз!

В следствии удалось значительно увеличить количество главных слов в аккаунте. Со своей стороны это разрешило в разы расширить количество целевого трафика.

3. Трафик имеется, сейчас время разбирать эти Аналитика на протяжении кризиса

Веб-аналитика ответственна на всех этапах проекта. А в тяжелой экономической обстановке, эти веб-выводы и аналитики, сделанные на базе этих данных, смогут оказать неоценимую помощь и сыграть важную роль в оптимизации доходов компании.

  • Перераспределить бюджеты для получения большего дохода.
  • Оказать помощь клиенту достигнуть KPI при меньших затратах.
  • Отыскать самые конверсионные дороги пользователя.

Кейс: действенный анализ каналов трафика.

Задача:

  • Максимизация дохода при ограниченном бюджете.
  • Многосторонний анализ эффективности разных каналов.
  • Познание поведения пользователей проекта.
  • ассоциированные конверсии и Многоканальные последовательности

Распознали вспомогательные каналы и прямые. Оценили действие и взаимодействие каналов друг на друга.

А что еще нам несет таковой масштабный по количеству трафика канал контекстной рекламы?

Разглядим ассоциированные конверсии на примере отечественного E-commerce:

ценность и Количество ассоциированных конверсий с контекстной рекламы практически в 3 раза выше. Это значит, что пользователи, пришедшие с контекстной рекламы, в последствии приходят с вторых каналов (таких как email, direct) и совершают приобретения.

Главной задачей контекстной рекламы в E-commerce проекте есть ведение пользователей, каковые совершают приобретения. Вместе с тем принципиально важно учитывать и другие конверсии, например, какое количество подписчиков она несет.

Обычно, в E-commerce самый большой коэффициент конверсии у канала email, затраты на что довольно часто минимальны. Но первично эти пользователи были приведены по вторым каналам, среди них и контекстной рекламой.

Так ROI у контекстной рекламы с учетом ассоциированных конверсий в действительности выше, а CPO ниже.

  • Когортный анализ

Когортный анализ – один из самых действенных маркетинговых инструментов.

Мысль когортного анализа пребывает в том, дабы поделить пользователей на группы по определенным показателям, и отслеживать поведение этих групп (когорт) во времени.

Благодаря когортному анализу мы определили среднее «время судьбы» пользователя и сравнили его поведение с более ранними периодами, и самое ответственное посчитали LTV.

Посчитав LTV по каналам (Lifetime Value — размер прибыли, которую компания приобретает от своегоклиента, за все то время, которое клиент сотрудничает с ней (за «собственную жизнь»), мы сделали вывод о том, какой канал несет больший доход и большую ценность. Кроме этого мы смогли осознать, какие конкретно каналы трудятся неэффективно, а благодаря этого, перераспределили бюджет на действенные каналы и максимизировали доход.

Итог:

  • Определили среднее «время судьбы» пользователя.
  • Сравнили поведение пользователя с более ранними периодами.
  • Посчитали LTV.
  • Распознали вспомогательные каналы и прямые.
  • Выяснили влияние каналов друг на друга.
  • Перераспределили бюджет на самые действенные каналы.
  • Рост дохода на 20% при том же бюджете.

4. Оптимизация контекстной рекламы во время кризиса

В текущих условиях особенно принципиально важно оптимизировать контекстную рекламу по максимуму. В случае если на какие-то вещи раньше возможно было не обращать внимания, то на данный момент это непозволительная роскошь, в результате которой деньги улетают в трубу.

Ключевые принципы, каковые мы выделяем:

  • Вычисляем не только клики и CPC.

Оцениваем эффективность на базе CPO/ДРР/ROI.

  • Нет бездумному удержанию позиций!

Эластичные ставки на базе бизнес KPI (CPL/CPO/ROI etc.).

  • Автоматизация контекстной рекламы.

Непроизвольный расчет оптимальных ставок на лету.

  • Ретаргетинг/ремаркетинг.

Особенное внимание на лояльную аудиторию (ремаркетинг). Различные сценарии, различные ставки.

Кейс: Оптимизация ставок на базе бизнес KPI
Задача:

Расширить доход от контекстной рекламы. Оптимизировать ставки на базе CPO/ROI в условиях недостаточных статистических данных.

По окончании проработки семантики подключили и настроили K50.

Настроили нужные цели в Гугл Analytics, подключили Яндекс.Директ и Гугл AdWords. Совместно с менеджерами K50 создали правила и стратегию для управления ставками.

Огромная семантика – мало транзакций. Но появилась неприятность, что в аккаунте довольно много главных слов, а информации о транзакциях было не хватает для расчета ставок.

Вместе с K50 продумывали, как при недостаточных разрешённых установить действенные ставки для предельного числа главных слов.

Мы разглядывали много данных в временных периодах и разных разрезах в отыскивании ответа.

Оценивали промежуточные конверсии, каковые имели корреляцию с транзакциями:

  • добавление в корзину;
  • показатель отказов;
  • количество просмотренных страниц;
  • цена товаров;
  • еще более 10 показателей.

Оценивали не только статистику главного слова, но исуммарную статистику целевой страницы, на которую оно ведет, конечно всей группы объявлений.

Сделали массу сводных аналитических таблиц.

В следствии вывели комбинированную цель на базе различных бизнес и синтетических KPI: Цель [Активность на сайте] * Коэффициент + Цель [Добавление в корзину] * Коэффициент + Транзакция * Коэффициент.

Отталкиваясь от данной цели вычислили и применили ставки при стратегий и помощи правил K50. По данной стратегии ставки сейчас неизменно актуализируются.

Дополнительно каждую семь дней создается отчет, по итогам анализа которого оперативно вносятся нужные корректировки в работу.

Итог за 3 месяца:

Удалось быстро расширить количество дохода и трафика, оставаясь в заданных рамках CPO.

  • ROI: 243%.

  • Более 25 млн. дохода вебмагазина!

  • Без брендовой рекламы!

Неспециализированный вывод

В следствии мы видим, что фактически любой бизнес имеет громадный потенциал к повышению эффективности.

Мы поведали о важности аналитических данных и о том, как их применять в связке с контекстной рекламой, дабы максимизировать доход.

Нам удалось взять транзакций на сумму более 25 млн. руб., а ROI составил практически 250%. И все это без рекламы на бренд магазина!

Исходя из этого выбирайте путь эффективности, а мы поможем в этом!

Авторы:

Максим Лепихов, начальник отдела контекстной рекламы CubeLine Agency;

Александр Павлов, ведущий веб-аналитик CubeLine Agency.

Случайные статьи:

eTarget 2015: Управление маркетингом в кризис.


Подборка похожих статей:

riasevastopol

More Posts