Software house dla marketingu i e-commerce

  • +48 663 792 871

Wyceń projekt
Menu Close

Jak zwiększyliśmy konwersję o 0,7 mln zł
dzięki data science

Lider rynku i przewodnik po świecie nowoczesnych technologii

Projekt jest realizowany przez Cloudwise dla jednej z europejskich sieci będącej liderem rynku sprzedaży detalicznej elektroniki użytkowej, obecnej w 14 krajach. Klient posiada ponad 35-letnie doświadczenie w branży, które pozwoliło zbudować gęstą sieć sprzedaży i zaistnieć we wszystkich kanałach dystrybucji. Na rynku polskim sieć działa od dwóch dekad, a od 2012 roku oferuje szeroki wybór produktów również w sklepie internetowym.

Wydając kilkaset tysięcy złotych miesięcznie na reklamę w mediach społecznościowych, marka usiłowała nabrać rozpędu i skalować sprzedaż szerokiego asortymentu produktów. Klient zwrócił się do Cloudwise z prośbą o pomoc w wykorzystaniu rozwiązań data science dla radykalnej poprawy rentowności kampanii w mediach społecznościowych.

Cele biznesowe:

  • Optymalizacja strategii remarketingu i odzyskiwania porzuconych koszyków poprzez dobór bardziej trafnych produktów komplementarnych i substytucyjnych oraz wykluczeń.
  • Opracowanie sugestii zestawów produktowych, kampanii łączonych, potencjalnych kolaboracji między markami i strategii cenowych.
  • Stworzenie aplikacji do automatycznego sugerowania remarketingu produktów komplementarnych i opcji współpracy między markami.

Rozwiązania zaproponowane przez Cloudwise:

  • eksploracja danych z kampanii klienta
  • modelowanie i predykcja konwersji
  • dynamiczne budżetowanie kampanii
  • analiza koszykowa i reguły asocjacyjne

Eksploracja danych

Eksploracja danych polega na odkrywaniu reguł i wniosków zawartych w danych z kampanii w oparciu o metody statystyczne i techniki sztucznej inteligencji. Dzięki pracy data scientista Cloudwise regularnie dostarcza klientowi użyteczne wizualizacje danych, analizy geograficzne, analizy czasowe, mapy korelacji i inne wskazówki do targetowania precyzyjnych segmentów, które charakteryzują się nie tylko najwyższą wartością konwersji, ale jednocześnie zapewniają najniższy koszt dotarcia. Analizy różnicuje się dla poszczególnych grup produktów przy uwzględnieniu zróżnicowania kosztów konwersji według kategorii produktowej, demografii użytkowników, a nawet dni tygodnia i pory dnia.

Opracowany przez Cloudwise mechanizm pozyskiwania uwagi użytkowników mediów społecznościowych po zaniżonej wycenie (underpriced attention) jest prawdopodobnie najlepszym sposobem na poprawę ROAS przy ograniczonym budżecie mediowym, wymaga jednak zaawansowanych kompetencji i narzędzi z obszaru data science. Kontynuacją tych prac jest opracowanie modeli statystycznych, które pozwalają skrócić drogę do maksymalizacji wskaźnika ROAS kampanii poprzez zastąpienie kapitałochłonnych testów A/B gotowymi modelami statystycznymi, nieustannie trenowanymi dla osiągnięcia najwyższej trafności.

Mapy cieplne stanowią prawdziwą skarbnicę wiedzy dla analityka w celu optymalizacji targetowania. Na podstawie najnowszych danych widzimy istotne zmiany, jakie zaszły w ostatnim czasie w wynikach konta reklamowego. Wybrane wnioski z macierzy:

  • Na wartość koszyków szczególnie pozytywnie wpływa liczba zapisań postów i CTR.
  • Na ROAS pozytywnie wpływa wzrost CTR, czyli m.in. atrakcyjność wizualna kreacji; kreacja jeszcze bardziej niż wcześniej determinuje zyskowność kampanii.
  • Ujemna korelacja między ROAS a liczbą komentarzy i aktywności potwierdza niską rentowność kampanii z celem aktywność, jednak kampanie takie działają pozytywnie na innym etapie lejka podróży zakupowej.
  • Wydana kwota nie przekłada się bezpośrednio ani na wartość koszyków ani na ROAS, co pokazuje jak istotna jest praca analityczna związana z optymalizacją targetowania.

Modelowanie i predykcja konwersji

Rozpoczęliśmy również budowę modeli regresyjnych dla danych z kampanii w systemie Metą Ads (dawniej Facebook Ads). aby dostarczyć klientowi użyteczne narzędzie pozwalające w czasie rzeczywistym prognozować przyszłą wartość konwersji generowanej przez kampanie, uwzględniając wielokanałowość, możliwość dosprzedaży produktów komplementarnych, a także odzyskiwania porzuconych koszyków. Ponadto, odpowiednio skonstruowany model pomoże wybrać optymalne cele mikrokonwersji, odkryć kluczowe elementy decydujące o skuteczności ustawień kampanii, obliczyć wpływ każdego wskaźnika na oczekiwaną konwersję, a także dostarczyć praktycznych rekomendacji dla działu kreatywnego na temat tego, jak tworzyć skuteczniejsze kreacje w oparciu o twarde dane.

W szczególności, należy zwrócić uwagę, że dane dotyczące konwersji dostarczane przez Facebooka są niepełne z powodu ustawień prywatności użytkowników w nowych wersjach systemu iOS, ponadto nie napływają w czasie rzeczywistym, zwłaszcza przy rozszerzeniu okna atrybucji do 7 dni po kliknięciu. Utrudnia to skuteczne zarządzanie kontem reklamowym z celem konwersji. Tymczasem dysponując odpowiednio opracowanymi modelami będziemy w stanie trafnie prognozować wartość sprzedaży już po pierwszych kilku godzinach emisji reklam. W ten sposób Cloudwise współpracuje z agencją klienta, pomagając w czasie rzeczywistym porównywać różne zestawy reklam i dynamicznie realokać budżet w sposób zapewniający maksymalną wartość konwersji. Sprawne modele są więc niezwykle wartościowym aktywem dla marki i stanowią fundament data-driven marketingu.

Budowę modelu rozpoczynamy od przygotowania zbiorów danych. Na podstawie dotychczasowego doświadczenia związanego z zarządzaniem kampaniami Facebook Ads dla klienta zdefiniowano następujące kluczowe wskaźniki wykorzystywane przez analityka w codziennej pracy na koncie reklamowym: liczba zakupów, wartość zakupów, komentarze, wyświetlenia strony docelowej, kliknięcia linku, zapisania postów, zaangażowanie na fanpage, zaangażowanie dotyczące postów, wyświetlenia video, wyświetlenia zawartości, wyświetlenia reklamy, wydana kwota, koszt kliknięcia linku, koszt tysiąca wyświetleń, współczynnik klikalności, zasięg, częstotliwość wyświetleń. Z listy tej celowo usunięto niektóre wskaźniki, takie jak liczba i wartość pozyskanych koszyków, ze względu na wysoką korelację ze zmienną objaśnianą.

W celu uzyskania powyższych danych zbudowano prostą aplikację wykorzystującą Insights API w ramach interfejsu Facebook Marketing API. Zapytania podzielono na różne szeregi czasowe. Pobrane dane zostały oczyszczone i przetworzone do formatu CSV. Tak przygotowany plik wczytano do środowiska RStudio w celu dalszych prac. Poniżej prezentowana jest próbka danych oraz proste wizualizacje, które pozwalają na lepsze zrozumienie struktury danych i zależności występujących pomiędzy zmiennymi.

Dzięki opracowanemu przez Cloudwise modelowi regresji klient jest w stanie prognozować konwersję w czasie rzeczywistym z trafnością nawet 91% i na tej podstawie znacznie szybciej wykonywać potrzebne optymalizacje kampanii. Model jest wciąż rozwijany i optymalizowany na podstawie napływających danych.

Dynamiczne budżetowanie kampanii

Na koncie reklamowym klienta wskaźnik CPM jest bardzo zmienny, potrafi skakać nawet o kilkaset procent z dnia na dzień, co obrazują załączone wykresy pudełkowe. Przekłada się to również na wskaźnik CPC oraz koszty pozyskiwania ruchu.

Ponieważ stawki CPM zmieniają się dynamicznie, w zależności od licytacji na aukcji; różnią się w zależności od regionu, okresu roku, dnia tygodnia, a nawet pory dnia, kupowanie tzw. zimnego ruchu w okresach podwyższonych stawek CPM generuje wyższe koszty dla reklamodawcy oraz powoduje znaczący spadek ROAS. Dzięki zaproponowanemu przez Cloudwise ułożeniu kampanii według etapów lejka zakupowego, klient może wydzielać w czasie rzeczywistym zestawy reklam do skalowania w regionach oraz okresach podwyższonych stawek CPM.

Zaproponowane przez Cloudwise rozwiązanie obejmuje prognozowanie trendów CPM na podstawie danych historycznych, wykrywanie wzrostu CPM w czasie rzeczywistym, zmniejszanie budżetowania kampanii pozyskujących zimny ruch na górną część lejka zakupowego, przy jednoczesnym zwiększaniu intensywności reklam remarketingowych, które pozyskują konwersję. Aktywnie zarządzając kampaniami analityk Cloudwise osiągnął o 22% wyższy ROAS wśród dynamicznie licytowanych kampanii, przy takim samym łącznym budżecie mediowym, w porównaniu z analogicznymi kampaniami prowadzonymi pasywnie.

Analiza koszykowa

Analiza koszykowa Cloudwise to sprawdzona metoda na szybkie zwiększenie sprzedaży dla dużego e-commerce. Podstawową techniką badania koszyków zakupowych jest eksploracja reguł asocjacyjnych. Zagadnienie to zostało po raz pierwszy przedstawione przez Rakesha Agrawala i jest stale rozwijane Cloudwsie pod postacią dedykowanej aplikacji. Do wyznaczania reguł asocjacyjnych i poszukiwania wzorców częstych wykorzystuje się algorytm Apriori. Posiada on również liczne rozszerzenia, które przyspieszają jego działania.

Naszym celem jest uzyskanie wglądu w zachowania zakupowe klientów i odkrycie grup produktów, które są najczęściej kupowane razem. Zależności te będą następnie użyte między innymi do promowania bardziej trafnych ofert produktowych, optymalizacji kampanii remarketingowych, udoskonalenia systemów rekomendacji i odzyskiwania porzuconych koszyków, a nawet do wykrywania potencjalnych nadużyć.

Wykorzystując algorytm Apriori należy zapoznać się z podstawowymi pojęciami, w szczególności sposobem oceny, czy znaleziona przez nas reguła, jest warta uwagi czy też nie. Zwróćmy uwagę na trzy najbardziej interesujące wskaźniki:

  • support (wsparcie) – pokazuje, jak częsty jest dany zbiór przedmiotów, biorąc pod uwagę proporcję transakcji, w których się pojawia;
  • confidence (zaufanie) – mówi nam, czy kupno danego produktu, gdy miał miejsce zakup innego produktu, było przypadkiem czy nie;
  • lift (przyrost) – mówi nam ile razy częściej dane produkty występują razem, niż gdyby były statystycznie niezależne.

Wsparcie i zaufanie działają jako ograniczenia, które pomagają odfiltrować słabe reguły na podstawie wartości progowej. Traktujemy je jako parametry funkcji Apriori.

(…)

Stworzyliśmy aplikację do wyszukiwania sugestii dla remarketingu lub kampanii powiązanych. Aplikacja działa zarówno dla marek, kategorii produktowych, jak i konkretnych produktów, według nazwy i SKU. Aplikacja oblicza lift, support oraz confidence dla każdego odkrytego zbioru. Co więcej, można ją zintegrować z danymi Meta Ads (dawniej Facebook Ads). Otrzymany wynik działania aplikacji ma postać interaktywnych plansz, które mogą być zbliżane i przeglądane na różnym poziomie głębokości. Załączamy statyczny zrzut ekranu z uzyskanej planszy, który obrazuje najczęstsze marki według wskaźników wsparcia i podniesienia.