Działania rozpoczęliśmy od analizy struktury kampanii produktowych, która wykazała, że system nie radził sobie ze zmniejszeniem wyświetleń nierentownych kampanii.

Skutkiem analizy były dwie diagnozy, które postawiliśmy:
1. Problem z kontrolowaniem kategorii produktowych w dynamicznym środowisku sezonowości kategorii produktów.
2. Wyzwanie z optymalizacją kampanii zrzeszających tysiące produktów z różnych kategorii.

Działania oparliśmy na wnioskach z analiz.
Podział kampanii produktowych, który zastosowaliśmy, oparty został na: kategoriach produktowych, wybranych markach, bestsellerach, rzadko wyświetlanych produktach.
Podział umożliwił nam:
– utrzymywanie wysokiego zwrotu z inwestycji, poprzez wygaszanie słabszych kategorii i skalowanie mocniejszych;
– wyświetlania kategorii produktowych, na chwilę przed przewidywanym wzrostem zainteresowania daną kategorią;
– wyszukiwania sprzedażowych diamentów, wśród produktów rzadko wyświetlanych; 
– podnoszenia sprzedaży bestsellerów.

Zgodnie z filozofią data-driven, oprócz tradycyjnego dla Universal Analytics modelu atrybucji last click non-direct, do analizy kampanii używamy również innych modeli atrybucji. 

Taka strategia pozwala uniknąć pochopnego wstrzymywania kampanii niesprzedających w modelu last clickowym. Wynika to z faktu: proces zakupowy droższych produktów może trwać kilka dni. 
Dowodem są dane: dla kampanii obejmującej rowery,
COS first click wynosi 8,45%, zaś COS last click non-direct 28,18%.

Przedstawione dane, obejmują Q1 ‘22 i ‘23 i dotyczą wyłącznie kampanii produktowych:
Dokonując porównania powyższych okresów, w 2023 roku:
wygenerowaliśmy o 75% więcej przychodów, w modelu atrybucji last click non-direct;
wyskalowaliśmy działania reklamowe, podnosząc budżety na kampanie produktowe o 120%;
utrzymaliśmy wysoką rentowność działań – COS last click non-direct wyniósł jedynie 7,48%.