Home Blog Jak skutecznie wdrożyć machine learning w kampaniach Google Ads dla eCommerce?

Jak skutecznie wdrożyć machine learning w kampaniach Google Ads dla eCommerce?

Krystian Kucharski

Czas czytania : 6 min

04 czerwca 2019

Analityka E-commerce PPC

W tym artykule napiszę trochę o tym, jak wykorzystywać maszynowe uczenie Google Ads czy Facebook Ads do skalowania działań w eCommerce. Dowiesz się z niego, jak zwiększać przychody przy utrzymaniu rentownego ROAS. Skupię się przede wszystkim na tym, jak zwiększyć sprzedaż dzięki zmianie spojrzenia na modelowanie atrybucji, a zwłaszcza na popularny model last-clickowy. Napiszę o wdrożeniu modelu atrybucji data-driven, który nazywa się jedynym właściwym źródłem prawdy w eCommerce.

Modele atrybucji w eCommerce

Temat uczenia maszynowego systemów Facebooka czy Google Ads warto zacząć od podstaw. W systemach analitycznych mamy do wyboru kilka modeli atrybucji. Ten, na który największą uwagę zwracają agencje i ich klienci, to model last-clickowy. Sprawia on, że patrzymy tylko na ostatni punkt styku użytkownika z witryną. Sto procent odpowiedzialności za sukces związany ze sprzedażą weryfikujemy jako model ostatniego kliknięcia. Poza tym modelem w systemie Google Analytics możemy analizować działania w oparciu o:

model pierwszego kliknięcia (First Click),
model linearny,
model oparty o pozycję użytkowników na ścieżce zakupowej (position based)
czy też model dostosowany do czasu (time decay).

Nowym modelem atrybucji jest data-driven – model oparty o dane, który przewiduje uwzględnianie nie tylko jednego punktu styku użytkownika z witryną, ale wszystkie elementy na ścieżce. Bierze się je pod uwagę wagowo, procentowo, aby wyróżnić, które mają większy udział w poprawianiu efektów strony, a które mniejszy.

Rozłóżmy wszystko na czynniki pierwsze

Warto powiedzieć sobie trochę więcej o modelach atrybucji i o tym, jak je prawidłowo wdrożyć, tak aby w ostatnim kroku uczenia się maszynowego działało to prawidłowo. Analizując wykresy Google Analytics, najczęściej kierujemy się perspektywą last-clickową. Jako przykład, z całego systemu pozyskiwania ruchu weźmy sobie raport „źródło: Google/cpc”. Na jego podstawie jesteśmy w stanie zweryfikować:

ilu użytkowników dostarczyliśmy do witryny,
jaka jest jakość tego ruchu,
ale przede wszystkim efekty w postaci last clicka, czyli konwersje związane z ostatnim kliknięciem.

Widząc konkretną liczbę, powinniśmy zastanowić się, czy jest to prawidłowe podejście i czy w ten sposób należy analizować ruch. Odpowiedzmy sobie na to pytanie, przechodząc po kolei przez wszystkie modele atrybucji.

Jeśli popatrzymy na raport nie tylko last-clikowo, ale biorąc też pod uwagę ścieżki wielokanałowe, zauważymy, że tak naprawdę wartość sprzedaży wzrasta. Część z tych konwersji to takie, w których kampania Adwords pojawiła się gdzieś na ścieżce zakupowej – raz na pierwszym etapie decyzji, czasem w środku jako kolejne punkty styku z witryną. W większości przypadków wcześniej patrzyliśmy na działania nieprawidłowo, bo wyłącznie last-clikowo. Poza przychodem zwiększa się także liczba konwersji.

Patrząc na kolejny raport, który dostarcza nam Google Analytics, możemy zweryfikować wartość ostatniego kliknięcia i wartość konwersji wspomaganych. Tu możemy zadać sobie pytanie, czy powinniśmy sumować te przychody. Warto zaznaczyć, że w systemie GA wartość konwersji wspomaganych może przedstawiać zarówno konwersje last-clickowe, jak i te znajdujące się na początkowym etapie ścieżki zakupowej.

Przykład: może zdarzyć się tak, że 1 kwietnia dostarczamy użytkownika z kampanii Google Ads, 7 kwietnia ten sam użytkownik wraca z Facebooka, a 10 kwietnia podejmuje decyzję zakupową ponownie z kampanii adsowej i na tym etapie dokonuje konwersji. Jest on zatem zarówno tzw. last clickiem, jak i konwersją, która zainicjowała całą ścieżkę zakupową, a więc konwersją wspomaganą. Właśnie dlatego dane są często zakłamane i błędnie interpretowane przez niektórych klientów.

Który model atrybucji wybrać?

Gdy porównamy sobie wszystkie modele atrybucji: last-clickowy, ostatniej interakcji, rozkładu czasowego, ostatniego kliknięcia niebezpośredniego, pierwszej interakcji czy uwzględnienia pozycji, zobaczymy, że te wszystkie dane względem przychodów są zupełnie inne. Możemy na tej podstawie wyciągać niewłaściwe wnioski i relokować budżety reklamowe w niewłaściwy sposób. Modelowanie atrybucji istnieje po to, żeby zweryfikować, na który z kanałów właściwie relokujemy budżet reklamowy.

Możemy zastanawiać się, który model atrybucji byłby idealny w poszczególnych przypadkach.

Jeżeli przypomnimy sobie ścieżki wielokanałowe, zobaczymy, że „Google/cpc” pojawia się w różnych punktach styku użytkownika ze stroną. Co to oznacza? To, że 83% konwersji z udziałem źródła Google/cpc miało miejsce wyłącznie na początkowym etapie ścieżki zakupowej. Mieliśmy więc styczność z użytkownikiem, który w kolejnych etapach wracał z takiej kampanii jak Facebook, z organica, z mailingu, w efekcie czego odpowiedzialność w kontekście kampanii Google Ads dotyczyła tylko dostarczenia właściwego, jakościowego ruchu. Gdybyśmy podejmowali decyzje na podstawie raportu pozyskiwania, moglibyśmy zrobić to niewłaściwie ze względu na złe relokowanie budżetu. „Pierwsza interakcja” pokazuje jednak, że te budżety można relokować w inny – lepszy – sposób.

Co robi różnicę?

Modelowanie atrybucji jest bardzo trudnym wyzwaniem i wymaga analitycznego myślenia. Google wyszedł więc z inicjatywą, w efekcie czego od jakiegoś czasu mamy dostęp do Google Atribution. Może on zrobić to za nas właściwie automatycznie. Co więcej w kampaniach adsowych Google dodał kolejny model atrybucji – model oparty na danych, który nazywa się data-driven. Obecnie w branży eCommerce mówi się, że jest to „jedyne właściwe źródło prawdy” o tym, który kanał marketingowy dostarcza nam jakościowy ruch.

Dlaczego? Dlatego, że bierze pod uwagę każdy punkt styku, nadaje mu właściwą wartość procentową i tym samym bierze to później automatycznie pod uwagę w procesie optymalizacji kampanii.

Żeby takie dane móc łączyć, potrzebujemy około 600 konwersji i 15 000 kliknięć w ciągu miesiąca. Najczęściej w raporcie data-driven zauważymy zmiany w wysokości 10 – 15% w porównaniu do modelu, który chcemy uśmiercić, czyli modelu last-clickowego. Dostarczamy więcej informacji do systemu Google Ads, aby sam optymalizował on kampanię.

O czym należy pamiętać?

Aby modelowanie atrybucji działało prawidłowo i abyśmy mogli skalować działania eCommerce’owe, pamiętajmy o tym, by:

Poprawnie wdrożyć Google Analytics. Wszystkie dane, które dostarczamy do systemu nawet z marginalnym błędem, mogą zadziałać nieefektywnie.
Wykluczać domeny odsyłające, systemy płatności, które mogą powodować niepotrzebną interakcję. Model atrybucji data-driven nie powinien traktować ich jako efektywnych źródeł ruchu dla witryny.
Właściwie tagować wszystkie źródła pozyskiwania ruchu poza kampaniami Google Ads. Powinniśmy dokładnie wiedzieć, że np. wysłanie mailingu, działania Facebook Ads to źródła, z których pozyskujemy danego użytkownika.
Grupować kanały marketingowe w analizach danych, aby wyraźniej widzieć różnicę pomiędzy poszczególnymi źródłami.
Zastosować cross-domain tracking. To rozwiązanie, które przydaje się, kiedy jeden sklep ma wiele domen. Pozwala zebrać wszystkie dane w jedną całość.
Nie określać błędnie strategii stawek.
Zadbać o wybór właściwej konwersji oraz odpowiednio wybrany model atrybucji.

Kolejnym elementem we właściwym doborze modelu atrybucji jest zmiana modelu ostatniego kliknięcia. Jest on domyślnie dodany przez Google w każdym koncie adsowym. Obecnie powinniśmy dostosowywać go do modelu data-driven. Jeżeli jednak nie mamy takiej możliwości, bo brakuje nam jeszcze do 600 transakcji w ciągu miesiąca, powinniśmy skupić się na takim modelu atrybucji, który dostarcza najwięcej wartości dla samego systemu Google Ads.

Najczęściej w kampaniach produktowych specjaliści i ich klienci napotykają takie problemy jak widoczność, działania konkurencji, brak wiedzy czy czasu. Nie wiemy, czy tak naprawdę wszystkie produkty są odpowiednio wyświetlane w wyszukiwarce. Bardzo często nie wiemy, jak działają one sezonowo, czy wyświetlają się w odpowiednim okresie, nie wiemy, jak działa konkurencja. Same narzędzia, które mogą w ten sposób napędzić naszą sprzedaż, są tutaj idealnym rozwiązaniem.

Rozwiązanie – inteligentne kampanie produktowe

Aby skalować działania eCommerce, w PromoTraffic prowadzimy inteligentne kampanie produktowe, korzystając ze skryptów i narzędzi, które automatyzują ten proces. Na podstawie modeli predykcji weryfikujemy dokładnie, kiedy mamy możliwość zwiększenia bądź zmniejszenia stawki cpc. Dzieje się to całkowicie automatycznie. Najlepszym przykładem w tym obszarze może być fakt, że mamy możliwość takiej zmiany kilkadziesiąt, a może kilkaset razy dziennie. Samo narzędzie przy właściwym modelowaniu atrybucji robi to kilkadziesiąt tysięcy razy dziennie. Potrafi określić 20 – 30 tysięcy zmian stawek w przeciągu jednej doby po to, aby znaleźć szansę na dostarczenie właściwego użytkownika.

Kolejnym ciekawym elementem jest optymalizacja pod działania ROAS. To my decydujemy, kiedy kampania jest dla nas rentowna, i zwiększamy efekt skali w postaci optymalizacji kampanii pod cel związany z ROAS. Najczęściej przy tworzeniu takiej technologii w przeciągu mniej niż 30 dni widzimy już efektywność tych działań, na przykład w postaci stawek cpc, zmniejszających się kosztów i zwiększającego się ruchu.

Jak osiągnąć sukces?

Poniżej przedstawię kilka case studies, które dowodzą tego, że nasze inteligentne kampanie produktowe pomagają osiągnąć sukces Klientom.

Nie bój się automatyzacji. Ona pracuje, kiedy Ty śpisz. Wdrażaj model data-driven i wspieraj swoje działania eCommerce nowoczesną technologią, a ona na pewno zadziała.