Rainbow case study – atrybucja, ale co dalej?

Zarządzanie kanałami reklamowymi jest trudne – w szczególności, kiedy jest ich ponad 15, a na naszych barkach poza planowaniem działań spoczywa również ustalanie budżetu. Ilość metryk i danych, którymi atakuje nas Google Ads, Google Analytics oraz inne narzędzia jest ogromna, a każda z nich reklamuje się jako dodatkowa wiedza mająca wspomóc zarządzanie kampaniami. O ile wartości merytorycznej nie można im ująć, często jest ich po prostu tak dużo, że żonglując narzędziami, możemy trafić na sprzeczne ze sobą informacje. Blueattribution – narzędzie służące do optymalizacji mediów, stworzone przez Bluerank rozwiązuje ten problem. Wprowadza jedno źródło wiedzy – algorytm, który na podstawie budżetów i wyników dostosowuje wydatki na poszczególne kanały względem ich rentowności. Przedstawimy to na przykładzie Rainbow, z którym pracujemy i wspólnie osiągamy spektakularne sukcesy już od ponad 12 lat.

O co chodzi?

Optymalizacja polega na zasileniu odpowiedniego algorytmu danymi dotyczącymi atrybucji powiązanymi z danymi budżetowymi. Innymi słowy, przeprowadzamy atrybucję (o tym, co to jest atrybucja i jak działa, więcej można przeczytać tu) i do odpowiedniego okresu dostawiamy wydany budżet na konkretny kanał reklamowy. Czym jest „odpowiedni okres”? Większość algorytmów i metod matematycznych jest zdefiniowana jednoznacznie, a to, jak dobrze działają, zależy od tego, jak „dobre” dane do niego wprowadzimy. W tym przypadku idealnym połączeniem okazuje się atrybucja co tydzień z ostatniego roku. W ten sposób otrzymujemy wystarczającą ilość danych, żeby zasilić algorytm, jednocześnie nie biorąc danych nieadekwatnych do obecnie prowadzonych działań. W końcu marketing potrafi się zmieniać bardzo dynamicznie, a kanały wprowadzone 3 lata temu nie są tym samym co dziś.

A jak to działa?

Po „nauczeniu” algorytmu zwracamy kilka informacji – dopasowaną krzywą zysku, informację o tym, w jakim procencie to jak kanał prosperuje jest uzależnione od przeznaczonych na niego pieniędzy oraz optymalny budżet. Ostatnią informację rozumiemy jako odpowiedź na pytanie „Zarobiliśmy X, wydając Y, ale gdybyśmy wydali więcej i/lub rozdzielili pieniądze między kanałami inaczej, zarobilibyśmy dużo więcej”.

Algorytm sam zwraca informacje o pożądanym budżecie wraz z najlepszym podziałem wśród kanałów, ale możemy również wprowadzić własną kwotę (i ewentualne ograniczenia, jeżeli uznajemy, że nie wydamy mniej lub więcej na dany kanał).

Źródło: attribution.bluerank.com

Faktoring w kampanii, czyli jak mówić o trudnych rzeczach, by ktoś chciał słuchać [CASE STUDY]

Jakie mamy efekty?

Dzięki ścisłej współpracy z Rainbow, dla którego prowadzimy działania reklamowe w szerokim zakresie, mogliśmy poddać algorytm optymalizacji próbie na bardzo trudnym przypadku. Zrównoważenie budżetów 15 kanałów przy danym limicie, w którym występują kanały bardzo od siebie różne, wymaga cierpliwości, wiedzy, doświadczenia, a i tak potrafi zajmować osobom odpowiedzialnym za to bardzo dużo czasu. Dzięki współpracy z Rainbow udało nam się przenieść dużą część ciężaru na algorytm, który poradził sobie wyjątkowo dobrze.

Głównym odbiorcą wyników optymalizacji mediów ze względu na różnorodność oraz możliwość porównania rok do roku jest grupa kanałów składających się z płatnych wyników wyszukiwania.

Wykres przedstawiający zaatrybuowane wartości przychodu dla wszystkich kanałów grupy płatnych wyników wyszukiwania.

Kolorem zaznaczono okresy sezonu letniego dla 2018 i 2019 roku, gdzie popularność biur podróży w oczywisty sposób wzrasta – co dla 2019 roku jest jednocześnie okresem optymalizowania kanałów reklamowych. Porównując sezon do sezonu, widzimy znaczny i bardziej gwałtowny wzrost.

Wykres przedstawiający koszt konwersji.

Widzimy znaczny spadek w interesującym nas okresie w przypadku kosztu konwersji. Nie tylko osiąga malejący trend w całym okresie wakacyjnym, ale również stabilizuje się. Jest to pożądany efekt pozwalający z większą pewnością przewidywać zachowania metryk.

Wykres przedstawiający ROAS.

Odnotowujemy zdecydowany wzrost w sezonie porównując dane rok do roku, jeżeli mówimy o zwrocie wydatków na reklamy. Warto również zwrócić uwagę na powtórzenie pewnej cechy tej metryki, tak jak w przypadku kosztu konwersji. ROAS zmniejsza swoją wariancję, starając się ustabilizować na wysokim poziomie, zachowując trend wzrostowy.

Wejdźmy w szczegóły!

Warto zwrócić uwagę, że w grupie kanałów płatnego wyszukiwania znajdują się również kanały pomijane w optymalizacji. Ponieważ bazujemy na kliknięciach użytkownika, nie chcemy porównywać jabłek do gruszek sztucznie obniżając budżety kanałów odpowiedzialnych za np. budowanie świadomości marki. Dlatego też warto zwrócić uwagę na działanie optymalizacji dla wyszczególnionego przypadku, czyli dla konkretnej grupy reklam, którą dalej będziemy nazywać podkanałem – oczywiście nie są to kanały brandowe… 🙂

Jedną z zalet optymalizacji bazującej na wynikach atrybucji data-driven jest możliwość wykrywania rentownych kanałów. Jeżeli z jakiegokolwiek powodu dany kanał był pomijany w rozdziale budżetu, a dla naszego algorytmu wygląda „obiecująco”, z pewnością zostanie odpowiednio wynagrodzony w podziale budżetu. Taki kanał występował w przypadku płatnych wyników wyszukiwania.

Wykres przedstawiający atrybucję przychodu dla wyszczególnionego kanału.

Starając się nie zwiększać sumarycznego budżetu, przesunęliśmy część pieniędzy z kanałów nierentownych na kanały obiecujące. Wyniki były więcej niż bardzo zadowalające. Kanał idealnie odpowiedział na zwiększony budżet natychmiast wybijając się w wynikach atrybucji.

Wykres przedstawiający ROAS dla wyszczególnionego kanału.

Również w tym przypadku osiągamy zamierzony cel, znacznie zwiększając ROAS dla konkretnej grupy reklam w zadanych okresach. Zadana metryka charakteryzuje się silnym trendem rosnącym w sezonie oraz zwiększoną stabilnością.

Wykres przedstawiający koszt konwersji dla wybranego kanału.

W tym przypadku ponownie osiągamy pożądaną stabilizację oraz trend spadkowy.

– Rozbudowa modelu atrybucji konwersji i wykorzystanie tych wyników do optymalizacji budżetów kampanii reklamowych okazało się decyzją, która przełożyła się w zdecydowany sposób na wzrost efektywności działań reklamowych Rainbow w internecie w 2019 roku. Dzięki tak precyzyjnym danym możemy skuteczniej zarządzać poszczególnymi kanałami reklamowymi i inwestować w te, które są najbardziej rentowne. Zamierzamy dalej rozwijać obszar data science we współpracy z Bluerank – mówi Michał Jaworski, dyrektor ds. e-commerce i strategii omnichanel, Rainbow.

Podsumujmy!

Atrybucja data-driven ma wiele zalet. Jedną z nich jest możliwość śledzenia rzeczywistych wyników kanałów reklamowych, a odpowiednie modele „szyte na miarę” pozwalają robić to jeszcze lepiej i dokładniej. Jednak na samej atrybucji nie powinniśmy poprzestawać. Zbierając dane historyczne atrybucji, jesteśmy w stanie automatyzować procesy podziału budżetu zaopatrując ekspertów w odpowiednie wyniki.

• Chcesz osiągać stabilne wzrosty zasięgu kampanii bez obniżenia opłacalności działań?
• Chcesz osiągnąć wzrost rentowności działań reklamowych?

Chcesz osiągnąć stabilizację i przewidywalność wyników, umożliwiające skuteczniejsze planowanie przyszłych działań?

Zapraszamy do kontaktu!

Bluerank od 15 lat świadczy usługi marketingu internetowego. Wykorzystując szerokie portfolio, strategiczne podejście i własne innowacyjne narzędzia, wspiera marki w realizacji ich celów biznesowych. 
www.bluerank.pl
[email protected]  

 

Autor: Maciej Franas, Marketing Data Scientist, Bluerank