Casebook SEM #10: Semahead dla SportBazar

26.04.2019

Semahead
Dla: SportBazar
czas trwania: styczeń – lipiec 2017

 


 

Jak automatyczne strategie ustalania stawek przy zmiennych modelach atrybucji, zwięks13 CASE STUDIES(2)zyły przychody e-sklepu o 154%?

O KLIENCIE

SportBazar to działający od 2012 roku sklep internetowy, należący do hurtowni sportowej Marba-Sport. Firma swoją działalność rozpoczęła w latach dziewięćdziesiątych, zaopatrując lokalne szkoły, kluby oraz klientów detalicznych w sprzęt sportowy.
SportBazar  to  marka,  która  powstała  w  odpowiedzi  na  rosnące  zapotrzebowanie  rynku. W asortymencie  sklepu  znajdują  się  m.in.  takie  marki  jak  adidas,  Nike,  Puma  czy  4F.  Jest również jedynym dystrybutorem w Polsce produktów takich renomowanych marek jak High Peaki Roces oraz partnerem firmy Givova. Marba-Sport może pochwalić się także autorskimi markami, w tym rolkarską-Mico, treningową-PROfit i turystyczną Bjorn, które prędko zyskały uznanie Klientów za sprawą atrakcyjnych cen i wysokiej jakości.

Firma specjalizuje się skatingu, piłce nożnej i turystyce, aczkolwiek oferuje  sprzęt  sportowy niemal z każdej dziedziny.

WYZWANIE

Branża  sportowa  i  turystyczna  charakteryzuje  się  dużą  konkurencyjnością  co  sprawia,  że dotarcie  do  klienta  wymaga  nieszablonowych  rozwiązań  i  ciągłej  optymalizacji  kampanii. Dodatkowym  wyzwaniem  rynku  jest  jego  sezonowość  i  częste  zmiany  asortymentu,  co wymusza  ciągłe  podążanie  za  trendami,  aby  dostarczać  użytkownikom  dokładnie  tego, czego aktualnie potrzebują.
Głównym celem kampanii PPC, określonym przez SportBazar było zwiększenie sprzedaży oraz wzrost   ruchu w  serwisie.  Według  przeprowadzonych  estymacji,  założyliśmy  średni  wzrost przychodów na poziomie 47% w skali miesiąca. Jako KPI definiujący ruch na stronie wybraliśmy liczbę unikalnych użytkowników i założyliśmy jej wzrost o 118%.

Kierując   kampanie   do   użytkowników   zainteresowanych   zakupem,   śledzących   rabaty i promocyjne ceny, naszym celem było wygenerowanie maksymalnej sprzedaży, zachowując ROAS na poziomie minimum 400%. Kampania trwała od stycznia do lipca 2017. W lutym 2017 roku, w porozumieniu z Klientem wprowadziliśmy elastyczny budżet reklamowy, który jednak miał być nie większy niż 30% względem poprzedniego miesiąca. W związku ze zmianą strategii Google Ads musieliśmy zmienić model rozliczenia uwzględniający premię od efektów ściśle uzależnioną od przychodu przy wypracowanym ROAS.

CELE

WYKR1

 

STRATEGIA

Początkowa estymacja na 2017 była bardzo ambitna i przewidywała regularny wzrost w stosunku do roku poprzedniego przy stałym, miesięcznym budżecie. Biorąc pod uwagę kolejne analizy prowadzone dla klienta oraz modelując atrybucję skłoniliśmy się ku zmianie aktualnej koncepcji opartej o stały budżet i maksymalizację zysku (w tym ROAS), a zaproponowaliśmy elastyczny budżet uzależniony od aktualnego ROAS.
Naszą strategię podzieliliśmy na etapy, skupiając się na maksymalizacji przychodów przy utrzymaniu stałego kosztu konwersji i określonego minimalnego ROAS. Na fazy strategii składały się takie elementy jak: wyznaczenie celów i sposób ich realizacji, analiza rynku i konkurencji, modelowanie atrybucji, automatyczne strategie ustalania stawek, testy wdrożonych zmian oraz raportowanie i analiza wyników.

Kręgosłupem całej strategii działań były automatyczne strategie ustalania stawek przy zmiennych modelach atrybucji. Automatyczne strategie ustalania stawek (w naszym przypadku automatyczne strategie oparte o ROAS, CPA oraz eCPC) pozwalały nam wykorzystać możliwości niedostępne przy standardowych metodach prowadzenia i optymalizacji kampanii.

  • MOŻLIWOŚCI INTELIGENTNEGO USTAWIANIA STAWEK W GOOGLE ADS
    Inteligentne ustalanie stawek to zestaw strategii ustalania stawek uwzględniających konwersje –docelowy CPA, docelowy ROAS i ulepszone CPC –który korzysta z uczenia maszynowego, by pomóc dostosować stawkę do każdej aukcji. Ta strategia bierze pod uwagę rozmaite sygnały wysyłane w trakcie aukcji, np. informacje o typie urządzenia, lokalizacji, porze dnia, języku czy systemie operacyjnym, dzięki którym możliwe jest określenie niepowtarzalnych okoliczności każdego wyszukiwania.
    Źródło: https://support.google.com/google-ads/answer/2979071?hl=pl

Aby optymalnie wykorzystać poszczególne strategie automatycznego ustalania stawek, potrzebne było przeprowadzenie modelowania atrybucji –a więc przypisania wartości do punktu kontaktu na ścieżce konwersji będzie przypisana konwersja. Modelowanie to skomplikowany proces wymagający czasu. W przypadku SportBazar wykorzystaliśmy model atrybucji pozycji z proporcją 40% -20% -40% dzięki czemu optymalizowaliśmy kampanię największą wagę kładąc na pierwszą oraz ostatnią interakcję. Jednocześnie przypisaliśmy 20% wartości pośrednim konwersjom wspomagających. Wszystkie zmiany miały być testowane i w przypadku osiągnięcia zadowalających efektów wdrażane.

REALIZACJA

ETAP 1

CELE

Pierwszym etapem było szczegółowe określenie celów, zarówno na poziomie mikro jak i makro konwersji, LTV (lifetime value) klientów. Oprócz docelowej konwersji makro jaką był zakup produktów w sklepie internetowym, mierzyliśmy również mikro konwersje, które zdefiniowaliśmy jako: zaangażowanie użytkowników, zapisy na newsletter oraz czas spędzony na stronie. Na tym etapie bardzo istotne było ustalenie sposobu komunikacji wewnątrz agencji, tak aby każdy dział współpracujący z Klientem nie działał w oderwaniu od reszty zespołu. Na cyklicznych spotkaniach wymienialiśmy się takimi informacjami jak: aktualne promocje w sklepie, planowane tematy content marketingowe oraz harmonogram publikacji postów na Facebooku.

ETAP 2

ANALIZA

Przed rozpoczęciem działań chcieliśmy dokładnie zrozumieć rynek i konkurencję SportBazaru. Przygotowaliśmy szczegółową analizę, dzięki której stworzyliśmy dokładnie prognozy efektów kampanii. Za pomocą Google Trends monitorowaliśmy słowa kluczowe i wychwyciliśmy aktualne trendy. Do analizy konkurencji połączyliśmy dane z kilku narzędzi: SemStorm, SemRush czy similarweb.com. Zbadaliśmy także strony konkurencji pod kątem wprowadzonych zmian, szybkości witryny i dostępności na urządzeniach mobilnych za pomocą: web.archive.org, PageSpeed Insights i mobiletest.me. Do oceny potencjału ruchu stron wykorzystaliśmy Alexa rank. W przypadku wewnętrznej analizy sklepu wykorzystaliśmy Google Analytics oraz Google Ads.

ETAP 3

MODELOWANIE ATRYBUCJI

W kolejnym etapie modelowaliśmy atrybucję. Do naszych działań wykorzystaliśmy model atrybucji pozycji i na podstawie danych zbieranych przez Google Analytics, Google Search Console oraz Google Ads optymalizowaliśmy kampanię według pierwszej i ostatniej interakcji prowadzącej do konwersji pozostawiając 20% udziału konwersjom pośrednim.

ETAP 4

AUTOMATYCZNE USTALANIE STAWEK

Każda z kampanii była optymalizowana na podstawie wcześniej przeprowadzonych analiz poprzez m.in. dodanie wcześniej przygotowanych grup odbiorców -RLSA (Remarketing List of Search Ads), Third-Party cookie, lokalizacji (optymalizacja na poziomie województw

I miejscowości) czy harmonogramów. W przypadku każdej kampanii dodaliśmy dużą ilość wszystkich dostępnych rozszerzeń umożliwiając tym samym zwiększenie trafności reklam. Dalszy plan działań dotyczył ciągłej optymalizacji wyniku jakości poprzez testy treści reklam, dodanie odpowiedniej ich ilości oraz testowanie stron docelowych przy ciągłej analizie danych opartych o wynik jakości w Google Ads. Kluczowym elementem kampanii było jednak wykorzystanie zaawansowanych mechanizmów automatycznych strategii ustalania stawek ROAS, CPA oraz eCPC.

ETAP 5

TESTY

Wszystkie zmiany w kampanii były testowane i dokładnie analizowane. W przypadku testów A/B prowadziliśmy testy w obszarze strategii ustalania stawek, optymalnych stawek dla strategii, treści reklam. Rozwiązania charakteryzujące się najlepszymi wynikami wdrażaliśmy do kampanii. W trakcie kampanii stale monitorowaliśmy efektywność naszych reklam w porównaniu z konkurentami, korzystając z Google AdsAuction Insights. W okresie realizacji kampanii, testowaliśmy również dostępne bety.

ETAP 6

RAPORTOWANIE I ANALIZA WYNIKÓW

Na potrzeby prowadzonych działań zostało przygotowane dedykowane narzędzie w MS Excel raportujące dane miesięcznie. Podczas realizacji kampanii niezwykle istotna była sprawna komunikacja z Klientem, aby prowadzone przez nas działania były spójne z aktualnymi promocjami w sklepie, a także z aktywnością w zakresie social media oraz content marketingu. Dzięki temu uzyskaliśmy efekt synergii, dający jeszcze lepsze wyniki. Jak najlepsza komunikacja była kluczowa także we współpracy z zewnętrznym partnerem Criteo, który posiada własny model modelowania atrybucji.

EFEKTY

WYKR2

W omawianym okresie miesięczny przychód firmy wzrósł średnio 154%, co stanowiło 330% pierwotnie zakładanego celu. Dodatkowo odnotowaliśmy 35% wzrost ilości konwersji (transakcji) miesiąc do miesiąca. Najbardziej spektakularnym miesiącem okazał się lipiec, w którym odnotowaliśmy 297% wzrost przychodów, przy estymowanych 43%.

WYKR3

Średni miesięczny ROAS kształtował się na poziomie 510%, a cel został spełniony w 120%. W okresie 01 lutego -31 lipca, a więc wtedy kiedy został wprowadzony nowy model rozliczeń, ROAS kształtował się na poziomie 534%. Najwyższy ROAS odnotowano w marcu (648%) i kwietniu (622%) przy koszcie konwersji poniżej zakładanej średniej.

WYKR4

Dodatkowym miernikiem sukcesu był ruch na stronie, definiowany jako liczba unikalnych użytkowników. W czasie trwania kampanii ich liczba wzrosła średnio o 354% w stosunku do roku poprzedniego. Cel został spełniony w 253%, utrzymując średni wzrost na poziomie 333%.

WYKR5

Wykorzystanie zaawansowanych rozwiązań Google Ads, testowanie bet w połączeniu ze sprawną komunikacją między działami zaowocowało regularnym wzrostem przychodów w sklepie. Proces optymalizacji kampanii oraz przyjęcie nowej strategii prowadzenia działań jest stale modyfikowany i dostosowywany do aktualnych potrzeb kampanii oraz sezonowości branży. Pierwsze efekty optymalizacji zauważyliśmy po 30 dniach. W pierwszym miesiącu zwiększyliśmy przychody o 31,6% przy ROAS większym o 18% w stosunku do miesiąca poprzedniego. W 2016 roku, jeszcze przed wprowadzeniem nowego modelu rozliczeń, rekordowy obrót w sklepie internetowym został wygenerowany w grudniu.

  • W lipcu bieżącego roku wygenerowaliśmy najwyższy obrót w całej historii firmy i był on o 58,32% wyższy niż w grudniu poprzedniego roku przy ROAS w wysokości 501,05%.

POBIERZ 13 CASE STUDIES SEM