Czy wiesz, jaki jest Twój finalny koszt konwersji?

Transkrypt

1 Czy wiesz, jaki jest Twój finalny koszt konwersji? Autorzy: Klaudia Hernik, Anna Gromańska, Krzysztof Górski, Mateusz Nić 9 kwietnia 2018, Internet Week IAB, Warszawa Niniejsza publikacja podlega autorskim prawom majątkowym Cube Group. Prosimy o nierozpowszechnianie bez zgody Cube Group.

2 Kilka słów o Cube Group i o nas

3 Jesteśmy Twoim partnerem w marketingu i sprzedaży Jako agencja digital performance dobieramy skuteczne strategie, media i narzędzia digital, analizujemy, szkolimy i doradzamy po to, aby realizować Twoje cele i raportować mocne efekty biznesowe

4 Wspieramy Twój marketing i sprzedaż na każdym etapie Implementujemy technologie najpotrzebniejsze dla Twojego biznesu Dobieramy i kupujemy najlepsze media (display, programmatic, afiliacja, SEM, SEO, content, mobile) Tworzymy spójną i długoterminową strategię promocji i sprzedaży online Wdrażamy zaawansowaną analitykę by najskuteczniej wykorzystywać Big Data Optymalizujemy wszystkie działania online pod wskaźniki ROI, CAC i LTV

5 Z sukcesem generujemy efekty m.in. dla:

6 Jak efektywne są nasze zespoły klienckie? 3,9 mld zł Wartość sprzedaży wygenerowanej dla Klientów w 2017 r. 13 Nagród i wyróżnień za działania wygenerowane dla naszych Klientów

7 Jesteśmy Mistrzami Performance Według magazynu Media & Marketing Polska (ranking 2017) PERFORMANCE W STRATEGII Nasz interdyscyplinarny zespół tworzy dla Ciebie jedną spójną strategię marketingu i sprzedaży online, od koncepcji przez media po analitykę i optymalizację PERFORMANCE W DZIAŁANIU Ekspercki zespół i analityka w jednym miejscu działamy, mierzymy, i optymalizujemy ramię w ramię PERFORMANCE W KOSZTACH Mamy największe na rynku portfolio działań in-house: sieci afiliacyjne, agencję SEO i content, nie podzlecamy kolejnym podmiotom PERFORMANCE TWOJEGO BIZNESU Optymalizujemy Twoje procesy sprzedaży online pod kątem ROI, CAC i LTV, optymalizujemy je na każdym etapie i współodpowiadamy za Twoje wyniki

8 Kilka słów o nas Klaudia Hernik Media Manager W Cube Group kieruje jednym z zespołów odpowiadających za kompleksowe działania digital (m.in. w obszarach display, SEM, SEO, afiliacja, programmatic, paid social, content marketing, marketing, influencer marketing, mobile), optymalizację mediów i kreacji oraz analitykę dla kluczowych klientów. Koordynowała kampanie wizerunkowe i sprzedażowe m.in. dla takich marek jak Innogy, Tchibo, BZWBK. klaudia.hernik@cubegroup.pl Krzysztof Górski Head of Analytics W Cube Group rozwija i wdraża rozwiązania analityczne wspierające marketerów w tworzeniu strategii i planowaniu działań na wszystkich etapach ścieżki klienta. Ma ponad 15-letnie doświadczenie w tworzeniu zaawansowanych analiz (segmentacyjnych, predykcyjnych, rentowności klienta itd.), w tworzeniu dedykowanych systemów CRM i Big Data oraz w zarządzaniu kampaniami CRM (m.in. cross-sell, up-sell, utrzymanie, odzyskanie). Zarządzał obszarami analiz, Big Data i CRM w takich firmach jak PZU, Generali, BZ WBK, Plus Bank. krzysztof.gorski@cubegroup.pl Anna Gromańska Publishing & Innovations Director Od ponad 7 lat specjalizuje się w performance marketingu realizowała działania sprzedażowe online m.in. dla Provident Polska, WITTCHEN, Monnari, Lilou, Crocs, Plus, Trivago, Tripsta, Millennium Hotels, oraz dla międzynarodowych e-commerce ów. W Cube Group rozwija i wdraża innowacyjne technologie wspierające data-driven marketing (m.in. umożliwiające cross-device tracking, analitykę customer journey oraz modelowanie atrybucji i deduplikację) oraz optymalizuje współpracę wydawców realizujących sprzedaże dla największych marek (m.in. w ramach sieci afiliacyjnej dla e- commerce ów SalesMedia). Wcześniejsze doświadczenie zdobywała m.in. w TradeTracker w Londynie. anna.gromanska@cubegroup.pl Mateusz Nić Client Service Director W branży reklamowej od ponad 9 lat. W Cube Group kieruje zespołem realizującym strategie performance dla klientów agencji. Nadzorował m.in. efektywnościowe kampanie finansowe (BZ WBK, Credit Agricole, Axa Direct), dla branży telekomunikacyjnej (UPC), farmaceutycznej (Polpharma, NEUCA, Dbam o Zdrowie), e-commerce (Avans, Nexterio), a także dla Promedica24 (Mixx Award 2016). Wykłada performance marketing na studiach podyplomowych na Uniwersytecie Łazarskiego. mateusz.nic@cubegroup.pl

9 Agenda

10 Agenda CZĘŚĆ I 1. Trendy 2. Analityka opisowa 3. Analityka diagnostyczna a. Customer Journey b. Modele atrybucji c. Mikrokonwersje CZĘŚĆ II 1. Analityka predykcyjna 2. Analityka preskryptywna 3. Big Data 4. Data Science 5. Dashboard

11 Cześć I Czy wiesz, jaki jest Twój finalny koszt konwersji?

12 Obsesja na punkcie konwersji Od początków online marketingu do hiperpersonalizacji (właściwy komunikat we właściwym czasie do właściwej osoby) i klientocentryzmu Social & Mobile Omnichannel Digital Hiperpersonalizacja

13 Obsesja na punkcie Klienta Jak powinno ewoluować podejście w kierunku personalizacji marketingu na wielką skalę Osobna komunikacja online i offline ATL i BTL Kampanie produktowe Skupienie na ROI z aktywności mediowej Podejście per kanał Rozproszone dane w ramach systemów i działów organizacji Idziemy w stronę... Jedna, spójna strategia marketingowa Kampanie personalizowane i zwiększające LTV (wartość życiową klienta) Optymalizacja nie tylko pod ROI, ale także pod LTV Podejście omnikanałowe Łączenie, segmentacja i predykcja

14 Obraz klienta 360 stopni Połączone doświadczenia klienta Fundamenty analityczno-technologiczne Nowe podejście Customer journeys Customer lifetime / CLV Customer Experience Źródła danych Dane marketingowe Środowisko analityczne Data Science i analityka Automatyzacja Obraz konsumenta 360 st. Rozwój kompetencji

15 Trendy w marketingu ostatnich 5 lat Big Data Data Science Segmentacja Customer Journey

16 Gdzie jesteśmy? Dojrzałość trendu Mainstream Trendy wschodzące Szybkie dojrzewanie trendu Trendy wiodące Foresight zone Innovation zone Reactive zone New normal czas Źródło: Hatalska, Mapa trendów 2018,

17 KTO PIERWSZY SIĘ ZAADAPTUJE ZWYCIĘŻY

18 Gdzie pojawia się problem? Co hamuje Cię we wdrażaniu rozwiązań i czerpaniu korzyści z data-driven marketingu i innowacji w ostatnim roku? Niewystarczająca dostępność technologii lub technologia bez odpowiednich funkcjonalności 38,7% 50% Brak doświadczenia i kompetencji (na poziomie implementacji i operacyjnym) 34,9% 45,3% Problemy z wykazaniem ROI z działań data-driven marketing 33,3% 45,3% Źródło: :The Outlook for Data 2018: A Snapshot Into the Evolving Role of Audience Insight, IAB Europe

19 Big Data

20 Big Data 90% Wszystkich danych zostało wygenerowanych w ciągu ostatnich 2 lat 2,5 Tryliona bajtów danych generujemy każdego dnia Źródło: raport IBM Marketing Cloud pt. 10 Key Marketing Trends for 2017

21 Źródło:

22 Źródło:

23 Big Data 3x Wyższe prawdopodobieństwo podjęcia słusznej decyzji! 2x Wyższe prawdopodobieństwo osiągania najwyższych przewidywanych wyników 5x Wyższe prawdopodobieństwo przyśpieszenia procesu decyzyjnego SUKCES Źródło: Bain & Company

24 4 rodzaje analityki

25 Analityka opisowa Co się stało? 1000 LEADÓW 400 ROZMÓW 10 SPRZEDAŻY

26 Analityka diagnostyczna Dlaczego tak się stało?

27 Customer journey i atrybucja

28 Suflet czekoladowy i customer journey?

29 Jak dojść do perfekcji?

30 Patrz głębiej niż na last click Affiliates Social Display Incentives Display MailingOrganic Search Newsletter Organic Search AffiliatesDirect Social Content AffiliatesOrganic Search Retargeting Incentives Mailing Social Display Content Mailing Social Paid Search NewsletterDirect Content Display Paid Search Retargeting Paid SearchRetargeting Jeśli chcesz mocniej zgłębić temat i wiedzieć, np. czy zakup programatyczny reklamy ma wpływ na ścieżkę klienta, to zajrzyj do tekstu na naszym blogu Performance360.pl

31 Patrz głębiej niż na last click Last Click Time Delay Linear Position Based First Click Data Driven

32 Który model najefektywniejszy? Jak oceniasz efektywność poszczególnych modeli atrybucji? Custom Algorithmic First-touch First-click Linear View-through Position-based (U-mode) Time-decay Last-click Last-touch 48% 41% 10% 1% 43% 49% 7% 1% 43% 49% 6% 2% 39% 47% 12% 2% 39% 46% 12% 3% 33% 49% 16% 2% 33% 57% 10% 33% 55% 12% 29% 49% 22% 4% 27% 58% 13% 2% Bardzo efektywny Raczej efektywny Raczej nieefektywny Bardzo nieefektywny Źródło: The state of Marketing Attribution 2017, AdRoll Respondents:225

33 Jak zmienia się efektywność kosztowa kanałów? Case study: e-commerce beauty last click basket freeze użytkownicy model wydatki konwersje CPA konwersje CPA nowi powracający search CPC zł ,57 zł ,31 zł 21% 79% incentives CPO zł ,00 zł ,00 zł 27% 77% social CPC zł ,34 zł ,67 zł 41% 58% content/blogs FF zł 7 428,57 zł 31 96,77 zł 62% 38%

34 Case study: finanse (PPC)

35 Mikrokonwersje

36 Jeśli chcesz osiągnąć swoje cele, nie fiksuj się na nich Ta myśl Reggie ego Riversa (mówcy motywacyjnego, coacha i byłego gracza NFL) powinna być bliska również marketerom. Bo w drodze do celu warto sprawdzać również wspierające mikrocele, czyli u nas mikrokonwersje.

37 Case: e-commerce Zapis do newslettera Koszyk Sprzedaż Wartościowi użytkownicy zainteresowani ofertą -> LEADY. Duża szansa, że skonwertują przy dobrze skonstruowanym procesie zarządzania leadem i zebraniu odpowiednich danych. Użytkownicy na ostatnim etapie ścieżki zakupowej INTENT/DECISION. Wartościowy ruch do wykorzystania w działaniach remerketingowych.

38 Case: finanse/ubezpieczenia (długi formularz) Krok formularza Krok formularza Krok formularza Lead Użytkownicy docierający do kolejnych kroków formularza mają coraz większą intencję do skonwertowania. Kanały, które dowożą dużo użytkowników docierających do trzeciego kroku należy identyfikować jako jakościowe. Warto zastanowić się, czy proces w formularzu nie wymaga usprawnienia/ułatwienia.

39 Case: turystyka Klik w button Wyszukaj Użytkownicy na etapie AWARENESS/CONSIDERATION. Warto zebrać od nich leada. Przejście przez kilka podstron Jakościowe wizyty, użytkownicy na etapie rozważania i porównywania. Do wykorzystania w retargetingu, własnych działaniach lojalizujących. Rezerwacja

40 Weryfikacja ścieżek i mikrokonwersji Jak zanalizujesz mikokonwersje i ścieżkę użytkownika możesz określić, które kanały najbardziej wspierają Twoje cele: zbudowanie świadomości Twojej marki, rozważanie czy decyzję o zakupie. Sprawdź efektywność kanałów w odniesieniu do celów zdefiniowanych na danym etapie

41 Które kanały zyskują, a które tracą po wdrożeniu atrybucji? Doinwestowanie budżetów per kanał po wdrożeniu atrybucji Redukcja budżetów per kanał po wdrożeniu atrybucji Display advertising 41% Content markting 39% Paid search 38% Display advertising 37% Content marketing 34% Affiliate marketing 33% Social media marketing 33% 32% Social media advertising (e.g. display advertising on Facebook) 28% 28% Mobile apps Paid search 18% 15% SEO 24% Social media marketing 15% Affiliate marketing Mobile apps 23% 22% Social media advertising (e.g. display advertising on Facebook) SEO 13% 9% Video 11% Video 6% Other 0% Other 1% Respondents: 160 Respondents: 171 Źródło: The State of Marketing Attribution 2017, AdRoll

42 Jak wdrożenie atrybucji może wpłynąć na Twój biznes? 23% 26% 26% 32% 31% 26% Zmiana na plus w podejściu do kanałów marketingowych oraz głębsze zrozumienie wartości touchpointów na końcowych etapach lejka sprzedażowego. 15% 10% 5% 6% Wzrost wydatków we wszystkich kanałach digital Wzrost wydatków w niektórych kanałach digital Brak wpływu na wydatki w kanałach digital Spadek wydatków w niektórych kanałach digital Spadek wydatków we wszystkich kanałach digital Byliśmy w stanie usunąć lub ograniczyć niektóre nasze aktywności w kanale digital, gdy upewniliśmy się, że nie mają one wpływu na customer journey. To znacząco wpłynęło na efektywność kosztową naszych działań Respondents 2017: 493 Respondents 2016: 275 Źródło: The State of Marketing Attribution 2017, AdRoll

43 Część II CZĘŚĆ I 1. Trendy 2. Analityka opisowa 3. Analityka diagnostyczna a. Customer Journey b. Modele atrybucji c. Mikrokonwersje CZĘŚĆ II 1. Analityka predykcyjna 2. Analityka preskryptywna 3. Big Data 4. Data Science 5. Dashboard Niniejsza publikacja podlega autorskim prawom majątkowym Cube Group. Prosimy o nierozpowszechnianie bez zgody Cube Group.

44 Analityka predykcyjna Co może się wydarzyć?

45 Modelowanie predykcyjne - Ryzyko rezygnacji Najprostszy model: l. rezygnacji / l. aktywnych na początku w określonym czasie (np. subskrybenci comiesięcznego abonamentu Netflix) Jak wyglądały ścieżki użytkowników, którzy zdecydowali się na odejście? Jakie statusy klientów ma customer care: zgłoszenie problemów technicznych, błędne pobranie płatności z karty etc.? Jaki jest najczęstszy powód odejścia? Jaki profil konsumenta najczęściej odchodzi? User A Wejście na stronę Zapis na trial Zwiększona aktywność Low 2% Jak zapobiegać rezygnacjom? Nie zgaduj -> przewiduj Analizuj zachowanie swojego klienta Ustal szacowany czas życia klienta Ustal budżet na utrzymanie klienta User B User C Płatna subskrypcja Zwiększona aktywność Rozmowa z customer care Czas Medium 7% High 25%

46 Jakie jest optymalne rozwiązanie? Analityka preskryptywna

47 Przykład analityki preskryptywnej TRUMP vs CLINTON

48 Kryteria targetowania DANE DEMOGRAFICZNE / GEOGRAFICZNE MĘŻCZYZNA LAT ŻONATY MA DZIECI WYSOKI DOCHÓD CZYTELNIK USA TODAY Wiek Płeć Narodowość Religia Edukacja Stan cywilny Miejsce zamieszkania MĘŻCZYZNA LAT ŻONATY MA DZIECI WYSOKI DOCHÓD CZYTELNIK USA TODAY

49 Kryteria targetowania DANE DEMOGRAFICZNE / GEOGRAFICZNE DANE BEHAWIORALNE OSOBOWOŚĆ Wiek Płeć Narodowość Religia Edukacja Stan cywilny Miejsce zamieszkania Dane motoryzacyjne Dane konsumenckie Styl życia Styl zakupowy/ścieżki Zaangażowanie społeczne Psychologiczne: (O) Otwartość (C) Sumienność (E) Ekstrawertyczność (A) Lubiany (N) Neurotyczność Perswazja: Wzajemność Niedostatek Autorytet Strach Dowód społeczny O C E A N

50 2. Poprawka do Konstytucji Stanów Zjednoczonych MĘŻCZYZNA LAT ŻONATY MA DZIECI WYSOKI DOCHÓD CZYTELNIK USA TODAY C N MĘŻCZYZNA LAT ŻONATY MA DZIECI WYSOKI DOCHÓD CZYTELNIK USA TODAY A Emocje Zagrożenie Nieprzewidziane doświadczenia Wartości Więzy Tradycja

51 BIG DATA: dane o 230 mln Amerykanów uprawnionych do głosowania ANALITYKA PREDYKCYJNA: 4 tys. segmentów i 5 modeli osobowości ANALITYKA PRESKRYPTYWNA: 200 tys. spersonalizowanych komunikatów ZWYCIĘSTWO W WYBORACH

52 35% Firm ma stosować analitykę preskryptywną w 2020 roku ANALITYKA OPISOWA ANALITYKA PREDYKCYJNA ANALITYKA DIAGNOSTYCZNA ANALITYKA PRESKRYPTYWNA

53 Analityka

54 Dziś Kampanie Źródła danych CRM Ruch na stronie Social Media Search Emisja reklam Programy mailingowe Inne Raporty Raporty Raporty Raporty Raporty Raporty

55 Świat idealny Big Data Źródła danych Data Analytics Dashboard 2.0 Data Scientist Kampanie 2.0 Retargeting programmatic Google Remarketing Segmenty Predykcja

56 Jak do tego dojść u Ciebie?

57 DUŻO nieustrukturyzowanych danych! Zdefiniujmy 3 filary Jak zbierać wszystkie dostępne dane? Jakie łączyć dane i jak wyciągać wnioski? Jak przewidywać zachowanie, skłonności i uczyć się? Big Data Data Analytics Data Science

58 Czy bierzesz pod uwagę wszystkie źródła danych?

59 Czy bierzesz pod uwagę wszystkie źródła danych? Analiza ruchu na stronie Programy mailingowe / MA Emisja reklamy Social media Wyszukiwarki, m.in. CRM i wiele innych

60 Co to jest Big Data? Big Data to dane: 1. W bardzo dużej ilości 2. Bardzo szybko generowane (real time) 3. Różnorodne 4. Zmiennie napływające w czasie 5. Łączone i przekształcane w złożony sposób

61

62 Case study cz. 1: retail (e-commerce + sklepy offline) Wdrożenie Big Data: 3 miesiące. Integrowaliśmy 7 rodzajów danych, dla których musieliśmy zdefiniować: Strukturę danych Importowanie raz dziennie + mechanizm eliminacji dubli Jeśli chcesz poczytać więcej o omnichannelowych doświadczeniach klientach, to zajrzyj do tekstu na naszym blogu Performance360.pl

63 Case study cz. 1: retail (e-commerce + sklepy offline) Big Data źródła Baza klientów Transakcje Ruch Feed produkt. Program lojal. Mailing Reklama online offline AdWords offline online Adforms Facebook

64 Jakie dane dziś zbierasz?

65 Rodzaje danych: Twoja strona Klient Reklama Co robi klient na stronie Zainteresowania Częstotliwość zakupów i wartość Po co przyszedł Ulubione marki Po co przyszedł Płeć, wiek , telefon Geolokalizacja Sprzedaż na kliencie Ulubione marki Skąd przyszedł Odwiedzane strony

66 Odpowiedzią na różnorodność danych jest Data Analytics, Case study cz. 2: e-commerce z Big Data ale co nam da łączenie danych? Co zrobiliśmy: Łączenie danych Stworzenie historii klienta Segmenty klientów Kampanie / dosprzedaż per segment Przykł. mailing: otwarcia / kliki 10% / 20% 12% / 25% 15% / 35% 17% / 45% 22% / 55% Jak to się przełożyło na przychód: +25% +50% +75% >150%

67 Czy wykorzystujesz potencjał klienta w dosprzedaży?

68 Co chcemy wiedzieć? Kampanie Klient Koszty Czy wysyłasz 1 kampanię do wszystkich klientów? Czy wiesz, czemu nie osiągnąłeś założonych celów (klient nie zostawił leada, nie kupił)? Czy znasz swój cel marketingowy? Czy wiesz czemu klienci nie kupili? Czy próbujesz reaktywować stracone szanse? Czy znasz ścieżkę atrybucji? Czy znasz Customer journey? Czy znasz swoich klientów? Czy znasz pełen koszt kampanii? Czy znasz ROI? Czy znasz LTV? Czy znasz CAC?

69 Odpowiedzią na to jest Data Science Zaawansowana analityka (z ML i AI) pozwoli przewidzieć zachowania i skłonności klienta. Efekty? Lepszy remarketing Skuteczniejszy retargeting Wysyłka kampanii predefiniowanych Optymalizacja kampanii pod wpływem kosztowym Analiza kampanii pod kątem sprzedaży vs źródła przyjścia vs segment klienta Poznanie realnych wskaźników ROI, LTV i CAC

70 Data Science -> LTV Case study: ubezpieczenia OC Klient Potencjalny Nowy Przedłużający 1 Lojalny raz Koszt pozyskania /utrzymania Klik w reklamę 10 zł Pierwszy zakup 100 zł Drugi zakup 5 zł Trzeci i kolejny 2 zł Ile zarobiliśmy Strata 0 95% marży 98% marży

71 Ile dziś robisz raportów i w jakich systemach, aby zobaczyć wynik kampanii?

72 W czym robisz dziś raporty, aby zobaczyć wynik kampanii?

73 Ile czasu poświęcasz, aby zobaczyć wynik kampanii? Case study: bank Źródła danych do raportów Czas poświęcony na raport Ile to kosztuje miesięcznie? Narzędzia BI Źródła emisji reklamy Dane o ruchu www Excel h h 5-10 h 3-5 h h h h h Dane z CRM / wewn. bazy 2-3 h 20 h marketera

74 Rozwiązanie? Jeden dashbord z wizualizacją danych Case study: bank Źródła danych do raportów Czas poświęcony na raport Dashboard one page 5-15 minut Ile to nas kosztuje miesięcznie? 2 h marketera

75 Czynniki Twojego sukcesu

76 Must-have architektury systemowej Źródła danych Agregowanie danych Analityka + Data science Komunikacja (atrybucja) Raportowanie 1st party data Dana transakcyjne 2nd party data Dane z kampanii 3rd party data Dane zewnętrzne DMP (Data Management Platform) Silos do zbierania danych ze wszystkich źródeł Wewnętrzne systemy do zbierania danych Marketing Database, CRM Łączenie danych Segmentacja Predykcja Media paid DSP (Demand Side Platform) Social Media owned (strona, newsletter, SMS, MA, aplikacje) Dashboard one page

77 Analityka i działanie real-time REALIZACJA PRZYCHÓD Personalizacja Lepsze targetowanie niezależnie od kanału Dane Wnioski Strategia Odpowiadanie na potrzeby Poprawa efektywności atrybucji Bieżące dostosywanie produktów Zaangażowanie użytkownika na każdym etapie ścieżki konwersji Lepsze doświadczenie klienta Większa satysfakcja klienta Lojalizacja kllienta Marketing Automation LTV Optymalizacja Wzrost sprzedaży

78 Opowiedzieliśmy Wam o: 1. Analityka opisowa 2. Analityka diagnostyczna a. Customer Journey b. Modele atrybucji c. Mikrokonwersje 3. Analityka predykcyjna 4. Analityka preskryptywna 5. Big Data 6. Data Science 7. Dashboard Dziękujemy za uwagę!

79 Sprawdź nas w praktyce! bigdata@cubegroup.pl