Skaluj kampanie w oparciu o kompletne dane. Case study Rea

Branża klienta: armatura łazienkowa (producent)

Silnik sklepu: i-systems

 

Nie sposób prowadzić skutecznych i precyzyjnych działań reklamowych bez oparcia w wiarygodnych danych. Analizując ruch oraz zachowania użytkowników e-sklepu zdecydowanie łatwiej wycelować kampanię tak, by trafiła tam, gdzie chcemy i przyniosła skutki, jakich oczekujemy – a nieraz nawet przekraczające początkowe oczekiwania.  Tym razem dzielimy się z Wami tym, jak dla naszego klienta sprzedającego armaturę łazienkową i kuchenną przeskalowaliśmy kampanie 10-krotnie jeśli chodzi o koszt oraz 2,5-krotnie pod kątem skali rozumianej jako kliknięcia w reklamy. A wszystko dzięki uporządkowaniu i usystematyzowaniu zbieranych przez Google Analytics danych.

Poznaj REA

Rea to jedna z najbardziej rozpoznawalnych w Polsce marek w swojej branży. Obecna jest na rynku od 1993 roku. Oferuje ceramikę oraz armaturę łazienkową i kuchenną. Priorytetem firmy jest zadowolenie klienta, dlatego też proponuje produkty charakteryzujące się zarówno wysoką funkcjonalnością, jak i wpisujące się w najnowsze trendy wnętrzarskie. Klienci mogą także liczyć na profesjonalne doradztwo. Ofertę marki charakteryzuje kompleksowość oraz konkurencyjne ceny, co sprawia, że produkty Rea należą do najchętniej wybieranych. Firma posiada sieć punktów sprzedaży w całym kraju, współpracuje z wieloma hurtowniami i architektami, prowadzi także sklep internetowy. Obecnie Rea wchodzi na nowe rynki zagraniczne.

 

Problemy i rozwiązania

Problemy

Klient miał problemy z poprawnością zliczania jakichkolwiek danych za pomocą Google Analytics. Oto główne z nich: 

• Kampanie Google Ads nie rejestrowały sesji, natomiast wiedzieliśmy, że ruch z tych kampanii był kierowany na stronę dzięki kliknięciom z panelu Google Ads. W związku z brakiem analityki sesji niemożliwe było również analizowanie przychodów i liczby pozyskanych przez kampanię użytkowników – co z kolei uniemożliwiało analizę efektywności kampanii, a co za tym idzie – jej skalowanie. Ten sam problem dotyczył również kampanii retargetujących.

• Współczynnik konwersji z grupy (Other) w automatycznym grupowaniu kanałów wynosił 346%, co spowodowane było faktem, że klienci, którzy dokonywali zakupu przez Allegro kierowani byli na stronę lazienki-rea.pl, gdzie wybierali wariant produktu i tam kończyli transakcję.

• Brakowało modułu rozszerzonego e-commerce, który pozwala na dokładną analizę zachowań zakupowych użytkowników na stronie 

Rozwiązania

Podczas analizy problemów stwierdziliśmy, że jednym z głównych problemów był brak wdrożenia najnowszej wersji kodu śledzącego Google Analytics – gtag.js. Klient korzystał ze starszej wersji kodu – analytics.js. Naszą rekomendację migracji na nowszą wersję kodu potwierdził również support Google, który prosiliśmy o opinię przy diagnozie problemów, szczególnie, jeśli chodzi o brak zliczania sesji przy kampaniach PLA:

Dokonaliśmy więc migracji, która rozwiązała część problemów z analityką (poniżej znajdziesz dokumentację przygotowaną dla programistów  – instruującą jak wdrożyć najnowszą wersję kodu śledzącego wraz z modułem rozszerzonego e-commerce bezpośrednio w kodzie strony). 

Zdiagnozowaliśmy również ostatecznie problem z brakiem zliczania konwersji i sesji dla kampanii PLA – feed produktowy zawierał nieaktualne linki prowadzące do stron produktowych w serwisie. Linki te zostały przekierowane na stałe (przekierowanie 301) na nowe adresy produktów. W wyniku przekierowania klient trafiał na stronę docelową (stronę produktu), jednak zliczany był jako użytkownik wchodzący na stronę bezpośrednio (wpadał do źródła direct).

We współpracy z programistami udało się również wykluczyć ruch z Allegro, który zaburzał całą analitykę ruchu w serwisie (nie było możliwie wykluczenie tego ruchu na poziomie Google Analytics ze względu na fakt, że wdrożenie kodu śledzącego odbyło się bezpośrednio w kodzie strony).

Efekty / korzyści

• Wdrożenie poprawnej analityki dla kampanii Shoppingowych Google Ads pozwoliło na przeskalowanie kampanii pod kątem pozyskiwanego ruchu – ze względu na brak danych sprzedażowych w przeszłości niemożliwe było jakiekolwiek skalowanie kampanii – nie byliśmy w stanie określić jej efektywności.
  
  Ta zmiana wpłynęła znacząco na ilość przychodów generowanych przez sklep. Po wykluczenia grupy (Other) – zbierającej w przeszłości ruch generowany nieprawidłowo przez Allegro – sklep odnotował 76% wzrost przychodów i 84% wzrostu sesji. Większość nowego ruchu wygenerowana została przez kampanie Google Ads – zarówno przez kampanie w wyszukiwarce, jak i w sieci reklamowej, gdzie kierowane są kampanie retargetujące.

 

• Dzięki poprawnemu śledzeniu kampanii oraz wdrożeniu modułu rozszerzonego e-commerce (z którego danych korzystamy w przypadku targetowaniu grup do remarketingu) możliwe było zwiększenie skali działania kampanii remarketingowych. Rozwiązane zostały także problemy z feedem produktowym, co umożliwiło gromadzenie dokładnych danych analitycznych. Kampanie zostały przeskalowane 10-krotnie pod kątem ich skali rozumianej jako koszt i 2,5-krotnie pod kątem skali rozumianej jako kliknięcia w reklamy:

• Dostarczyliśmy klientowi nowych danych dzięki modułowi rozszerzonego e-commerce. To pozwoliło na podejmowanie bardziej trafnych decyzji marketingowych w kontekście całego sklepu. Możliwe było efektywne inwestowanie w nowe źródła ruchu, jak np. kampania SEO i zwiększenie skali kampanii w innych źródłach jak np. Skąpiec. Więcej o module rozszerzonego e-commerce przeczytasz [TUTAJ] https://sempai.pl/blog/ulepszony-e-commerce-wdroz-go-na-koncie-google-analytics-asap/ 

 

Podsumowując – poprawnie zebrane dane to dla marketera niezwykle ważny drogowskaz. Wskazują, w jaki sposób prowadzić kampanię tak, by jej efekty były jak największe przy jednoczesnym zminimalizowaniu kosztów. Aby zatem móc wyciągać budujące wnioski, które pomogą w prowadzeniu działań reklamowych, warto poświęcić czas na zaimplementowanie najnowszej wersji kodu śledzącego, zaktualizowanie linków w  feedzie produktowym, czy też wdrożenie modułu rozszerzonego e-commerce.