Skąd pomysł na własny system monitorowania ROI?

Autor: Jakub Bąkała

FormUp Data

W dużym skrócie – FormUp Data daje nam dokładniejsze dane i lepszy wgląd w rzeczywistą efektywność prowadzonych działań. Przy okazji pozwala analitykom w większym stopniu skupić się na analizie danych niż na samym opracowywaniu raportów, co także przekłada się na wzrost efektywności.

W FormUp zawsze stawialiśmy sobie wysoko poprzeczkę w zakresie prowadzenia kampanii online. Odpowiedni dobór wszystkich parametrów kampanii był kluczowy dla realizacji celów klienta i sukcesu rynkowego agencji. Jedną z innowacji, które wprowadziliśmy w nasze działania, było połączenie danych mediowych z realną sprzedażą klienta pobieraną z wewnętrznych systemów typu CRM.

To rozwiązanie umożliwiło pełniejszą optymalizację działań:

  • W przypadku kampanii leadowych pozwoliło nam na optymalizację nie tyle pod leada lub „leada zwalidowanego” a pod finalny efekt, jakim jest zamknięta sprzedaż. Tym samym analiza została uzupełniona o kaloryczność pozyskiwanych leadów (rozumianą jako prawdopodobieństwo domknięcia pozyskanego kontaktu) oraz ROI.
  • Kampanie e-commerce z reguły pozwalają na wygodniejsze łączenie sprzedaży z danymi mediowymi za pomocą Google Analytics, lecz i tutaj wkradają się poważne błędy pomiaru. Często nieuwzględniane są zwroty oraz marżowość produktów. Kampanie optymalizowane są pod samo „zdarzenie konwersji” lub w lepszym wypadku pod błędnie obliczony zwrot z wydatków reklamowych (ROAS). Wykorzystując realną sprzedaż, uzyskujemy dokładniejsze dane, a zatem możemy podejmować lepsze decyzje w zakresie optymalizacji.

Nasza metoda rozwijała się. Z czasem uzupełniona została o kolejne wymiary analizy. Głębsza granulacja zwiększyła zakres danych i ilość pracy niezbędnej do prawidłowego opracowania raportów. Stąd decyzja o ujednoliceniu metody analitycznej i opracowaniu systemu monitorowania ROI opartego na BigQuery. Umożliwiło nam to wprowadzenie kolejnych rozwiązań – m.in. autorską metodę porównywania całych lejków konwersji oraz analizę Customer Lifetime Value.

Wzór raportu

Oczywiście praca nad systemem nie została zakończona. Kolejne kroki to pogłębiona analiza atrybucji konwersji, analiza ścieżek decyzyjnych użytkowników w kontekście aktywności w obrębie witryny oraz wykorzystanie Machine Learning’u jako wsparcia w predykcjach i alokacji budżetów.

Zainteresowany współpracą?

Napisz do nas!

Skontaktuj się z nami



Ta strona korzysta z plików cookies. Klikając "Akceptuj" zgadzasz się z naszą Polityką prywatności.