cpx 2016 vortrag | automation-driven product-data marketing
TRANSCRIPT
Automation-Driven Product Data Marketing Herausforderungen & Lösungsansätze im High-Fashion Segment
Wer Wir Sind...
Seit 2010
25 Dev + 8 OM
Judith Rogl Senior SEA Manager
Seit 1842
22
Ralf Mager Head of Ecommerce
Team
Referent
Herausforderungen aus Händlersicht
-‐
Größenlauf
Farbe
Preis
Passform ?
Produktzugriffe: Besonderheit aus Usersicht
Zielseite = Detailseite
Speed
Optik ?
Inspiration, Erwartung
Versand?
Alternativen?
>> Entscheidung in 7 Sek: Bounce vs Non-Bounce
Herausforderungen aus Händlersicht
Artikelpflege
Artikelbilder
Saisonalität
Ausverkauf UX & Testing
Reporting
Pagespeed
Einkauf (-1,5J)
Fragmentierung der Produktdaten-Partner
> Notwendigkeit höherer Automatisierung in Steuerung
Jun-15 Jul-15 Aug-15 Sep-15 Oct-15 Nov-15 Dec-15 Jan-16 Feb-16 Mar-16 Apr-16 May-16
Google Shopping criteo stylight Ladenzeile stylefruits Fashionhype Other mybestbrands
Produktdaten-Partner ohne regionale Schwerpunkte
> Kein ausgeprägter Regio-Effekt oder Schwerpunkt
Jun-15 Jul-15 Aug-15 Sep-15 Oct-15 Nov-15 Dec-15 Jan-16 Feb-16 Mar-16 Apr-16 May-16
NRW, (Nie)Sa Bayern Other BW HH, BER Hessen Vienna RL-Pfalz (not set) Zurich
Google Shopping: Mobile als Traffictreiber
Notwendigkeit zur Reduzierung Cross-Device Thematik:
>> Login-Incentivierung, gehashte Email als URL-Parameter
Jun-15 Jul-15 Aug-15 Sep-15 Oct-15 Nov-15 Dec-15 Jan-16 Feb-16 Mar-16 Apr-16 May-16
tablet mobile desktop
Erstmals Mobile > Desktop
High Fashion – Große Warenkörbe – Mehr Komplexität
Conversion Rate
Stornoquote
Warenkorbwert
CPC Kosten Marge in % Customer Journey (Ø 9 Tage, 3 Klicks) In-Store-Effekte
Warenkorb-Crosseffekte
Datendifferenzierung auf Artikelebene Anreicherung mit Sekundärwerten
Retourenwertquote nach Warenkorbhöhe
„Mittlere“ Warenkörbe mit 200 – 1000€ haben eine höhere Retourenwertquote
0,0%
10,0%
20,0%
30,0%
40,0%
50,0%
60,0%
< 200 € 200 - 500 € 500 - 1000 € > 1000 €
Umsatzanteil in %
StoRet-Quote in %
n=16239 Orders
Kaufen User teurer ein als ihr Startartikel?
Warenkorb-Induktionseffekte pro Preisbereich >> „Streben zur Mitte“
Grundlage Produkttracking vs Warenkorbtracking
-80%
-60%
-40%
-20%
0%
20%
40%
60%
< 200 € 200 - 500 € 500 - 1000 € > 1000 €
Warenkorbeffekt Designer
Umsatzanteil in % Warenkorbeffekt in % n=1487 Orders n=6251 Orders
-80%
-60%
-40%
-20%
0%
20%
40%
60%
< 200 € 200 - 500 € 500 - 1000 € > 1000 €
Warenkorbeffekt Generisch
Umsatzanteil in % Warenkorbeffekt in %
Attributionseffekte pro Kanal berücksichtigen
Faktorimport Automatisiert oder manuell aktualisierter Faktor
Herausforderungen aus Performance-Marketing-Sicht
Best-Practices
Bestände Bestseller Saisonalität Retouren Margen...
Produkt-Data-Mgmt-Plattform
ü Flexible Anreicherung mit zusätzlichen Daten ü Shop-Unabhängige Zusammenführung ü Geringe Datenbankbelastung (2-8x pro Tag)
(Ein Masterfeed) vs. Datenbanknahe Teilfeeds
Alles beginnt mit den Produktdaten...
Prozesse/ Automatisierung
Datenanalyse
Daten Sammlung
Daten Anreicherung
Aber Produktdaten sind nicht alles...
Was kann ich pro Produktdaten-Kanal aktiv steuern?
> Mehr Automatisierung notwendig!
Shopping hat sich zum Vorjahr verdoppelt!
0%
2%
4%
6%
8%
10%
12%
14%
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr May
Umsatzanteil gesamt
0. Kampagnenstruktur
Problem: Shopping arbeitet wie Broad Match
Suchanfrage ROAS CPC Gebot
Seidenbluse Damen 1,48
Seidenbluse 1,20
Etro Bluse Seide 3,42
Etro Seidenbluse Damen 3,75
1 Produkt, 1 Gebot = Schlecht
0,70€ x
Brand
Generisch
1 Produkt = mehrere Gebote! ✔
Problem: Shopping arbeitet wie Broad Match
Suchanfrage ROAS CPC Gebot
Seidenbluse Damen 1,48
Seidenbluse 1,20
Etro Bluse Seide 3,42
Etro Seidenbluse Damen 3,75
x
Brand
Generisch
0,50€ x
1,20€
Lösung: Shopping-Struktur nach Marken vs. Generisch!
Etro Seidenbluse
Shoppingkampagne Negatives Gebote
hoch
Marken niedrig Seidenbluse
Brand
Generic
Performance-Gewinn durch Marken vs. Generisch
Etro Seidenbluse
Shoppingkampagne Negatives Gebote
hoch
Marken niedrig Seidenbluse
Brand
Generic
CPO -30% ROAS +75%
Es geht noch besser: Neu vs. Wiederkehrer!
Marken
Brand
Generic
Marken
Brand_RLSA
Generic_RLSA
Wiederkehrer
Wiederkehrer ausgeschlossen
Shoppingkampagne Negatives Zielgruppen
Performance-Gewinn durch Neu vs. Wiederkehrer
Shoppingkampagne Negatives Zielgruppen
Marken
Brand
Generic
Marken
Brand_RLSA
Generic_RLSA
Wiederkehrer
Wiederkehrer ausgeschlossen
CPO -30% ROAS +107%
1. Negative Keyword Management
Wie verwaltet man Negatives bei Shopping Generisch?
Brand
Negatives
Marken Generic
Keine manuelle Verwaltung!
AUTOMATISIERUNG!
Lösung: Negatives-Feed für Shopping Generisch!
Brand
Negatives
Marken Generic
Automatisierter Update einer Shared Libary von Markennamen
Feedtool
Herstellerfeed
2. Autoanlage von Produktzielen
Im Kampf gegen schlechte Shopping-Strukturen
Keine Marke/Kategorie 20k Productgroups Limit
ALLE: Manuelle Strukturpflege Risiko „Alles andere“
Split by ID Split by Brand > Categ > ID Split by Brand > Categ > ID (Marke = Adgroup)
20k Limit
Lösung: ID-Produktziele automatisiert anlegen!
Keine Marke/Kategorie 20k Productgroups Limit
Split by ID Split by Brand > Categ > ID Split by Brand > Categ > ID (Marke = Adgroup)
20k Limit
AUTOMATISIERUNG!
(per Skript, API)
Lösung: ID-Produktziele automatisiert anlegen!
Automatisiertes Anlegen neuer Marken/Produkte; Neue Marke = Neue Adgroup ü Produktindividuelle Gebote ü Keine manuelle Strukturpflege ü Keine Artikel in „Alles andere“
Feedtool
Produktfeed
Productgroup Automation Skript
CPO -9% CPC -12% ROAS +13%
Performance-Gewinn durch Produktziel-Automatisierung
Productgroup Automation Skript
Zeitersparnis durch Produktziel-Automatisierung
+ Zeitersparnis! (3-‐4h/Monat)
Productgroup Automation Skript
3. Ausschluss von Kostenfressern
Medienfokus z.B. #lugnersakko ID-Filter
Kleinpreis-Artikel
Preisfilter ROI-Skript
x
✔
Sonderfälle & typische Kostenfresser
Runway Artikel
Preisfilter Infos per Overlay
Sale-Artikel & Randgrößen
Inventory-Score Randgrößenausschluss
✔ ✔ ✔
Ausschluss von Kostenfressern: Sinnvolle Daten
ZIEL: Produktgenaue MaxKosten Festlegung ROAS-Grundlage: Umsatz (* Ret%) (* Marge%) (*Attribution%) Labelfaktor für Gewichtung z.B. Saison
Whitelistmöglichkeit Zeitfenster: 30 – 60 Tage > Saisonalitätswechsel >> Wenn möglich, Steuerung über Gebot
Wichtige Fragen beim Kostenfresser-Ausschluss
Product ID Cost Clicks Revenue ROAS ItemType Price AvgQt
Expect Rev
Expected ROAS ROAS-Action
1463941 408 € 825 789 € 0,93 SingleQt 234 € 1 1024 € 1,5 exclude | ROAS-Low
1502341 295 € 961 306 € 0,04 SingleQt 99 € 1,2 406 € 0,37 exclude | ROAS-Low
1519219 249 € 587 802 € 2,22 SingleQt 134 € 1,2 936 € 2,75 keep | ROAS-Mid 1550858 239 € 475 714 € 1,98 SingleQt 213 € 1 928 € 2,87 keep | ROAS-Mid
1. Produktumsatz vs. Warenkorb? Warenkorbeffekte?
>> Erwarteter Umsatz
2. Welche ROAS-Grundlage?
3. Häufige Mehrstückkäufe?
4. Umsatzdiskontierung mit Warenkorbeffekt?
Retourenintegration – Die Pflicht nach dem Sale
Feedtool
Retourenfeed
(ERP / DMP)
Middleware
Ar?kel-‐ID Sales Stückumsatz Ret/Storno Stornoquote
00567046-‐001 3 139,95 1 33%
00560025-‐001 1 249 0 0%
00519047-‐049 2 69,95 2 100%
1. Aggregation
2. Ausreißer-Selektion
• Mittelwertnormierung • Signifikanzprüfung
(Direkt)
5 Learnings zum Mitnehmen
1. Separate Shopping-Kampagnen für Brand/Gen/RLSA
2. Feedbasierte Negative-Steuerung
3. Aktualisierung & Bidding auf ProduktID-Ebene
4. Produktindividueller Kostenfresser-Ausschluss
5. Retourendaten-Normierung zur Ausreißer-Selektion
x
DANKE!
Ralf Mager
lodenfrey.com
facebook.com/LODENFREY
Judith Rogl
noriskshop.de
facebook.com/noriskshop