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

r.mager@lodenfrey.com

lodenfrey.com

facebook.com/LODENFREY

Judith Rogl

jrogl@noriskshop.de

noriskshop.de

facebook.com/noriskshop