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
Refe...
Herausforderungen aus Händlersicht
-­‐	
  
Größenlauf
Farbe
Preis
Passform ?
Produktzugriffe: Besonderheit aus Usersicht
Zielseite = Detailseite
Speed
Optik ...
Herausforderungen aus Händlersicht
Artikelpflege
Artikelbilder
Saisonalität
Ausverkauf UX & Testing
Reporting
Pagespeed
Ein...
Fragmentierung der Produktdaten-Partner
> Notwendigkeit höherer Automatisierung in Steuerung
Jun-15 Jul-15 Aug-15 Sep-15 O...
Produktdaten-Partner ohne regionale Schwerpunkte
> Kein ausgeprägter Regio-Effekt oder Schwerpunkt
Jun-15 Jul-15 Aug-15 Se...
Google Shopping: Mobile als Traffictreiber
Notwendigkeit zur Reduzierung Cross-Device Thematik:
>> Login-Incentivierung, ge...
High Fashion – Große Warenkörbe – Mehr Komplexität
Conversion Rate
Stornoquote
Warenkorbwert
CPC Kosten
Marge in %
Custome...
Retourenwertquote nach Warenkorbhöhe
„Mittlere“ Warenkörbe mit 200 – 1000€  haben eine höhere Retourenwertquote
0,0%
10,0%...
Kaufen User teurer ein als ihr Startartikel?
Warenkorb-Induktionseffekte pro Preisbereich >> „Streben zur Mitte“
Grundlage...
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...
Prozesse/
AutomatisierungDatenanalyse
	
  
	
  
	
  
	
  
Daten
Sammlung
Daten
Anreicherung
Aber Produktdaten sind nicht a...
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 F...
 
	
  
	
  
0. Kampagnenstruktur
Problem: Shopping arbeitet wie Broad Match
Suchanfrage ROAS CPC Gebot
Seidenbluse Damen 1,48
Seidenbluse 1,20
Etro Bluse S...
1 Produkt = mehrere Gebote! ✔
Problem: Shopping arbeitet wie Broad Match
Suchanfrage ROAS CPC Gebot
Seidenbluse Damen 1,48...
Lösung: Shopping-Struktur nach Marken vs. Generisch!
Etro Seidenbluse
Shoppingkampagne Negatives Gebote
hoch
Marken niedri...
Performance-Gewinn durch Marken vs. Generisch
Etro Seidenbluse
Shoppingkampagne Negatives Gebote
hoch
Marken niedrigSeiden...
Es geht noch besser: Neu vs. Wiederkehrer!
Marken
Brand
Generic
Marken
Brand_RLSA
Generic_RLSA
Wiederkehrer
Wiederkehrer
a...
Performance-Gewinn durch Neu vs. Wiederkehrer
Shoppingkampagne Negatives Zielgruppen
Marken
Brand
Generic
Marken
Brand_RLS...
1. Negative Keyword Management
	
  
	
  
	
  
Wie verwaltet man Negatives bei Shopping Generisch?
Brand
Negatives
MarkenGeneric
Keine manuelle Verwaltung!
AUTOMATISIERU...
Lösung: Negatives-Feed für Shopping Generisch!
Brand
Negatives
MarkenGeneric
Automatisierter Update einer
Shared Libary vo...
2. Autoanlage von Produktzielen
	
  
	
  
	
  
Im Kampf gegen schlechte Shopping-Strukturen
Keine Marke/Kategorie
20k Productgroups Limit
ALLE: Manuelle Strukturpflege
Ri...
Lösung: ID-Produktziele automatisiert anlegen!
Keine Marke/Kategorie
20k Productgroups Limit
Split by ID Split by Brand > ...
Lösung: ID-Produktziele automatisiert anlegen!
Automatisiertes Anlegen neuer Marken/Produkte; Neue Marke = Neue Adgroup
ü...
CPO -9%
CPC -12%
ROAS +13%
Performance-Gewinn durch Produktziel-Automatisierung
Productgroup
Automation Skript
Zeitersparnis durch Produktziel-Automatisierung
+	
  Zeitersparnis!	
  	
  
(3-­‐4h/Monat)	
  
Productgroup
Automation Skr...
3. Ausschluss von Kostenfressern
	
  
	
  
	
  
Medienfokus
z.B. #lugnersakko
ID-Filter
Kleinpreis-Artikel
Preisfilter
ROI-Skript
✔	
  
Sonderfälle & typische Kostenfresse...
Ausschluss von Kostenfressern: Sinnvolle Daten
ZIEL: Produktgenaue MaxKosten
Festlegung ROAS-Grundlage:
Umsatz (* Ret%) (*...
Wichtige Fragen beim Kostenfresser-Ausschluss
Product
ID Cost Clicks Revenue ROAS ItemType Price AvgQt
Expect
Rev
Expected...
Retourenintegration – Die Pflicht nach dem Sale
Feedtool
Retourenfeed
(ERP / DMP)
Middleware
Ar?kel-­‐ID	
   Sales	
  Stück...
5 Learnings zum Mitnehmen
1.  Separate Shopping-Kampagnen für Brand/Gen/RLSA
2.  Feedbasierte Negative-Steuerung
3.  Aktua...
DANKE!
Ralf Mager
r.mager@lodenfrey.com
lodenfrey.com
facebook.com/LODENFREY
Judith Rogl
jrogl@noriskshop.de
noriskshop.de...
Nächste SlideShare
Wird geladen in …5
×

CPX 2016 Vortrag | Automation-Driven Product-Data Marketing

110 Aufrufe

Veröffentlicht am

In diesem Vortrag von Judith Rogl und Ralf Mager (LODENFREY) geht es um Herausforderungen der Produkdatenvermarktung im High-Fashion Bereich, sowie Lösungsansätze der Automatisierung für eine erfolgreichere Steuerung.

Veröffentlicht in: Präsentationen & Vorträge
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
110
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
3
Aktionen
Geteilt
0
Downloads
1
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

CPX 2016 Vortrag | Automation-Driven Product-Data Marketing

  1. 1. Automation-Driven Product Data Marketing Herausforderungen & Lösungsansätze im High-Fashion Segment
  2. 2. Wer Wir Sind... Seit 2010 25 Dev + 8 OM Judith Rogl Senior SEA Manager Seit 1842 22 Ralf Mager Head of Ecommerce Team Referent
  3. 3. Herausforderungen aus Händlersicht
  4. 4. -­‐   Größenlauf Farbe Preis Passform ? Produktzugriffe: Besonderheit aus Usersicht Zielseite = Detailseite Speed Optik ? Inspiration, Erwartung Versand? Alternativen? >> Entscheidung in 7 Sek: Bounce vs Non-Bounce
  5. 5. Herausforderungen aus Händlersicht Artikelpflege Artikelbilder Saisonalität Ausverkauf UX & Testing Reporting Pagespeed Einkauf (-1,5J)
  6. 6. 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
  7. 7. 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
  8. 8. 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
  9. 9. 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
  10. 10. 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
  11. 11. 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 %
  12. 12. Attributionseffekte pro Kanal berücksichtigen Faktorimport Automatisiert oder manuell aktualisierter Faktor
  13. 13. Herausforderungen aus Performance-Marketing-Sicht Best-Practices
  14. 14. 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...
  15. 15. Prozesse/ AutomatisierungDatenanalyse         Daten Sammlung Daten Anreicherung Aber Produktdaten sind nicht alles...
  16. 16. Was kann ich pro Produktdaten-Kanal aktiv steuern? > Mehr Automatisierung notwendig!
  17. 17. 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
  18. 18.       0. Kampagnenstruktur
  19. 19. 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€   Brand Generisch
  20. 20. 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 Brand Generisch 0,50€   1,20€  
  21. 21. Lösung: Shopping-Struktur nach Marken vs. Generisch! Etro Seidenbluse Shoppingkampagne Negatives Gebote hoch Marken niedrigSeidenbluse Brand Generic
  22. 22. Performance-Gewinn durch Marken vs. Generisch Etro Seidenbluse Shoppingkampagne Negatives Gebote hoch Marken niedrigSeidenbluse Brand Generic CPO -30% ROAS +75%
  23. 23. Es geht noch besser: Neu vs. Wiederkehrer! Marken Brand Generic Marken Brand_RLSA Generic_RLSA Wiederkehrer Wiederkehrer ausgeschlossen Shoppingkampagne Negatives Zielgruppen
  24. 24. Performance-Gewinn durch Neu vs. Wiederkehrer Shoppingkampagne Negatives Zielgruppen Marken Brand Generic Marken Brand_RLSA Generic_RLSA Wiederkehrer Wiederkehrer ausgeschlossen CPO -30% ROAS +107%
  25. 25. 1. Negative Keyword Management      
  26. 26. Wie verwaltet man Negatives bei Shopping Generisch? Brand Negatives MarkenGeneric Keine manuelle Verwaltung! AUTOMATISIERUNG!
  27. 27. Lösung: Negatives-Feed für Shopping Generisch! Brand Negatives MarkenGeneric Automatisierter Update einer Shared Libary von Markennamen Feedtool Herstellerfeed
  28. 28. 2. Autoanlage von Produktzielen      
  29. 29. 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
  30. 30. 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)
  31. 31. 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
  32. 32. CPO -9% CPC -12% ROAS +13% Performance-Gewinn durch Produktziel-Automatisierung Productgroup Automation Skript
  33. 33. Zeitersparnis durch Produktziel-Automatisierung +  Zeitersparnis!     (3-­‐4h/Monat)   Productgroup Automation Skript
  34. 34. 3. Ausschluss von Kostenfressern      
  35. 35. Medienfokus z.B. #lugnersakko ID-Filter Kleinpreis-Artikel Preisfilter ROI-Skript ✔   Sonderfälle & typische Kostenfresser Runway Artikel Preisfilter Infos per Overlay Sale-Artikel & Randgrößen Inventory-Score Randgrößenausschluss ✔   ✔  ✔  
  36. 36. 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
  37. 37. 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?
  38. 38. 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)
  39. 39. 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  
  40. 40. DANKE! Ralf Mager r.mager@lodenfrey.com lodenfrey.com facebook.com/LODENFREY Judith Rogl jrogl@noriskshop.de noriskshop.de facebook.com/noriskshop

×