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.
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. 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. 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. 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. 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. 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 %
16. Was kann ich pro Produktdaten-Kanal aktiv steuern?
> Mehr Automatisierung notwendig!
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
21. Lösung: Shopping-Struktur nach Marken vs. Generisch!
Etro Seidenbluse
Shoppingkampagne Negatives Gebote
hoch
Marken niedrigSeidenbluse
Brand
Generic
22. Performance-Gewinn durch Marken vs. Generisch
Etro Seidenbluse
Shoppingkampagne Negatives Gebote
hoch
Marken niedrigSeidenbluse
Brand
Generic
CPO -30%
ROAS +75%
23. Es geht noch besser: Neu vs. Wiederkehrer!
Marken
Brand
Generic
Marken
Brand_RLSA
Generic_RLSA
Wiederkehrer
Wiederkehrer
ausgeschlossen
Shoppingkampagne Negatives Zielgruppen
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%
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. 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. 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
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