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.

1. Automation-Driven Product Data Marketing
Herausforderungen & Lösungsansätze im High-Fashion Segment

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. Herausforderungen aus Händlersicht

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. Herausforderungen aus Händlersicht
Artikelpflege
Artikelbilder
Saisonalität
Ausverkauf UX & Testing
Reporting
Pagespeed
Einkauf
(-1,5J)

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 %

12. Attributionseffekte pro Kanal berücksichtigen
Faktorimport Automatisiert oder manuell aktualisierter Faktor

13. Herausforderungen aus Performance-Marketing-Sicht
Best-Practices

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. Prozesse/
AutomatisierungDatenanalyse
Daten
Sammlung
Daten
Anreicherung
Aber Produktdaten sind nicht alles...

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

18.
0. Kampagnenstruktur

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. 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. 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%

25. 1. Negative Keyword Management

26. Wie verwaltet man Negatives bei Shopping Generisch?
Brand
Negatives
MarkenGeneric
Keine manuelle Verwaltung!
AUTOMATISIERUNG!

27. Lösung: Negatives-Feed für Shopping Generisch!
Brand
Negatives
MarkenGeneric
Automatisierter Update einer
Shared Libary von Markennamen
Feedtool
Herstellerfeed

28. 2. Autoanlage von Produktzielen

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

32. CPO -9%
CPC -12%
ROAS +13%
Performance-Gewinn durch Produktziel-Automatisierung
Productgroup
Automation Skript

33. Zeitersparnis durch Produktziel-Automatisierung
+
Zeitersparnis!
(3-­‐4h/Monat)
Productgroup
Automation Skript

34. 3. Ausschluss von Kostenfressern

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. 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. 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. 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. 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. DANKE!
Ralf Mager
r.mager@lodenfrey.com
lodenfrey.com
facebook.com/LODENFREY
Judith Rogl
jrogl@noriskshop.de
noriskshop.de
facebook.com/noriskshop