Jak vyhodnocovat efektivitu kanálů u projektů prodávajících vlastní produkty online i v retailu. Ukáži vám různé přístupy s konkrétními příklady vyhodnocování v GA a v reklamních platformách, kombinování a využití blended metrik napříč celým byznysem.

1. 1
9. 6. 2022
PPC Date Taste
Tomáš Komárek
Vyhodnocování kanálů tvořících
poptávku
Jak vyhodnocovat efektivitu kanálů
u projektů prodávajících vlastní
produkty online i v retailu.

2. Typický usecase
- Nejvýkonnější kanály vytěžené
- Tlak na profitabilní škálování
- Delší konverzní cesta
(dražší, NEimpulzivní nákup)
- Málo hledaný produkt/kategorie
(nový inovativní produkt)
- Vyhodnocování bez složité analytiky

3. Můj vývoj
3
GA + Martketingové
platformy
Různé atribuce a vzájemné porovnávání dat
Interní data klientů
Vyhodnocování inkrementálního
přínosu
Párování s client_id nebo pomocí ;mestapů
Blended metriky napříč celým projektem
Metodika škálování s více kanály
Vnímání marketingových kanálů v rámci celého byznysu

4. 1: Kterému systému věřit
- Extrémní rozdíly mezi GA (last-click) vs FB (7days click + 1 day view)

5. 1: Které atribuci věřit
- Porovnání více atribučních oken v rámci FB Ads
- i 1 den po prokliku z FB výrazně nesedí oproti GA datům
Supermetrics conversion window settings

6. 1: FB těžko dotrekovatelný v GA
- Efekt Facebook tržeb není v GA ani při přepnutí atribuce
Ani GA4 s first touch / data-driven atribucí nás nezachrání :(
“

7. 1: Každému jiným metrem
- Reportovat více atribučních dat
- Různé „intuitivní” vyhodnocování podle cílení
- Retargeting – FB 1 day after click
- MOF – FB 7 days after click
- TOF – FB 7 days after click + 1 day after view
- Platformová data hlavně pro vyhodnocování kreativ a textů
Dobré vodítko: formulář „Jak jste se o nás dozvěděli” na konci objednávky
“

8. 2. krok
8
GA + Martketingové platformy
Různé atribuce a vzájemné porovnávání dat
Vyhodnocování inkrementálního
přínosu
Párování s client_id nebo pomocí ;mestapů
Blended metriky napříč celým projektem
Metodika škálování s více kanály
Vnímání marke;ngových kanálů v rámci celého byznysu
2: Interní data klientů

9. 2: Využití CRM
- Sběr emailu mimo nákup
(email = možnost doměření, že došlo
k nákupu později)
- Newsletter signup, chatbot, …
- Uložení informace o zdroji
návštěvnosti
Případně zpětně porovnat timestamp akce v
GA a v CRM
“

10. 2: Dopočítání prodejů
- Stejná akce (sběr emailu) jinak
následně konvertuje
- Očekávané prodeje, které vzniknou v
budoucnu.
Často pro Google non-brand search cílení na obsahové články (vysvětlení jiného přístupu
produktu, proč jsou důležité výhody, které alternativy nemají).
“

11. 3. krok
11
GA + Martketingové platformy
Různé atribuce a vzájemné porovnávání dat
Párování s client_id nebo pomocí ;mestapů
Blended metriky napříč celým projektem
Metodika škálování s více kanály
Vnímání marke;ngových kanálů v rámci celého byznysu
Interní data klientů
3: Vyhodnocování
inkrementálního přínosu

12. 3: Analýza inkrementality
Analýza v časových řadách
- Holdout testy (vynechání daného marketingového kanálu po delší dobu)
- Výrazné zvýšení investic do kanálu
Geoexperimenty
- Rozdělíte si srovnatelná území
- Holdout vs výrazné zvýšení inzerce jen na testovaná území
Produktový experiment
- Boost produktu, který se na webu moc neprodává, přes jeden kanál

13. 3: Analýza časové řady

14. 3: Causal Impact
- Statická knihovna do R od Google

15. 4. Krok
15
GA + Martketingové platformy
Různé atribuce a vzájemné porovnávání dat
Vyhodnocování inkrementálního
přínosu
Párování s client_id nebo pomocí ;mestapů
Metodika škálování s více kanály
Vnímání marke;ngových kanálů v rámci celého byznysu
Interní data klientů
4: Blended metriky napříč
celým projektem

16. 4: Blended metriky
- Vliv celkového marketingového spendu na tržby
- Přidání dat z retailu (Amazon - denně, Alza - měsíčně/kvartálně)
Přístup k odhadu budgetu pro co největší efekt na celkové tržby (∽profit)
CommonThread článek
“
Blended CPA = ∑Marketing cost ÷ ∑All Transactions

17. 4: Přehled napříč kanály
- Započítání všech nákladů
🔗
Návod, jak jsem podobný dashboard vytvářel pro Martinus
“

18. 4: Příklad dashboardu
- Rozpadnutí po kanálech vs celkové tržby

19. - Zlepšením konverzního poměru pomůžete všem kanálům
- Focus na messaging (ad copy + landing page)
- Diskuze o cenové politice
- User research
- Ne u všech projektů to funguje
Přeprodávající eshop - Budujete poptávku, ale produkt koupí jinde?
4: Změna mindsetu

20. - Reportujte data z několika zdrojů (GA vs platformy)
- Vyhodnocujte pro každou část funnelu jiným přístupem
- Pusťte se do experimentu: Využijte mezikroky v nákupní
cestě nebo test inkrementality
- Zaměřte se na celý mix kanálů a vliv na byznys. Blended
metriky pomůžou v řízení a prioritizace nejenom v propagaci.
Shrnutí

21. 21
TOMÁŠ KOMÁREK
DOTAZY
@komarekhk
linkedin.com/in/TomasKomarek
tomaskomarek.com

22. APPENDIX

23. Párování dat pomocí dat z GA a CRM

24. Využití CI i pro optimalizaci
- Vyhodnocení změny bidovací strategie v Google Ads

25. BONUS

26. Stažení RStudia
install.packages("Rcpp")
install.packages("devtools")
require(devtools)
devtools::install_github("google/CausalImpact")
require(CausalImpact)
Instalace CausalImpact

27. data <- read.csv("C:/Users/komar/Downloads/Sales.csv",
header=TRUE)
time.points <- seq.Date(as.Date("2021-05-28"), by = 1, length.out =
102)
data <- zoo(data, time.points)
head(data)
pre.period <- as.Date(c("2021-05-28", "2021-07-01"))
post.period <- as.Date(c("2021-07-02", "2021-07-28"))
Nahrání dat Jednoduché CSV s daty
K jakému datumu se
váže první hodnota
Počet řádků
Kalibrační období
Období po změně

28. impact <- CausalImpact(data, pre.period, post.period, alpha = 0.05,
model.args = list(nseasons = 7, season.duration = 1, niter=1000))
plot(impact)
summary(impact)
plot(impact$model$bsts.model, "coefficients")
Vyhodnocení
Sezonalita (7 dní v týdnu)
niter - počet MCMC
samples - pro lepší
přesnost odhadu (co by
se stalo, kdybychom
kampaň neměli)
Jakou přesnost
potřebujete (95%)
Vizualizace
Kontrola - jak se započítali prediktory do výpočtu