Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

CPX 2016 Vortrag | Automation-Driven Product-Data Marketing

318 views

Published on

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.

  • Be the first to comment

  • Be the first to like this

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

×