7. Kupuje On-line
Źródło: Gemius e-commerce w Polsce 2016
Wartość rynku e-commerce w Polsce (mld zł)
Prognoza 2016 - 2020
25,8 mln
47%
w polskich sklepach
48%
Internautów
36,8 mld
64,5 mld
2016
2017
2018
2019
2020
Połowa polskich internautów kupuje online
Znaczna większość w polskich sklepach generując coraz większą wartość rynku.
8. 8
% sesji % transakcji
5% Tablet 22% Mobile73% Desktop
5% Tablet 40% Mobile55% Desktop
Compass, 2016
Average CVR in e-commerce
AVG CVR of stores in the top 10%
overall organic
1.33% 1.18% 1.46%
direct Google Ads Facebook Ads emails
1.55% 1.56% 3.84%
3.65% 3.70% 3.98% 3.77% 2.49% 9.89%
Ruch przenosi się do kanału mobile, ale co z konwersją?
9. 9
Kategorie danych wykorzystywane w kampaniach
Źródło: IAB Polska, „Programmatic”, 2015
Kluczowe powody stosowania analityki danych
w przykładowych branżach
telekomunikacja
handel
ubezpieczenia
farmaceutyka
bankowość
Źródło: KMPG, dz. cyt.
redukcja kosztów wzrost sprzedaży
zwiększenie
produktywności
23% 17% 60%
7% 73% 20%
15% 25% 60%
14% 50% 36%
15% 27% 58%
Coraz większe znaczenie mają dane o użytkownikach…
11. świadomy
żyje online, ma doświadczenia
zakupowe w sieci, zna swoje
prawa i obowiązki sklepu,
multiplatformowy
korzysta z wielu urządzeń w
tym samym czasie w tym
samym lub różnych celach
wygodny
ceni intuicyjność i
komfort, oczekuje łatwej
nawigacji i czytelnej
ścieżki zakupowej
niecierpliwy
irytuje go niedopasowanie
wyników wyszukiwania i
contentu
otwarty i pragmatyczny
docenia i szybko adaptuje wszystko,
co może się przełożyć na poprawę
komfortu zakupów
Spełnienie potrzeb klienta e-commerce staje się coraz trudniejsze
13. Personalizacja
Reklamy mają trafiać do
tych klientów, którzy
faktycznie są/mogą być
zainteresowani ofertą
Wykorzystanie Big data
Personalizacja wymaga
dobrej znajomości
użytkownika – demografii,
preferencji, zachowania
Optymalizacja treści
Kluczowe staje się budowanie
przestrzeni ofertowej
marki/produktu –
w odpowiednich kanałach
i z odpowiednim przekazem
Modelowanie ścieżki klienta
Niezbędna jest analiza
i znajomość procesu
zakupowego.
Dlatego ważnymi trendami na rynku e-commerce stają się…
14. A w jaki sposób sklep może odpowiadać
na trendy rynkowe?
15. Targetuj reklamę w
oparciu o uzyskane
profile
Dobierz reklamę
kontekstowo, do
zawartości tematycznej
strony, sprawdź co
powinna zawierać Twoja
kreacja żeby skłonić do
zakupu
Optymalizuj kampanię
dostosowując ją do ścieżki
zakupowej klienta
wykorzystując
modelowanie atrybucji
.
Zbuduj profil swojego
użytkownika/ klienta,
dowiedz się jakie ma
zainteresowania,
demografię
Jeśli nie potrafisz, możemy do zrobić za Ciebie
A w jaki sposób sklep może odpowiadać na trendy rynkowe…
16. ???
Jeszcze 2 lata temu ponad 80% kampanii reklamowych e-commerce rozliczanych było w modelu Last Click.
Dziś ten trend się zmienia. Dlaczego?
Last Click
sprzedaż -CPS
konwersja - CPL
Ścieżka zakupowa internauty – o co chodzi z tym Last Click’iem
17. 17
Udział kanału w ruchu
Google CPC Google Organic
Retargeting
Mailingi własne Mailingi zewnętrzne
Direct Display
Źródła w ścieżce konwersji
Celem jest optymalna alokacja budżetu (lub oszczędność obecnych wydatków).
Dzięki analizie danych i modelowaniu atrybucji w oparciu o faktyczną wartość i
znaczenie poszczególnych źródeł ruchu.
Modelowanie Media-Mix
20. Treść, kategoria I adres URL czytanych artykułów
Odwiedzane domeny
Kategoria i nazwa produktów oraz zapytanie z wyszukiwarki
Kupione produkty
Czas spędzony na stronie / w Internecie oraz pora dnia
Typ i model urządzenia mobilnego lub komputera
Kategoria klikanych reklam vs. widziane reklamy
Płeć, wiek, miasto zamieszkania
Fizyczna lokalizacja użytkownika
…i wiele innych
Jakie dane można analizować?
21. WŁASNE DANE KLIENTA
1st PARTY
DODATKOWE DANE Z ZAUFANYCH ŹRÓDEŁ
2nd and 3rd PARTY
Ulubione tematy
(na bazie analizy
przeglądanych
treści i wpisywanych
zapytań)
• Zachowania
dzieci
• Przedszkole
• FitnessANNA, 26 lat, 2 dzieci
• Kobieta
• 25-40 lat
• Pracuje w
marketingu
• Zdrowie
dzieci
• Moda i uroda
• Urządzanie
wnętrz
• Turystyka
Aktualnie szuka
akcesoriów
turystycznych dla
dzieci w wielu do 2
lat (m.in. łóżeczka
turystyczne, lekkie
wózki spacerowe)
Dane o użytkowniku na podstawie raportu Audience
22. Netsprint Data Mining to unikalne narzędzie analityczne do skutecznego
budowania i monitorowania strategii komunikacji w wybranych
segmentach grupy celowej obejmujące:
• badanie przeprowadzanie w kontekście konkretnej branży/klienta
• analizę danych własnych (1st party) w powiązaniuz danymizewnętrznymi(3rd party)
• badanie powtarzalności cech i segmentów użytkowników
• kilkukrotnie szerszy zakres analizowanychdanych niż w badaniuAudience Report
• warsztat pogłębiający analizę z Data Scientist’em o wieloletnim doświadczeniu
Warsztaty Data Mining wzbogacą
dotychczasowe informację o użytkowniku o
jego zainteresowaniach, intencjach
zakupowych oraz stworzy persony
użytkowników. Ustalone persony będą służyć
do stworzenie look-alike użytkowników
Data Mining
23. CASUAL USER
„…aby podnieść poziom
hedonizmu na świecie!”
rower = relaks
blisko natury
lubię, jak podczas jazdy
świeci słońce
Wspólne spędzanie czasu
PROFESJONALISTA
„Życie jest za krótkie, żeby
przeciekło przez palce!”
pokonać siebie z wczoraj
rower = pasja
zmęczenie = endorfiny
samodoskonalenie
FIT & ACTIVE
„Za pieniądze możesz kupić dobry rower.
Ale za żądne pieniądze nie kupisz tego,
co później możesz przeżyć!”
na rowerze cały rok
czas tylko dla siebie
przemyśleć życie
odreagować stresy
natura jest częścią naszego życia
Dane o użytkowniku - Persony
24. Demografia
26 766 000
Kobiety (25-44) 11 666 000
Mężczyźni (25-44) 15 100 000
16 120 000 Sport
7 550 000 Turystyka
7 090 000 Sporty outdoorowe
6 890 000 Zdrowy tryb życia
1 530 000 Aktywny wypoczynek
410 000 Jazda na rowerze
Zainteresowania
39 590 800
1 560 000 Przygotowujący dietetyczne / fit dania
1 178 000 Leki i suplementy diety
129 000 Kupujący rower
117 000 Akcesoria i sprzęt turystyczny
106 000 Akcesoria dla sportowców, sprzęt sportowy, odzież
35 000 Produkty na promocji z kategorii sport i turystyka
12 000 Zdrowa żywność, odżywki dla sportowców
Intencje Zakupowe
3 137 000
Persony – przykład
25. 25
analizuj
i identyfikuj
segmentuj
i zarządzaj
targetuj
i personalizuj
angażuj
i konwertuj
RETENCJA
identyfikacja
nowych potrzeb
NOWI KLIENCI
• look-alike
• display i RTB
• content marketing
• email marketing
• retargeting
UPSELL
CROSS-SELL
pozyskanie
nowych klientów
SPRZEDAŻ
Netsprint
SPÓŁDZIELNIA
DANYCH
92 mln cookies
560profili mktg
Netsprint
AUDIENCE
REPORT
Netsprint
PRIVATE DMP
Dla
Klientów
POZOSTALI
internauci
w Polsce
internauci
WCHODZĄCY
NA STRONĘ
klienci w CRM
NIE KUPUJĄCY
klienci w CRM
KUPUJĄCY
Jak to działa?
26. Kampania z założonymi KPI’s realizowana w Target Grupie
Przygotowanie I sekwencja – II sekwencja - III sekwencja
kampania produktowa content marketing + feed remarketing
Persony
z Segmentacji
lub raport
Audience
Kampania z feedem
produktowym
Remarketing – video+ email remarketing
+look alike
Zbieranie ruchu– osoby, które
przeczytały artykuł
K
O
N
W
E
R
S
J
A
KANAŁ INICJUJĄCY KANAŁY WSPIERAJĄCE
Średnio 5-6 różnych
Jaki wpływ na konwersję ma
włączanie/ wyłączanie poszczególnych
kanałów komunikacji w ramach
danych grup profili?
Model PostClick
Post View
Okna czasowe
Media-Mix ścieżki konwersji
27. Zwiększenie wskaźnika konwersji
Wzrost ruchu w kanałach Organic / Direct
Zwiększenie liczby nowych klientów
Zwiększenie wskaźników zaangażowania na każdym etapie zakupowym poprzez:
Dlaczego ścieżka atrybucji?
• Dobór właściwej grupy docelowej – wiedza o użytkowniku (persony)
• Dobór komunikatu do aktualnego etapu ścieżki zakupowej
• Dobór właściwego kanału komunikacji
Dlaczego ścieżka atrybucji?
Efekt?
28. 1 zł kosztu = 24 zł przychodu
CR ok. 1% BR o 5%
Przychodów
ze sprzedaży
Analiza kampanii
Czas trwania
01.03.2017 – 30.04.2017
Przeprowadzone działania w ramach kampanii:
• Optymalizacja kreacji – dodanie części brandingowej
• Podpięcie narzędzia mierzącego do analizy statystyk
(w tym widoczność konwersji post click i post view)
• Analiza profili zainteresowań oraz intencji
zakupowych i pozostawienie tych, które przełożyły się
na najlepsze wyniki
• Wykluczanie domen, które miały najgorsze statystyki
jakościowe na podstawie analizy w Google Analytics
Efekty