Historia pewnego sklepu ecommerce
Optymalizacja feedu produktowego – czym jest?
Optymalizacja feedu produktowego – jak do niej podejść?
Optymalizacja feedu produktowego a scoring produktowy
Optymalizacja feedu produktowego – korzyści
Podsumowanie
W tym wpisie opisuję historię naszego klienta, międzynarodowego sklepu internetowego z branży fashion, działającego na ośmiu rynkach Europy Środkowej i Wschodniej. Aby pokazać skalę tego e-commerce’u, warto wspomnieć, że w swoim portfolio ma około 15 tysięcy unikalnych produktów.
Nasz klient w pewnym momencie zorientował się, że ma problem ze swoim marketingiem. Inwestycje w marketing nie zawsze przekładają się bezpośrednio na wzrost przychodów generowanych przez wydatki na media. Problem tkwił w zarządzaniu produktami. Wśród 15 tys. produktów sprzedawanych na ośmiu rynkach, stany magazynowe zmieniały się bardzo szybko. Codziennie 100 produktów trafiało do magazynu i 100 opuszczało go.
Taka sytuacja stwarza wyzwanie w zarządzaniu feedem produktowym. Szybko rotujące produkty są ciągle prezentowane w feedzie, co prowadzi do sytuacji, w której użytkownik, wchodząc na stronę danego produktu, nie znajduje go już dostępnego. W efekcie ponosimy koszty bez generowania przychodu. Kiedy pomnożymy sytuację przez wielkość klienta, który posiada 15 tys. produktów i działa na 8 rynkach, problem staje się niebanalny. Właśnie na tym etapie klient zwrócił się do nas o pomoc.
Optymalizacja feedu produktowego jest szeroko znana na rynku. Polega na zapewnieniu pełnych danych w feedzie produktowym, co obejmuje odpowiednie opisy, wysokiej jakości zdjęcia oraz właściwą kategoryzację. Wszystko to jest niezbędne dla systemów reklamowych, aby skutecznie kierować konkretne produkty do użytkowników.
Kluczowym elementem naszego podejścia było wzbogacenie feedu produktowego o scoring. Scoring umożliwił wzniesienie kampani marketingowych na wyższy poziom i opierał się na trzech elementach: źródła danych, proces ich budowy oraz finalny produkt.
Pierwszym elementem w naszych działaniach były źródła danych, które obejmowały bazę danych CMS z informacjami produktowymi, dane o zachowaniu użytkowników na produktach pochodzące z Google Analytics 4 oraz dane o kampaniach i ich kosztach uzyskane z Google Ads. Aby sprowadzić te dane do wspólnego mianownika pod względem waluty, skorzystaliśmy z zewnętrznego narzędzia oraz aplikacji do pozyskiwania kursów walut.
Kolejnym etapem był proces budowy. W głównej mierze opieraliśmy się na narzędziach oferowanych przez Google Cloud Platform, ze szczególnym uwzględnieniem Google BigQuery. Wykorzystaliśmy również Google Storage oraz Cloud Functions, co zostanie szczegółowo opisane w dalszej części wpisu.
Ciekawym use casem jest proces związany z pozyskiwaniem danych z bazy wewnętrznej. W pierwszym kroku zdobywamy informacje, które pozwalają na budowanie feedu produktowego. Szczególnie istotne są tutaj metryki takie jak dostępność danego produktu oraz liczba jego wariantów, które umożliwiają obliczanie dodatkowych wskaźników. Ten proces został zrealizowany dzięki natywnej integracji z Google BigQuery, co umożliwiał nasz system wewnętrzny.
W przypadku, gdyby to nie było możliwe, skorzystalibyśmy z Cloud Functions, jak zrobiliśmy przy kursie wymiany walut. Dzięki Google Analytics 4 uzyskaliśmy dane o zachowaniach użytkowników dotyczących produktów. Dane te obejmują liczbę wyświetleń, szczegóły dotyczące dodania do koszyka, procesy checkout oraz zakupy poszczególnych produktów.
Nie jest zaskoczeniem, że pozyskaliśmy te informacje dzięki natywnej integracji Google Analytics 4 z BigQuery. W analizie kampanii Google Ads skorzystaliśmy z danych dotyczących kosztów, wykorzystując Apps Script do zagregowania specyficznych danych. Obecnie prawdopodobnie używalibyśmy natywnej integracji BigQuery w ramach transferu danych, aby pobierać szczegółowe informacje z Google Ads. Było konieczne zintegrowanie danych z ośmiu rynków w ramach jednego zbioru, dlatego zastosowaliśmy open source skrypt z GitHub. Dzięki API i Cloud Functions wprowadziliśmy to rozwiązanie w Google BigQuery.
Dodatkowym elementem analizy była możliwość zarządzania scoringiem. Wykorzystaliśmy wewnętrzne narzędzie, aby nałożyć na dane dodatkowe informacje biznesowe. Nie wszystkie informacje są bowiem bezpośrednio zawarte w danych. Na przykład, wydarzenia związane z pogodą czy sezonowość, takie jak sezon narciarski, mogą wpływać na analizę danych. Sezon narciarski występuje co roku, lecz jego dokładny czas zależy od warunków atmosferycznych. Choć takie dane można pozyskiwać, ich pełne wykorzystanie wymaga ustrukturyzowania i zintegrowania między systemami. W tym kontekście, człowiek nadal odgrywa kluczową rolę, dodając perspektywę biznesową.
W naszym przypadku wszystkie dane ze wszystkich systemów były połączone za pomocą identyfikatora produktu, który pochodził z tego samego źródła, czyli SKU. Po zebraniu danych przeszliśmy do procesu transformacji. W pierwszej kolejności oczyściliśmy dane z odchyleń i obliczyliśmy nowe metryki, takie jak współczynniki konwersji.
Szczególną uwagę zwróciliśmy na dane z Google Analytics 4, gdzie analizowaliśmy zaangażowanie na produktach jako liczbę dodanych do koszyka w porównaniu do wyświetleń produktu oraz liczbę zakupów w odniesieniu do liczby rozpoczętych procesów checkout z danym produktem. Założono, że wyższe wartości tych metryk wskazują na pozytywny wpływ na wyniki biznesowe.
Obliczyliśmy metrykę ERS, oznaczającą Effective Revenue Spent lub Effective Revenue Share. Wskazuje ona, jaki jest udział kosztu pozyskania ruchu w przychodzie z danego produktu, czyli ile kosztuje nas generowanie przychodu z tego produktu. Metryka ta jest odwrotnie proporcjonalna — im niższa, tym lepiej — co wpływa na wartość scoringu.
Przeprowadziliśmy również normalizację danych, aby sprowadzić metryki do odpowiednich zakresów. Dzięki temu, ich wpływ na ostateczny scoring nie jest ani zbyt mocny, ani zbyt słaby. Wykorzystaliśmy także metodę, którą nazywam Reverse Time Decay. W finansach Time Decay odnosi się do dyskontowania przyszłych przepływów finansowych do dnia dzisiejszego. Reverse Time Decay działa odwrotnie — zmniejsza wpływ danych historycznych na bieżący scoring.
Ponieważ analizowaliśmy dane z ostatnich 90 dni, zależało nam na tym, aby informacje sprzed trzech miesięcy miały mniejszy wpływ na scoring niż te sprzed tygodnia. Aby przeprowadzić dekompozycję, wykorzystaliśmy funkcję arcus tangens. Z różnych testów wynika, że spadek i zagięcie są dobrze odzwierciedlone przez tę funkcję, co uczyniło ją najlepszym wyborem. Próbowaliśmy różnych innych metod, ale to rozwiązanie okazało się najskuteczniejsze. Może to być również dla Ciebie wskazówka.
Po przetłumaczeniu i przetransformowaniu wszystkich danych, wprowadziliśmy je do jednego zbioru, gdzie obliczyliśmy nasz scoring. Ważne jest, że scoring stanowi wypadkową danych z różnych źródeł, takich jak zaangażowanie, dostępność i dotychczasowe kampanie dotyczące danych produktów.
Scoring został wykorzystany w naszym produkcie, który można porównać do zbroi Ironmana. W tym przypadku scoring pełni rolę reaktora łukowego, czyniącego zbroję efektywnym narzędziem w marketingu. Produktem, o którym mowa, były feedy produktowe zawierające element scoringu. Były one udostępniane na Facebooku oraz w Google Merchant Center, a następnie wykorzystywane w Google Ads.
W kontekście Facebooka podzieliliśmy feedy na główny (primary) i dodatkowy (supplementary). Taka strategia pozwoliła na zabezpieczenie się przed ewentualnymi błędami w scoringu. Gdyby wystąpiły problemy z dostarczeniem scoringu do głównego feedu, jego konstrukcja mogłaby być zagrożona. Dzięki podziałowi feedów ryzyko to zostało zminimalizowane. Istniały dwa rodzaje danych: podstawowe, które nie zawierały scoringu, oraz uzupełniające, które miały jedynie ID produktu i scoring. Dane te były łączone, a Facebook wykorzystywał je poprzez powiązanie z ID produktu. Przekazywanie danych odbywało się za pomocą Google Storage.
Następnie scoring produktowy został wykorzystany do wewnętrznego merchandisingu w kontekście kampanii Marketing Automation oraz do sortowania produktów na listingach. Ostatnim elementem tego procesu była wizualizacja danych. Pozwalała ona kontrolować, czy scoringi są prawidłowo przypisane do produktów oraz czy kampanie odpowiednio na nie reagują.
W kontekście operacyjnego działania w marketingu osiągnęliśmy bardzo pozytywne rezultaty. Przede wszystkim wdrożono dynamiczne promocje, które eliminowały sytuacje, w których w feedzie produktowym były prezentowane produkty niedostępne. Dzięki zastosowaniu zaawansowanej analizy danych, byliśmy w stanie nadawać wyższe priorytety produktom, które lepiej się sprzedawały. Miały one większe prawdopodobieństwo zakupu, co wynikało z analizy zachowań użytkowników na stronie. Ułatwiło to zarządzanie zniżkami oraz samym magazynem. Dzięki scoringowi efektywnie dobieraliśmy zniżki i sprawnie zarządzaliśmy stanami magazynowymi.
Kolejny element produktu opartego na danych służył do optymalizacji komunikacji z użytkownikami poprzez newslettery oraz Marketing Automation. Dzięki temu mogliśmy proponować produkty z większym prawdopodobieństwem zakupu. Sortowanie listingów dla odwiedzających bazowało na zachowaniach innych użytkowników, co zwiększało szanse sprzedaży.
Element wizualizacji pełnił tutaj funkcję kontrolną. Pozwalał śledzić, czy produkty są odpowiednio przyporządkowane do poszczególnych scoringów oraz czy systemy reklamowe reagują zgodnie z danymi.
Optymalizacja feedu produktowego to bardzo skuteczne narzędziem w walce z nieefektywnością marketingu. Jest to jednak temat dosyć złożony i skomplikowany. Ze swojego doświadczenia wiemy jednak, że praca nad optymalizcją feedu produktowego przynosi wymierne efekty w kontekście skuteczności działań marketingowych.
Tagi:
Historie sukcesów
Ostatnie wpisy na blogu
