Use case
18 maart 2021
Channable-partner Semetis slaagde erin om de winst van zijn klant jaarlijks met 130% te verhogen dankzij feedoptimalisatie, de implementatie van versleutelde winstmargegegevens en volledige automatisering van zoekcampagnes.
Leestijd - 11 min
dmlightsis een internationale e-commercespeler op het gebied van verlichting en elektrische benodigdheden. Omdat het bedrijf wereldwijd actief is en meer dan 85.000 producten in meerdere talen heeft, is het een enorme klus om de prestatiecampagnes efficiënt te beheren.
Het raadpleegde daarom Semetis om hun belangrijkste doel te bereiken: 'meer winstgevende verkopen in verschillende Europese landen op een volledig geautomatiseerde manier terwijl we tijdsefficiënt blijven en het volledige assortiment producten aanbieden.'
dmlights had al ervaring met feed-based advertising om automatisch verschillende soorten zoekcampagnes te maken. Toch stuitte deze opzet op veel knelpunten:
Er waren veel middelen voor nodig: voor elk verschillende marketingscenario moest een nieuw type feed worden gegenereerd, dat was toegesneden op dat specifieke scenario. Deze feeds moesten dagelijks worden bijgewerkt door de servers, waardoor de infrastructuur elke ochtend onnodig werd belast.
Het was moeilijk om op te schalen: steeds als dmlights in een nieuw land wilde adverteren, moesten al die specifieke feedcombinaties opnieuw worden gemaakt en moest de uitgebreide campagnestructuur helemaal opnieuw worden opgezet. Het kon gemakkelijk weken duren voordat het bedrijf volledig actief was in een nieuw land.
Het was moeilijk om feedkenmerken aan te passen: aangezien er geen echte tool voor feedmanagement bestond om de verschillende feedelementen aan te passen, was het vrijwel onmogelijk om de boodschap dynamisch aan te passen. Dit betekende dat de campagne door de tijd heen nogal statisch bleef en dat gebruiksscenario's zoals tijdelijke promotieboodschappen moeilijk consistent in de accounts konden worden geïmplementeerd.
Bekijk hier onze video over de use case van Semetis en dmlights .
Wij van Semetis wilden de knelpunten in het ontwerp wegnemen. Daarom stelden we ons probleemoplossend vermogen op de proef: hoe kunnen we dit proces stroomlijnen en tegelijkertijd het rendement maximaliseren? Het eerste deel van het antwoord ligt bij feed-based advertising. We gebruikten Channable als onze tool voor feedmanagement. Daarmee konden we het volgende doen:
Instead of using a separate feed for each use case (I.e: mapping all the brand and collection names with their corresponding landing page), we started importing all the needed data for advertising directly from the product feed. As such dmlights could remove all redundant feeds from their servers, freeing up technical resources and decreasing the stress on their infrastructure.
However, having just one product feed per language/country remains expensive. Given the pricing model is set to a fee per SKU, and with around 85k SKUs per language and per country, the investment multiplied quickly as soon as we started to scale up (f.e. 2 feeds for Belgium, 3 feeds in Switzerland, and so it continues).
A feed analysis showed us that countries that share the same language, have an almost identical feed (Ie: BEFR vs FRFR). The main differentiator was the product price, as this changes for each country. So we found a solution by only picking one main feed per language, and gluing all the different country prices on top of it (see annex 1).
To give a clear example: when we added Switzerland, we didn’t have to create any extra feed (so no extra SKUs or tech fee) as we could just use the German and French language feed, which were already set up for Germany and France respectively, and select the Swiss pricing column for our campaigns. This allowed us to save around €5.000 per year in tech fees while maintaining the same use cases. This was a very important first iteration of the process to maximize ROI.
In de tweede stap schoonden we de productfeed op en stemden we deze verder af. Met het regelsysteem van Channable kun je de feed verrijken, filteren en optimaliseren om te voldoen aan de vereisten van de advertentiekanalen, zoals Google Ads, Facebook, Criteo en Amazon. Enkele nuttige voorbeelden zijn:
Promotiegegevens gebruiken om regels toe te passen die automatisch de boodschap van onze merken in de promotie veranderen. Denk daarbij aan: 'Scandinavische weken -20%' voor specifieke merken;
Prijsgegevens gebruiken om de juiste prijs in elk land te tonen, zonder dat je voor elk land een eigen feed nodig hebt;
Prestatiegegevens van onze platforms gebruiken in onze hoofdfeed, zoals de zoekvolumes per product (cfr: Zombie SKU's sectie later in dit geval) en de omzet per product, die kunnen worden gebruikt voor verdere segmentatie.
Omdat we de verschillende feeds in één tool voor feedmanagement stopten, konden deze regels eenvoudig worden gekopieerd en gedeeld tussen de verschillende landen. Hierdoor konden we stapsgewijs werken.
Door onze iteratieve aanpak hoefden we onze regels en de kwaliteit van onze feed na verloop van tijd alleen maar te verbeteren. Uiteindelijk slaagden we erin om de tijd die nodig is om in een nieuw land aan de slag te gaan terug te brengen tot slechts een paar uur. De tijd die werd bespaard was een tweede iteratie met een directe impact op het rendement.
In de derde en laatste stap richtten we ons op het activeren van onze feedgegevens. Om de impact te maximaliseren, zetten we verschillende kanalen in:
Google Automated Search Ads: De volledige Google Ads-accountstructuur werd opnieuw ontworpen en gebouwd op de tools voor feedmanagement. Zelfs responsieve zoekadvertenties, de nieuwste functie van Google Ads, zijn in bulk ontworpen vanuit Channable. Elke ochtend werd de accountstructuur (campagneontwerp, tekstadvertentie, zoekwoorden en aangepaste landingspagina's) bijgewerkt, waarbij rekening werd gehouden met de meest recente gegevens en huidige promoties (zie bijlage 2).
Google Smart Shopping: hier richten we ons op advertenties op productniveau. De opgeschoonde productfeed, die voor zoekadvertenties werd gebruikt, was eenvoudig schaalbaar voor display- en shopping-advertenties. Met Smart Shopping verschijnen we visueel met al onze producten die op voorraad zijn zodra gebruikers ernaar zoeken. De functie combineert de kracht van dynamische re-marketing van producten, om ook die gebruikers te 'achtervolgen' die het product in de volgende 7 dagen nog niet hebben gekocht.
Bing Ads: Omdat Bing nog steeds verantwoordelijk is voor 3% van al ons zoekverkeer, vonden we het een must om hier ook de nodige aandacht aan te besteden. Om efficiënt te blijven, maakten we een connector tussen Bing Ads en Google Ads. Channable werkt daardoor Google Ads bij, terwijl Google Ads dagelijks Bing Ads bijwerkt. Dat is enorm efficiënt.
Dynamische advertenties op Facebook: We wilden ook op sociale media aanwezig zijn met onze productfeed voor dynamische re-marketing van producten.
Dankzij deze derde stap konden we veel relevantere advertenties vertonen. Waar de eerste twee stappen gericht waren op het verlagen van de kosten om de ROAS te maximaliseren, is deze stap gericht op het verhogen van het rendement. Toch zagen we de kans om nog verder te gaan in de waardecreatie door onze gegevens naar het volgende niveau te brengen: van ROAS naar POAS (Profit on Ad Spend).
We hebben vandaag de dag grote hoeveelheden gegevens nodig om slimme biedingsalgoritmen effectief te voeden (bijvoorbeeld: conversiewaarden maximaliseren in Google). Deze slimme biedingsalgoritmen houden rekening met allerlei signalen om hoger te bieden op gebruikers met een grotere kans op conversie. Het zijn zwarte dozen die signalen zoals zoekgedrag, apparaatgebruik, publieksgroepen, tijdstip van de dag, websitebetrokkenheid, enz. verwerken om geavanceerde gebruikersprofielen te maken.
Onze geautomatiseerde campagnes waren een goed begin en leverden tonnen gegevens op.
Dankzij alle kwalitatieve, automatisch gegenereerde campagnes konden we een solide hoeveelheid inkomsten genereren tegen lagere onderhoudskosten.
Maar we waren niet tevreden met geautomatiseerde zoekcampagnes en slimme biedingen. Na enkele weken te hebben gedraaid, maten en analyseerden we de resultaten. We zagen dat deze opstelling gemakkelijk onze ROAS-doelstellingen haalt, maar vaak de populairdere merken naar voren schuift die wel in trek zijn, maar niet per se meer winst opleveren.
Als je in de digitale wereld hebt gewerkt, ken je de worsteling bij het vinden van een solide ROAS-doelstelling voor je campagne. Die worsteling is logisch als je erover nadenkt. Pure omzet betekent niets in termen van de gezondheid van een bedrijf. Het gaat om bijbehorende kostenstructuur. Ik zal het uitleggen: sommige merken zijn bekender en worden daarom vaker gezocht (bijvoorbeeld Philips). Het systeem heeft de neiging om te veel uit te geven aan deze merken wanneer ze ook veel inkomsten opleveren. Dat vertaalt zich in een hoge ROAS.
Toch is de winst op sommige van deze merken erg laag. Tijdens deze oefening ontdekten we dat we een volgende stap moesten zetten in onze automatiseringsstroom voor gegevensprestaties om onze omzet te transformeren in een winstmotor. Die ontbrekende schakel heette 'winstmargegegevens'.
We implementeerden daarom versleutelde winstmargegegevens op productniveau in onze dataLayer op de website. Vervolgens injecteerden we deze winstgegevens via Google Tag Manager in Google Ads, door een aparte winstconversie aan te maken (zie bijlage 3).
Door deze gegevens te versleutelen, konden concurrenten er onmogelijk misbruik van maken. We ontcijferen ze in ons Google Ads-platform, zodat de waarde kan worden gebruikt voor zowel rapportage als optimalisatie. Dankzij deze heilige gegevens, in combinatie met slimme biedingen en machine learning, konden we onze enorme reeks campagnes optimaliseren voor winstgevendheid.
Vanaf dit moment is onze winstmotor geïnstalleerd. We zagen goede resultaten. Natuurlijk analyseerden we onze gegevens weer. Dat bracht ons laatste probleem aan het licht: steeds als er een nieuw product werd toegevoegd of weer op voorraad kwam, werd dat vaak beperkt weergegeven. Dit is een valkuil van slimme biedingsstrategieën. Zodra de machine draait en het algoritme de meest succesvolle producten uitkiest die het naar voren schuift, wordt het voor nieuwkomers moeilijk om te vechten voor hun plek.
Uiteindelijk zal het Smart Shopping-algoritme ze wel opnemen. Vaak is dat echter met een zeer laag volume. Ook kan het enkele weken duren voordat het product wordt weergegeven. Om dit te compenseren, maakten we een geautomatiseerd rapport met behulp van een Google Ads-script dat de SKU's opslaat van alle producten waarop minder dan 1 keer is geklikt.
Deze lijst met SKU's werd vervolgens gedeeld met Channable, zodat de tool op al deze producten in de feed het label 'Zombie SKU' kon aanbrengen (zie bijlage 4).
Nu werd het gemakkelijk: we hoefden alleen maar een aparte Smart Shopping-campagne te maken die alleen de Zombie-SKU's bedient, om ze de exposure te geven die ze verdienen voordat de hoofdcampagne ze enkele weken later in overweging zou nemen.
De resultaten schoten omhoog. Vandaag hebben we een conversiemotor die zichzelf handhaaft op de belangrijkste maatstaf van North Star: winstgevendheid. Elke dag worden de prijzen en voorraden van alle producten bijgewerkt en nieuwe collecties en categorieën toegevoegd. Dat wordt allemaal binnen ons platform in bijna realtime aangepast in elk land waarin we actief zijn.
Merken die minder winstgevend zijn verdwijnen langzaam en maken zonder menselijke tussenkomst plaats voor eigen merken van dmlights. Bovendien krijgen nieuw toegevoegde producten dankzij de Zombie-SKU's ook een eerlijke kans om hun toegevoegde waarde te laten zien.
De cijfers spreken voor zich:
De Profit over Ad Spend (POAS) steeg met 70% op jaarbasis
De totale winst steeg met 130% op jaarbasis
Dit alles was mogelijk met technologie waarmee je slimmer kunt werken in plaats van harder. Hierdoor kunnen we nu onze middelen verschuiven van zware operaties naar taken die er echt toe doen: geavanceerde analyse en langetermijnstrategie.
Met deze casus toonden we het volgende aan:
De meerwaarde van tools: door alles uit Channable, onze tool voor feedmanagement en PPC-automatisering, te halen. Vermindering van al het handmatige werk bij het opzetten en onderhouden van campagnes.
De toegevoegde waarde van meten: door de juiste conversiemeting in te zetten om de populaire, minder winstgevende merken en de Zombie-SKU's te herkennen.
De meerwaarde van media-expertise: door onze eigen implementatie uit te dagen. We hebben niet stilgestaan.
Zoals we eerder lieten zien, zagen we drie grote mijlpalen die onze casus stap voor stap hebben verbeterd (en ons bovendien elk jaar € 5.000 aan technische kosten besparen). Dit alles bereiken we door onze gegevens nauwlettend te volgen en samen met onze klant de juiste beslissingen te nemen. De resultaten bewijzen dat: we boekten hogere volumes (winst) en betere kwaliteit (POAS).
We zijn constant bezig Channable nog beter te maken en we willen graag met je delen wat de nieuwste ontwikkelingen zijn!