Google Smart Shopping: Hur gör SEA-specialister med de nya insikterna

När Google Smart Shopping introducerades efter vanliga Google Shopping så verkade man mer och mer glömma bort vilka insikter det finns. Automation betyder trots allt att allt blir mer maskindrivet och mindre kontroll och insikt än när du själv kör verksamheten.

Om du vill fortsätta kunna prestera optimalt och hålla dig ett steg före bland konkurrenterna så kommer SEA-specialister att behöva fokusera mer på andra element, som att fokusera på optimering som baseras på försäljning och insikter kring produkter.

I den här artikeln kommer jag att förklara hur du optimerar dina Google Smart Shopping-kampanjer. Beroende på ditt sortiment kan du justera ditt erbjudande eller mål i förväg med hjälp av insikter i försäljning och upsell och /eller anpassade beställningar med insikter eller kunna instruera din inköpsavdelning i tid.

 

Först kommer jag kort att gå igenom hur SEA-specialister ser på resultaten av sina annonser. Som SEA-specialist tittar du förmodligen främst på intäkterna från reklam. Troligtvis kommer du att bestämma dig för ett ROI- eller ROAS-mål.

Eftersom du tittar på omsättningen från en beställning så går du förmodligen aldrig in på hur ordern kom till och vad som har bidragit till beställningen. Detta är fortfarande mycket viktigt. Det du annonserar är inte alltid det du säljer.

 

Annonsering av produkt A leder inte till köp av produkt A
I många fall, mer än SEA-specialister och online-marknadsförare faktiskt inser så leder annonsering av produkt A inte till köp av produkt A. Detta gäller för mer än 50% (!) av försäljningen för vissa annonsörer. Baserat på modellen för produktannonseringsbidrag förklarar jag varför denna observation och insikt är av så stor betydelse.

 

Produktrekalm för bidragsmodell
I modellen nedan kan du direkt se i annonsen att produkt A inte alltid leder till köp av (bara) produkt A:

Notera:
I den här samlingen så är gitarr A och D välkända gitarrmärken. Gitarr B är å andra sidan ett privat märke, men liknar snarare gitarrerna A och D.
Eftersom det är troligt att när någon köper produkt A, B eller D leder dessa produkter ofta till köp av varandra. Produkt C är ett gitarrställ. Denna produkt är billigare än A, B och D och köps ofta. Det är därför en upsell-produkt.
Om produkt A används som innehåll för marknadsföring och endast produkt A köps, kallar vi detta är direkt reklam. Om du köper produkt A, produkt A och produkt C så faller produkt C under upsell för produkt A.
Om du når produkt B genom marknadsföring av produkt A och bara köper produkt B, då pratar vi om cross-sell.
Från en annan vinkel: Antalet gånger som produkt A köps från reklam för produkt D, så hänvisar vi till det som indirekt reklam. I detta fall kan produkt A också kallas cross-sell av produkt D-annons.


Marginal och lager: viktig cros- och upsell-insikt
En kritiker kommer att säga: varför är de här insikter intressanta? Konverteringsvärdet som du ser i Google Ads är trots allt innehåller redan konverteringsvärdet för cross-sell, för om gitarr B (144 euro) köps genom annonsering av gitarr A (265 euro) så är konverteringsvärdet i Google Ads 265 euro. Så konverteringsvärdet för cross-sell finns redan i annonser.
Vad som inte ingår här är dock marginalen och effekten av att en produkt (eventuellt) är slut i lager.
Varför är dessa cross- och upsell-insikter som marginal och lager viktiga?

 

Rätt produkter i lager
Antag att produkt A genererar mycket cross-sell, men inte mycket säljs i sig. Om produkt A inte längre finns i lager – och därför kan produkt A inte längre annonseras – kommer sannolikt cross-sell produkterna av produkt A att säljas mindre. Det är därför viktigt att produkt A hålls i lager.

 

Rätt mål vid rätt marginal
Antag att produkt A har en låg marginal, men nästan endast cross-sell produkter med stor marginal säljs via produkt A-annonseringen. I så fall vill du justera ditt ROAS-mål enligt detta.

Hur fungerar det? Jag kommer att förklara utifrån beräkningsexemplet här nedan, för vilket jag använder gitarrerna igen:

 

Som du ser så leder annonseringen av gitarr A ofta till försäljning av gitarr B som har en högre marginal. Om du “bara” antar att annonseringen av gitarr A leder till försäljning av gitarr A, skulle du sätta ett högt ROAS-mål för det, eftersom marginalen är liten.

Om du överväger andra insikter från försäljningen och vet om att reklamen för gitarr A ofta leder till försäljning av gitarr B, så kommer du att se att ett lågt ROAS-mål faktiskt är mycket mer passande.
Detsamma gäller naturligtvis upsells, där marginalerna skiljer sig mycket från den produkt som annonseras. Med ovanstående cross- och upsell-insikter kan du nu nå rätt mål.
Det skulle vara ännu smartare att arbeta mot POAS målet, där man inte bara tittar på (“vilseledande”) intäkter utan på den totala lönsamheten för en annons.

Google Ads: Varför välja POAS-mål framför ROAS – Adchieve


Test av hypotes med specifika kategorier/variabler
Följande exempel ovan: som utgångspunkt kan du också testa din egen tillverkade produktkategori. Misstänker du att dina annonser på sneakers över 120 euro till exempel ofta leder till köp av vissa B-märkesskor på cirka 80 euro? Eller alternativt: skulle de kunna vara bra att testa detta?

 

Insikter kring storlekar: för samman ditt lager med ditt dina storlekar
Om vi ​​tittar på klädindustrin – eller andra branscher som säljer produkter i flera storlekar så är insikter kring storlekar också intressanta. Människor letar ofta inte specifikt efter en produktstorlek utan kommer till dig för en av storlekarna.

En översikt över de storlekar som sålts tidigare, till exempel efter produkt, efter märke och/eller produkttyp, vi kallar det också ett storleksschema. Om du länkar det till det aktuella lagret av en produkt så kommer du till en intressant insikt: tillgängligheten som är så viktig. Den uttrycks i procent för hur många köpare den matchande storleken finns i lager.

Storleksguiden i kombination med den viktade tillgängligheten ser ut så här:


Notera:
Antag att storlekarna XS, S, M, L och XL köps från kläderna ovan. Tidigare har det sålts storlek XS 10%, S 25%, M 40%, L 20% och XL 5%.

Om storlekarna XS, L och XL finns, men storlekarna S och M är slut i lager, kommer sannolikt försäljningsresultatet att minska. 65% av försäljningen är beroende av en produkt i storlek S och M. Om storlekarna XS och XL är slutsålda har detta mycket mindre inverkan på hur försäljningen går.

I bilden ovan är den olika tillgängligheten i det första exemplet mycket lägre än i det andra exemplet. Storlekarna XS och XL är i lager, men i det andra exemplet så har det mycket mindre inflytande. Skillnaden i den skiftande tillgänglighet är därför betydligt större.

När man har insikt kring den skiftande tillgängligheten kan du optimera annonseringen på rätt sätt, du kan till exempel bara ha de återstående storlekarna, och/eller justera din upphandling.

 

Anpassa ditt erbjudande eller mål med hjälp av rätt insikter
Beroende på vilken bransch du jobbar inom så kan insikterna ovan hjälpa dig att optimera dina kampanjer. Med optimering menar jag att justera ditt erbjudande eller mål i förväg och/eller hantera upphandlingen bättre.
I vilket fall som helst så måste du kunna jobba bra med data för att kunna nå sådana insikter. Med små datamängder kan du ta fram ovanstående i Excel, men jag föredrar ett program där du kan bearbeta mer data, som med ett skript i R eller Python.

Du kan dock också enkelt se ovanstående insikter i PPC-hanteringsprogramvara i en tydlig instrumentpanel efter produkt, kategori, varumärke eller total.
Har du några frågor, kommentarer, tips eller tricks?
Då får du gärna höra av dig till mig.