[Étude de cas] Comment la boutique australienne de vêtements pour femmes a augmenté ses bénéfices grâce à DataFeedWatch

Le problème

Notre client, Blue Bungalow, est l'un des principaux magasins de mode en ligne pour les vêtements pour femmes, comme les robes en lin et les accessoires, avec plus de 3 000 styles fantastiques parmi lesquels choisir. Le magasin propose plus de 150 marques différentes.

La mode est hyper-concurrentielle dans la publicité, car un nombre croissant d'entreprises enchérissent sur les mêmes termes de recherche, ce qui entraîne une augmentation des prix des enchères.

Par conséquent, si tout le reste reste égal, pour maintenir le volume ou augmenter, vous pouvez augmenter le coût par clic pour les groupes de produits dans les achats et les termes de recherche dans la recherche, ce qui diminue les bénéfices, ou vous pouvez continuer tel quel pendant que le volume de clics diminue pour provoquer un baisse des revenus. Le client nous a contactés pour identifier les enjeux et les problèmes rencontrés.

Notre objectif avec Blue Bungalow était simple : évoluer grâce au profit.

Vous ne pouvez évoluer qu'avec des flux de trésorerie positifs provenant de la génération de bénéfices. L'augmentation du trafic n'a pas d'importance, plus de transactions n'ont pas d'importance, et plus encore, les revenus n'ont pas d'importance. Toute entreprise finira par mourir sans profit.

Digital Darts a audité son compte publicitaire actuel, identifié diverses fonctionnalités non utilisées et un manque de segmentation qui signifiait qu'il y avait peu de discrimination des enchères pour optimiser les décisions de mise à l'échelle. Les campagnes d'achat intelligentes ne sont que trop courantes dans les entreprises gérées par Shopify, car elles sont faciles à créer et à gérer.

Les agences adorent la nature non interventionniste car cela leur fait gagner du temps. Mais c'est un gain à court terme pour une perte à long terme. Le type de campagne ne dispose pas de données sur les termes de recherche vous indiquant quelles requêtes ont conduit à des ventes, ce qui signifie que vous n'obtenez aucune information pour orienter les décisions de profit ou les données de conversion des achats pour alimenter les idées dans les campagnes de recherche.

La solution

Suivi du panier Google Ads

En 2020, Google Ads a publié une version bêta de son code de suivi des conversions de panier. J'ai expliqué comment s'y prendre dans un autre blog sur DataFeedWatch appelé Google Ads Conversion Tracking with Cart Data .

Nous avons utilisé la nouvelle fonctionnalité qui nous a fourni des données de commerce électronique, telles que le nombre d'articles par achat, le coût des marchandises vendues et les bénéfices sur les achats. Les données du panier sont importantes car elles ajoutent une autre couche d'informations pertinentes en plus de chaque conversion.

En exploitant les données du panier, vous pouvez voir quels articles, tels que les pantalons et les leggings, sont achetés via les clics publicitaires et quels produits se convertissent le mieux. Vous pouvez également voir quels articles, tels que les baskets, sont les meilleurs vendeurs et le montant des bénéfices réalisés.

Avec le suivi régulier du suivi des conversions Google Ads (GACT), si vous segmentez différents groupes de produits dans sa campagne d'achat, le maximum que vous pouvez savoir et évaluer est sur quels produits ont été cliqués et le montant des revenus provenant de l'achat.

Segmentation avec DataFeedWatch

Désormais, en utilisant DataFeedWatch et les données du panier, nous savions quels produits avaient été achetés même si le SKU cliqué était différent de celui de l'annonce d'achat.

Avec l'aide du champ Coût des marchandises vendues (COGS) dans le flux d'achat, nous pouvons voir le bénéfice. L'utilisation de ces précieuses données a donné au client et à notre équipe une idée bien meilleure et globale de la rentabilité de leurs campagnes d'achat. Cela nous aide à optimiser encore plus les campagnes.

Il n'est pas rare de voir le bénéfice brut se maintenir ou légèrement diminuer à mesure que les coûts augmentent, mais vous pouvez voir comment le bénéfice brut peut exploser avec les bonnes décisions :

Auparavant, dans Shopify, il était possible de collecter des informations sur les coûts avec les méta-champs que vous avez créés. Les gérants et les propriétaires de magasins devaient entrer eux-mêmes le coût par article dans les méta-champs, puis DataFeedWatch a pu extraire et télécharger ces informations.

Cependant, Shopify a introduit un champ de coût par article avantageux que nous pouvons utiliser plus facilement dans DataFeedWatch. La plupart des marchands utilisent désormais ce champ, car il affecte divers rapports au sein de la plate-forme.

Pour paramétrer le champ Coût du bien vendu pour Google Ads, dans DataFeedWatch, nous avons créé un champ interne appelé coût par article :

Cela vous donne la flexibilité et la facilité d'utiliser les mêmes données sur d'autres canaux, comme les annonces de produits dynamiques sur les publicités Facebook.

Ensuite, pour le flux Google Shopping, nous avons mappé l'attribut cost_per_goods_sold de Google sur le champ interne :

Dans mon livre Google Shopping For Shopify: The Definitive Guide , la stratégie et divers domaines sont abordés plus en profondeur pour optimiser les campagnes d'achat.

Le système de Google Ads est extrêmement subjectif et automatisé. Il est subjectif quant à ce qu'il considère comme le moyen le plus efficace d'optimiser votre campagne publicitaire et de dépenser vos précieux dollars publicitaires.

Cependant, nous croyons aux stratégies et recommandations objectives basées sur des données factuelles et alignées sur des objectifs spécifiques.

Annonces dynamiques du Réseau de Recherche avec DataFeedWatch

DataFeedWatch a également été utilisé pour les annonces de recherche dynamique (DSA) comme stratégie pour collecter des données de recherche non capturées dans d'autres campagnes de recherche. Plus le nombre de SKU d'un magasin est élevé, plus une stratégie automatisée est importante pour maintenir les données.

• Nous avons créé et maintenu une stratégie DSA avec DFW pour Blue Bungalow en :
• créer un canal personnalisé,
• choisir un format de séparateur virgule,
• renommer l'URL de la page pour utiliser l'URL de variante de Shopify,
• et en utilisant une étiquette personnalisée en fonction de la marque.

Le fichier CSV est ensuite téléchargé en tant que données d'entreprise et peut être récupéré régulièrement pour maintenir les campagnes DSA à jour. Les enchères peuvent être personnalisées pour générer des bénéfices.

Suppléments

D'autres stratégies mises en œuvre impliquaient de segmenter le trafic avec et sans marque sur tous les types de campagnes. De plus, la création de campagnes de recherche manuelle approfondies et, éventuellement, l'acquisition à froid via l'affichage, à mesure que les données de conversion continuaient d'augmenter.

Les résultats

• Les dépenses publicitaires totales ont augmenté de 2 000 % et les revenus de 3 000 %, tandis que le bénéfice brut continue de grimper.
  
  
• Les campagnes Google Ads de Blue Bungalow sont plus rentables que par le passé.

• Les campagnes d'affichage à froid génèrent désormais plus de bénéfices que toutes les campagnes précédemment gérées avant notre arrivée.

• Avec l' augmentation du nombre de visiteurs récurrents du client ainsi que l'augmentation de la valeur à vie du client, les revenus des autres canaux augmentent à partir du sommet de l'entonnoir, le trafic de termes génériques.

Si vous êtes une marque Shopify et que vous souhaitez optimiser vos différentes campagnes marketing payantes, nous vous recommandons vivement DataFeedWatch comme outil de gestion de flux.