Hvis remarketing er en praksis der tillader dig at vise annoncer for personer der allerede har besøgt din hjemmeside, så går dynamisk remarketing skridtet videre. Det giver dig mulighed for at bruge automatiserede annoncer (der indeholder billeder, priser og links) med nøjagtigt det produkt, som kunden tidligere har set på din side.
Med beskeder der er skræddersyede til dit publikum, så hjælper dynamisk remarketing dig med at øge dit salg ved at trække de besøgende over på din side for at afslutte købsprocessen. Og ved at minde dem om hvor fænomenale dine produkter er.
En af de bedste remarketing teknikker er at segmentere brugerne baseret på deres placering i købsrejsen. På den måde kan du oprette skræddersyede kampagner og annoncegrupper med forskellige strategier, bud og budgetter.
Den mest klassiske opdeling er:
I den dynamiske remarketing kampagne, der var rettet mod kunder der besøgte produktsiden uden at købe noget, opdagede vi at konverteringsraten var lavere end det vi sigtede mod. Så vi besluttede at ændre vores strategi.
Vi udnyttede nedsatte varer til at stimulere salget.
Vi spurgte os selv: Hvad nu hvis vi prøver at øge konverteringerne ved at teste en kampagne, der kun er målrettet kunder som har set på en vare der var nedsat i dag? For at implementere strategien udviklede vi en regel i DataFeedWatch til at oprette en “ads_label” (annoncelabel) kaldet “sale” (salg), der blev forbundet med alle de nedsatte varer. Ved at bruge funktionen “add static value” (tilføj statisk værdi), brugte vi den følgende logik:
Note:
Det er ikke en klassisk custom_label funktion, men en specifik egenskab der udelukkende er beregnet til display kampagner.
Hvorfor bruge ads_label?
Foreløbigt er det en af de meget få egenskaber du kan bruge til at filtrere varer i dine dynamiske annoncer på kampagneniveau.
Efterfølgende oprettede vi en test remarketing kampagne - en klon af originalen - som udelukkende viste annoncer med de filtrerede varer. Dvs. de nedsatte varer som kunderne havde vist interesse for indenfor de seneste 30 dage.
For hvem af os kan ikke lide at at få fordelen af en god rabat?
Resultatet af denne strategi har været imponerende, både i forhold til salg og engagement. Taktikken tillader annoncøren at udnytte et naturligt købsfænomen, hvor kunderne, der bliver lokket med et nedsat tilbud, også opdager og køber andre produkter.
I test kampagnen noterede vi en 18 % stigning i konverteringsraten sammenlignet med den oprindelige, en 30-sekunders forbedring i den gennemsnitlige tid på siden og afvisningsraten blev også forbedret med 20%.
Annoncens CTR steg desuden med 20 %, som skyldes tilstedeværelsen af “Price reduction” layout tag’et, en funktion der automatisk bliver aktiveret for varer der er blevet nedsat for nylig.
Det var filtreringen af kampagnen i en undergruppe af produkter der i sidste ende gav os mulighed for at hæve visningsandelen fra 10 % til 38 %.
Returnér til toppen af siden eller Download Den Ultimative Google Merchant Center Håndbog
Regular expressions (også kaldt almindelige udtryk eller regex) er funktioner og formler der er i stand til at søge, filtrere og erstatte tekststrenge der følger et prædefineret mønster.
De er vidt udbredt indenfor programmering og dataanalyse. Og selv for os marketingfolk repræsenterer de den sweitzerkniv man altid bør gå rundt med. For eksempel når vi har brugt Google Analytics til at oprette filtre, målgrupper eller segmenter.
Oprettelsen af komplekse afhængigheder mellem feed egenskaber kan være et effektivt værktøj i en digital marketingmedarbejders hænder. Men det kan også give bagslag hvis ikke du holder øje og tager dine forholdsregler. For dem der arbejder indenfor modebranchen er farve, størrelse og materialer helt fundamentale egenskaber. Både som selvstændige felter og som information der skal inkluderes i titlen for at konvertere trafik af høj kvalitet. I det tilfælde anbefaler vi den her fantastiske Google guide om de bedste metoder for dem der arbejder inden for modebranchen.
Vi opretter normalt titlen dynamisk for alle vores kunder i modebranchen, ved at bruge forskellige eksisterende egenskaber i feedet (materialer, farver, størrelse og produkt navn) og følge regler som den her:
Det endelige resultat er: Designer Women Cotton Shirt, Red, ProductName, XL.
Og indtil nu er alt godt. Ofte har de interne felter, der bruge i titlen, ikke rå data - de skal tilpasses eller oprettes fra grunden ved at bruge de data der findes i dit source feed. I dette specifikke eksempel fik vi informationerne fra den feed kolonne der indeholder information om farver og materialer i de solgte varer. Produkt egenskaberne ville simpelthen ikke være læsbare af Google, hvis de blev oplyst inde i den oprindelige feed kolonne.
Den venstre del af billedet ovenfor viser “tags” kolonnen i source feed’et. Den højre side viser et eksempel på hvordan vi bruger den information til at udvikle en regel der former “materials” egenskaben.
Begrænsningen ved at bruge funktionen “add static value”er, at det kun er det bestemte antal varianter der eksisterer, når man opretter reglen der kan tages højde for. Så på den måde mister man dynamikken. Hvad sker der, hvis der tilføjes nye produkter til kataloget, med materialer der endnu ikke er kategoriserede, eller farver eller mønster der ikke blev taget højde for?
Det skal jeg fortælle dig… egenskaberne (som for eksempel materialer, farver osv.) vil stå tomme, eller endnu værre, vil vise forkerte værdier. Som et resultat vil de afhængige egenskaber, som titlen og til sidst også andre der bruger de interne felter (f.eks. de skræddersyede custom labels og beskrivelserne) betaler prisen og omformes til noget der ligner dette:
Designer Women Shirt , , , ProductName, XL
Det er i den grad ikke en optimeret titel. Jeg lader den lige stå et øjeblik, så du kan gennemskue, hvad sådan en situation kan betyde. Det er ikke bare performancen, men også strukturen i dine shopping kampagner der lige pludselig ikke fungerer længere.
Heldigvis for os var der, tilbage i 1950, en herre der hed Stephen Cole Kleene. Han var amerikansk matematiker, og sammen med andre kloge unge mænd, opfandt de det vi til dagligt kalder regular expressions.
Ved at bruge regular expressions (almindelige udtryk), var det muligt at skabe en dynamisk og skalerbar regel - som er meget bedre end den tidligere nævnte. Den udtrækker mekanisk og automatisk nuværende, og kommende, informationer om materialer fra dit source feed, og eliminerer dermed risikoen for at ødelægge funktionen med de afhængige egenskaber.
Sådan her får du det samme resultat som i det tidligere screenshot, men hvor det er skalerbart kun ved at bruge simple regex.
Husk altid at teste funktionen af regular expressions. Funktionen med forhåndsvisning og den support du kan få fra DataFeedWatch på chat eller mail er en god hjælp her.
Som følge af på denne optimering, var vi i stand til at undgå feed fejl og trafik nedbrud. Derudover tillod det os at automatisere og øge hastigheden af kategoriseringerne af nye egenskaber som farve og kategori, foruden andre produktinformationer der blev oprettet. På den måde undgik vi tidsrøvende manuelt arbejde på feed’et og indblanding fra IT afdelingen.
Dette er bare to eksempler på hvordan et data feed styringsværktøj, sammen med kraften fra den menneskelige hjerne, kan hjælpe dig med at teste ukonventionelle ideer og på den måde forhindre og løse dagligdags problemer. Som så også kan hjælpe dig med at være konkurrencedygtig og undgå kaotiske tilstande.
Den eneste begrænsning er kreativitet, så hold aldrig op med at teste!!
Case Study: Midsummer Agency
.png){kind=link}
