Machine Learning & Human Intelligence = sukces mierzony w $! Case study Sempai dla marki Tantis.pl

O kliencie

Tantis.pl to jedna z wiodących księgarni internetowych w Polsce, działająca na rynku już od 2007 roku. Ma w swojej ofercie ponad 100 000 tysięcy produktów w tym nie tylko książki (chociaż to wiodąca działalność naszego klienta), ale także gry i zabawki, audiobooki oraz artykuły papiernicze i szkolne.


Wyzwanie


Z tantis.pl rozpoczęliśmy współpracę we wrześniu 2020 roku.
Problem, z którym zgłosił się do nas klient, to brak możliwości zwiększania skali prowadzonych działań w Google Ads. Kampania niemal w całości opierała się na opcjach automatycznych i chociaż przynosiła efekty na zadowalającym poziomie, to zwiększanie skali stało się barierą. Wyzwaniem było zarówno dalsze realizowanie przez kampanie celów biznesowych, jak i specyficznych, bieżących wytycznych operacyjnych tantis.pl. Przełożenie ich na język automatów było niewykonalne.

Przykład:
Klientowi zależało na specjalnym traktowaniu konkretnych segmentów produktów, lecz zastosowanie automatów to uniemożliwiało. Opierając się jedynie na machine learning, nie był w stanie wykluczyć wybranych słów kluczowych z kampanii, takich jak nazwy producentów lub wydawcy.


Strategia


Aby rozwiązać problem Tantis.pl, który polegał na małej elastyczności we wprowadzaniu szczegółowych zmian w kampaniach opartych na automatach, postawiliśmy na większą kontrolę machine learning przez doświadczonego specjalistę. Ze względu na ecommerce’owy charakter biznesu klienta w dużej mierze skupiliśmy się na poprawieniu wyników kampanii produktowej.

Clou strategii, którą obraliśmy, polegała na ścisłej korelacji machine learning z human intelligence i jak najpełniejszym wykorzystaniu opcji automatycznych w celu realizacji bieżących potrzeb klienta, co miała umożliwić kontrola specjalisty.


Realizacja


Reklamy produktowe stanowią główną składową konta Google Ads Tantis.pl, będąc jednym z dominujących źródeł ruchu i sprzedaży w esklepie. Dlatego zdecydowaliśmy się wdrożyć w kampanii Sempai Merchant 360 udoskonalany ekosystem dla reklam PLA w Google, polegający na kompleksowej usłudze zapewniającej przewagę w kluczowych elementach kampanii. Jego głównymi zaletami są: automatyzacja i ułatwienie kontroli nad kampaniami opartymi na machine learning specjaliście.

Nasze autorskie narzędzie składa się z 4 głównych komponentów, które dzięki wzajemnej korelacji, znacznie zwiększają efektywność reklam produktowych:
Sempai Inventory Manager

Moduł zarządzania i optymalizacji product feed na potrzeby maksymalnego przystosowania go do ogólnych oraz specyficznych wymagań kampanii Google Ads.

Sempai Merchant

Moduł służący do wsparcia automatyzacji w budowie, rozwoju oraz optymalizacji kampanii PLA.

CSS Sempai Shop

Jest to usługa porównywania cen, dzięki której reklamodawcy osiągają stawki CPC niższe nawet o 20%.
Sempai Search 360
Moduł umożliwiający automatyzację w zakresie budowy i aktualizacji kampanii text ads w sieci wyszukiwania Google Ads na podstawie danych z feedu produktowego.

Dopasowanie cen do poziomu lejka


Aby zmaksymalizować wyniki kampanii produktowych, dopasowaliśmy ceny produktu do etapu lejka zakupowego, na którym znajduje się użytkownik.
Rozróżnialiśmy również wyświetlane ceny w zależności od źródła odwiedzin.

W jaki sposób?
Klient opracował system, który po cookies sprawdza, z jakiego źródła wszedł użytkownik. Następnie my, w porozumieniu z właścicielem, zarządzaliśmy tym systemem i dostosowujemy poziom rabatu w kampaniach.


Reklamy na serie produktów


Wraz z klientem wyznaczyliśmy zbiór popularnych serii produktowych. Przy reklamowaniu książek ważne jest zaakcentowanie dostępności wielu pozycji z danej serii już na poziomie przekazu reklamowego lub/i strony docelowej (landing page).

W reklamach tekstowych wykorzystaliśmy kierowanie na specjalnie przygotowany Landing Page całej serii zamiast karty produktu pojedynczej książki jak w PLA.

Rozwiązanie szczególnie dobrze sprawdza się w przypadku serii książek dla dzieci.


Efekty


Nasza strategia oparta na wzajemnym przenikaniu się kompetencji specjalisty i samouczących się mechanizmach przyniosła rezultaty lepsze, aniżeli zakładaliśmy. Dużą rolę w osiągnięciu takich wyników odegrało wykorzystanie naszego autorskiego narzędzia: Sempai Merchant 360.

Porównując luty 2021 do lutego 2020 osiągnęliśmy spektakularne wyniki:

+ 683% przychody

+ 812% kliknięcia

16% CPC


 

Powyższe case study to część  publikacji „6 CASE STUDIES SEM”
stworzonej przez
Grupę Roboczą SEM.
Publikacja jest zbiorem przykładowych realizacji optymalizacji marketingu
w wyszukiwarkach.
Casebook SEM można bezpłatnie pobrać tutaj >

Grupa Robocza SEM

Wciśnij ESC, żeby zamknąć