Det är svårt att vara marknadsförare i dagens ständigt föränderliga onlinemiljö. Det verkar som att varje gång vi behärskar en ny kanal så dyker det upp en ny, mer “lovande” kanal.
Vi såg ett utmärkt exempel på detta med introduktionen av produktannonser (PLA) i maj 2012. Inför snabba förändringar med höga kostnader stod marknadsförare inför den svåra kalkylen att reagera på nytt användarbeteende, nya annonsformat, nya budgetar och nya marknadsföringsstrategier, allt samtidigt som de mätte avkastningen på annonsinvesteringar.
Strax före julhelgen 2012 anslog vissa återförsäljare upp till 50 procent av sina annonsutgifter till PLA. Den genomsnittliga allokeringen nådde så småningom en topp på 17 procent av den totala betalda sökningen under fjärde kvartalet 2012, och planade ut på 15 procent under första kvartalet 2013. Medan de flesta i den digitala handelsvärlden förväntar sig att PLA kommer att öka i användning jämfört med textannonser, båda är mycket viktiga och kommer att utgöra en viktig post i marknadsföringsbudgetar i år.
Men vad finns bakom gardinen, efter att en konsument klickar på en annons, oavsett om det är text eller visuellt? De är ofta ganska dåliga upplevelser som saknar förmågan att lära av konsumentbeteende eller avsikt.
Det är inte som upplevelsen i butiken där en säljare kan ta reda på shoppares ledtrådar genom att observera surfvanor eller bedöma reaktioner på konversationer. Hur kan det vara?
Med PLA skickar företag allmänt röriga produktflöden till Google, bjuder på trafik och låter dem göra sin magi.
I en värld av onlinesökning har de stora motorerna gjort ett otroligt jobb med att förutse enskilda konsumentfrågor och förutsäga den mest sannolika matchningen som passar deras avsikt.
Genom att använda big data i ordets rätta bemärkelse, maskininlärning och avancerade algoritmer känns det nästan som att Google är vår personliga butler som har arbetat med oss i flera år. I grund och botten har de efterliknat en verklig upplevelse. Borde inte företag i andra änden av ett betalklick göra detsamma?
Ett Big Data-svar på ett Big Data-problem
Därmed kommer vi till nästa stora datamöjlighet: att återskapa butiksupplevelser genom att tillämpa en big data-driven strategi på PLA. På grund av sin visuella natur är PLA redan en mer realistisk och relevant upplevelse.
Konsumenter uttrycker vad de vill ha på otaliga sätt, och det är praktiskt taget omöjligt att manuellt matcha språk till produktflöden för de tusentals SKU:er som många återförsäljare har. De språkliga möjligheterna som blir resultatet är häpnadsväckande.
Samtidigt har konsumenterna ofta inte specifika produkter i åtanke. Om ett företag inte erbjuder den bästa passformen med en acceptabel uppsättning andra alternativ på en målsida, kommer det att förlora konsumenten, förlora intäkter och reklampengar.
Vad som är värre är att flera studier har funnit att konsumenter tänker negativt om ett varumärke som ger dåliga upplevelser och faktiskt kommer att betala mer för bra. Med många betalda sökningsbudgetar som närmar sig eller överstiger miljontals dollar, är varje förlust en allvarlig förlust.
Data avslöjar avsikt
Tänk på när en konsument går till ett omklädningsrum. De provar ett plagg, men det fungerar inte riktigt av olika anledningar. En säljare kan ge dig något i en annan storlek, färg, kan föreslå en reavara eller en liknande vara som andra som konsumenten har köpt. De kanske till och med minns senast du var i butiken.
Denna typ av intuitivt tänkande är baserat på alla signaler, eller data, som avslöjar avsikten. Tillsammans syntetiserar de de bästa möjliga alternativen för att konvertera till en försäljning.
I den digitala världen skulle du kunna ha tillgång till alla samma datapunkter i någon form, om det tolkas rätt.
Tänk på att en kund flyttar bort från vissa ställ, mot andra, eller säger “definitivt inte den här” som avvisningsfrekvens eller tid på sidan. Konsumenter som snabbt studsar av en målsida eller konverterar mer på en viss föreslagen produktsida ger små digitala signaler som ett intuitivt system kan lära sig av.
Att känna till en konsuments tidigare beteende på en webbplats, såsom tendensen att köpa varor på rea eller vissa storlekar, är dessutom synonymt med den information som gäller för en fantastisk upplevelse i butik. Listan kan fortsätta och fortsätta, men den underliggande poängen är att e-handelsföretag har all data som behövs för att varje enskild konsument ska kunna presentera det mest relevanta innehållet framåt. Det svåra är att bara sy fast den; och i omfattningen av miljontals potentiella kunder ligger här utmaningen med big data.
Leverera en upplevelse i världsklass på plats
Varumärken som levererar superlativa upplevelser och “känner” sina kunder för att leverera bättre innehåll kommer snabbt att skilja sig från resten.
Tänk på återförsäljare av premiumkläder som Neiman Marcus jämfört med varuhus i mellanklass. Du förväntar dig att ha en premiumupplevelse. Det ironiska är att onlineteknik kan vara den stora utjämnaren, oavsett om ett företag är high-end eller inte. Vilket varumärke som helst kan ge den upplevelsen om det kan sätta ihop allt, och du kan slå vad om att världens största e-handelsföretag investerar miljoner för att “känna” sina kunder och ge dem vad de vill ha.
I en värld av PLA har varumärken en utmärkt möjlighet att locka fler kunder, men vad gör de härnäst? Företag har fokuserat enorma resurser på att utöka toppen av marknadsföringstratten och locka så många människor som möjligt till en webbplats, men har lämnat botten av tratten för smal. Med andra ord, de har dedikerat pengar, forskning och dataresurser till att förutsäga och optimera konsumentsökningar, men har misslyckats med att använda ett datadrivet tillvägagångssätt för att leverera upplevelser på plats till potentiella kunder som matchar deras avsikt.
Sök efter nästan alla long-tail-sökord och du kommer att se en dålig upplevelse av målsidan som kräver att du klickar flera gånger för att hitta det du letar efter, förutsatt att du har tålamodet att fortsätta söka. Det är som att betala för skyltning utanför en butik för att bära nya jeans och sedan låta kunden komma in för att leta i ställen efter t-shirts. Kunden förväntas sedan söka igenom soporna tills de hittar de annonserade jeansen. En betydande del av din målgrupp kommer att lämna och aldrig komma tillbaka, och deras intryck av ditt varumärke kommer att vara av dålig kvalitet.
Hur man analyserar upplevelser av betald sökning på webbplatser
Här är några tester och frågor att tänka på när du analyserar PLA-webbplatsupplevelser, eller någon betald sökupplevelse för den delen.
- Vad kommer att hålla en kund kvar på din sida om de inte hittar det de letar efter? Ibland vet konsumenten inte exakt vad de letar efter efter att ha skrivit in en fråga. Till exempel kan en kund söka efter “svart rygglös klänning” och klicka på en PLA med en svart klänning. Men väl på sidan kan kunden inse att de ville ha en utskuren klänning, inte en klänning utan rygg. Webbplatsen bör innehålla annat innehåll eller produktförslag som hjälper kunden att enkelt hitta vad de vill ha baserat på vad du säger och gör. Precis som traditionella återförsäljare erbjuder relaterade alternativ bredvid vissa produkter, bör webbåterförsäljare också tänka på att erbjuda personligt relevanta alternativ för att visa kunderna att de har vad de vill ha. Om inte har de helt enkelt slösat bort värdefulla reklampengar.
- Föreslår en webbplats på ett intelligent sätt produkter för företaget? Om du erbjuder andra produktförslag på sidan, som många återförsäljare gör för att förbättra PLA-produktens målsidor, bör de erbjudas på ett sätt som följer företagets mål. Det är viktigt att överväga rankning på sidan, använda uppgifter om webbplatsbeteende och transaktionshistorik för att avgöra om en viss listad produkt inte ger bra resultat; uppdatera och optimera sedan kontinuerligt för detta mått.
- Hur anpassar sig en webbplats när kunderna ändrar sitt sätt att agera? Konsumenter agerar inte statiskt, och onlinemarknadsförare måste vara redo att ändra vad de erbjuder i nästan realtid baserat på hur de beter sig på en webbplats. Övervaka och optimera kontinuerligt mätvärden för “lycka” som tid på plats, avvisningsfrekvens kontra omvandlingsfrekvens och sök- och surfbeteende.
Det är inte lätt att svara på alla dessa frågor för alla möjliga upplevelser hos varje kund med betalda klick. Du bör känna till varje produkt du har och jämföra den med alla andra möjliga produkter på din webbplats, plus varje sökord och de faktiska frågorna en konsument använder för att nå det sökordet. Återigen, det är ett stort dataproblem som team av människor inte kan hantera.
Dessutom är det viktigt att komma ihåg att du kan lära dig mycket av textannonser. De hjälper marknadsförare att analysera konsumentspråk, vilket kan generera strategier för PLA. Dessutom, eftersom Google inte längre tillhandahåller sökord i organisk sökning, ger textannonser ovärderliga insikter om organisk sökning, som fortfarande står för majoriteten av länkarna som konsumenterna klickar på.
Slutsats
Den här semesterperioden kommer sannolikt att medföra ytterligare en ökning av prissättningen för kostnad per klick. Marknadsförare bör dock inte glömma sin upplevelse på plats efter klicket eftersom de har investerat mycket tid och pengar i sin budgivningsstrategi.
Tjäna pengar som spenderas på PLA och andra betalda sökupplevelser genererar avkastning genom att använda data för att skapa en relevant och positiv upplevelse för kunderna. Då blir det verkligen en trevlig semester för alla.
