Jak optymalizować koszty pozyskiwania zamówień w sklepie internetowym

Kryzys z 2008 r. jest podobno dawno za nami. Nastały tłuste lata, w których można się spodziewać maksymalizacji zysku i spokojnego wzrostu. Tylko czy jest tak w istocie? Czy przy tak konkurencyjnym rynku, porównywarkach cenowych i roszczeniowym konsumencie można w ogóle mówić o spokojnym wzroście? Moim zdaniem nie. Właśnie teraz konieczne są optymalizacja wydatków na reklamę i cięcie kosztów, co pozwoli wyprzedzić konkurentów i da środki na dalsze inwestycje.

Do skutecznej optymalizacji kosztów prowadzenia biznesu online potrzebne są pewne narzędzia oraz wiedza, którą one dają. Najwięcej informacji dostarczają Google Analytics oraz Google Ads (dawniej AdWords), o ile taka forma reklamy jest wykorzystywana. Przydadzą się również arkusz kalkulacyjny lub kalkulator.

Źródła ruchu w sklepie internetowym

Optymalizacja kosztów to zagadnienie złożone i można do niego podejść na różne sposoby, ale dla mnie jest to zawsze obniżenie kosztu pozyskania zamówienia. Nie oznacza to wydawania mniej na reklamę, ale poprawienie jej efektywności.
Do osiągnięcia celu stosuję pewien wzór, który jasno opisuje, co należy zrobić, aby obliczyć zysk ze sklepu internetowego. Jedna z jego wersji wygląda następująco:

Słuchaj „Marketer+” Podcast

Zysk = ruch × współczynnik konwersji × śr. wartość zamówienia – koszty

Lubię ten wzór dlatego, że jest on maksymalnie prosty i przejrzysty. Można go zastosować do obliczenia skuteczności działania całego sklepu internetowego lub poszczególnych źródeł ruchu, ale daje on też wiedzę o tym, jakie działania należy podjąć, aby najmniejszym wysiłkiem uzyskać największe efekty. Jak zastosować ten wzór w praktyce,
dowiesz się z przykładu poniżej.

Sklep internetowy odwiedza 10 000 unikalnych użytkowników (UU) miesięcznie. Konwersja wynosi 1%, a średnia wartość zamówienia to 100 zł. Koszty miesięczne wyniosły 5000 zł (zakup towaru, koszty stałe, reklama). Podstawiamy to do wzoru:
Zysk = 10 000 × 1% × 100 zł – 5000 zł
W powyższej sytuacji zysk wynosi 5000 zł.
Oczywiście koszty można rozumieć różnie, wliczać do nich lub nie wszystkie należne podatki, amortyzacje itp. Najważniejsze jest, aby przyjąć pewien schemat i się go konsekwentnie trzymać.
Dzięki temu można obliczyć, że podniesienie konwersji o 0,5 pkt proc. przy koszcie równym 7000 zł podniesie zysk o dodatkowe 3000 zł:
Zysk = 10 000 × 1,5% × 100 zł – 7000 zł = 8000 zł
Dokładnie taki sam skutek odniesiemy, jeśli sprowadzimy do sklepu o 8000 użytkowników więcej niż do tej pory i zapłacimy za nich 10 000 zł:
Zysk = 18 000 × 1% × 100 zł – 10 000 zł = 8000 zł
Z takimi danymi można zweryfikować, co jest szybsze, łatwiejsze lub tańsze do osiągnięcia – optymalizacja współczynnika konwersji czy sprowadzenie nowego ruchu do sklepu.
Podniesienie współczynnika konwersji może być w wielu wypadkach droższe (np. czas pracy programisty) niż dodatkowe wydatki na reklamę.

W ten sam sposób możesz zweryfikować, jak efektywne są konkretne źródła, i porównać je ze sobą. Dla mnie jest to pierwszy krok na drodze do optymalizacji kosztów. Drugim krokiem jest zdobycie wiedzy, ile mogę maksymalnie zapłacić za wygenerowanie jednego zamówienia w sklepie, aby nie być stratnym.
Inną metodą obliczania skuteczności poszczególnych źródeł ruchu jest współczynnik ROAS (Return on Ad Spend), który wskazuje, ile zarobiła każda złotówka wydana na reklamę. Oblicza się go przez podzielenie przychodu z zamówienia przez koszt jego pozyskania. Sam nie przepadam za tym współczynnikiem, ponieważ nie pokazuje on informacji o całościowym koszcie transakcji. Mimo to jest wykorzystywany m.in. do optymalizacji kampanii Google Ads i warto czasami na niego spojrzeć.

Od ogółu do szczegółu

Optymalizację kosztów zaczynam od najbardziej ogólnych informacji i stopniowo przechodzę do szczegółów. W pierwszej kolejności zaglądam do Google Analytics, do raportu Źródło/medium w sekcji Pozyskiwanie. Wybieram źródła, których wartość współczynnika konwersji odbiega od średniej dla strony i które generują tak dużo unikalnych użytkowników, że ich optymalizacja ma sens (przykład poniżej).

Dlaczego proponuję najpierw spojrzeć na współczynnik konwersji? Jeżeli sklep nie jest bardzo dobrze zoptymalizowany, to nie opłaca się mocno zwiększać w nim ruchu, chyba że koszt optymalizacji również byłby znaczny. Obniżenie kosztu reklamy będzie się często wiązało z podniesieniem współczynnika konwersji.

Złożone zachowanie użytkowników – konwersje wspomagane

Zanim przejdę do omówienia możliwości optymalizacji kampanii Google Ads, muszę zwrócić uwagę na sposób zliczania konwersji przez Google Analytics, które domyślnie we wszystkich raportach podaje konwersję w modelu last click. Oznacza to, że zostaje ona przypisana do ostatniego źródła na ścieżce zakupowej klienta, chyba że tym źródłem jest wejście bezpośrednie „direct/none”. W takim wypadku konwersja jest przypisywana do wcześniejszego źródła.
Niestety ten model atrybucji (czyli zbioru reguł odpowiedzialnych za przypisanie konwersji do źródła) jest błędny. W dzisiejszych czasach klienci docierają do sklepu wieloma różnymi drogami i ich ścieżka zakupowa jest znacznie dłuższa. Może się okazać, że źródło ruchu, które pierwotnie wyglądało na nierentowne, po przeliczeniu wypadnie zdecydowanie lepiej.
Jednym z lepszych modeli atrybucji jest rozkład czasowy, który każdemu źródłu przypisuje odpowiedni udział w konwersji – tym większy, im bliżej dokonania zakupu było źródło (przykład poniżej).

Więcej o modelach atrybucji napisał na swoim blogu Avinash Kaushik – tekst, mimo że dość trudny w odbiorze, jest kopalnią wiedzy na temat atrybucji i zabawy statystyką. Link do wpisu znajdziesz w sekcji „Warto doczytać” na końcu artykułu.

Optymalizacja kosztów kampanii Google Ads

Na potrzeby tego artykułu postaram się wymienić najważniejsze elementy związane z optymalizacją kampanii Google Ads, które warto znać, nawet jeżeli kampanię prowadzi agencja lub freelancer. Ze względu na wypieranie kampanii tekstowych przez kampanie produktowe tym drugim warto poświęcić więcej uwagi.
Optymalizację warto jednak zacząć od kampanii tekstowych (GSN – Google Search Network). W raporcie Google Ads → Kampanie, dostępnym w sekcji Pozyskiwanie, pokazane są dane dotyczące efektywności wszystkich kampanii Google Ads (o ile masz prawidłowo skonfigurowaną usługę Google Analytics, spiętą z odpowiednim kontem Ads).
W pierwszej kolejności warto wyszukać kampanie, które mają współczynnik konwersji poniżej średniej lub wyjątkowo wysokie CPC (cost per click). Po kliknięciu w odpowiednią kampanię można przyjrzeć się bliżej grupom reklam i słowom kluczowym, na które grupa ma się wyświetlać. Na tym poziomie szczegółowości powinno być widać może nie samo rozwiązanie problemu, ale pewne alarmujące dane. Jest to dobry punkt wyjścia do kontaktu z agencją lub wprowadzania poprawek na własną rękę.

Jakie mogą być przyczyny niskiego współczynnika konwersji kampanii Google Ads, a zarazem wysokiego kosztu zamówienia? Najczęściej są to niewłaściwe słowa kluczowe (np. zbyt ogólne).

Przykład
W kampanii znajduje się grupa reklam dotyczących opon marki ABC. Frazy kluczowe, na które reklama ma się wyświetlać, to „opony zimowe ABC” i „opony zimowe ABC 195/65/15”. Pierwsza fraza, ze względu na swoją ogólność, ma niewiele konwersji, za to wysoki koszt. Można rozważyć jej wyłączenie.

Problem może też tkwić w stronie docelowej. W tym wypadku warto zweryfikować, czy na stronie, na którą kierujemy klienta, znajdzie on to, czego szuka.

Przykład
W kampanii opon zimowych znajduje się grupa reklam „opony zimowe XYZ”, która ma współczynnik konwersji niższy niż pozostałe w tej kampanii. Po zapoznaniu się ze stroną docelową reklamy okazało się, że w ofercie sklepu pozostał tylko jeden, mało popularny rozmiar opon zimowych XYZ i klienci nie są w stanie zrobić zakupów. Warto rozważyć wyłączenie reklamy do czasu uzupełnienia stanów magazynowych pozostałymi rozmiarami.

Sytuacji nie poprawia też walka za wszelką cenę o pierwszą pozycję. Może ona doprowadzić do zbyt wysokiego CPC i w rezultacie – nierentownej kampanii.
Co wpływa na koszt kliknięcia w kampaniach tekstowych? Generalna zasada mówi, że im dokładniej dopasowane do zapytania klienta są reklama i strona docelowa, tym niższy będzie koszt kliknięcia. Dodatkowo warto weryfikować parametr CTR (procent kliknięć względem wyświetleń reklamy) – im wyższy, tym niższy koszt kliknięcia, oczywiście w pewnym uproszczeniu.
Kampanie produktowe nie są takie łatwe do optymalizacji, ponieważ nie ma nad nimi pełnej kontroli. Po przesłaniu do Google Merchant Center pliku z produktami (feedu produktowego) i posegregowaniu ich na grupy wybór, na jakie hasła wpisane w wyszukiwarkę wyświetlają się jakie produkty, pozostaje w rękach automatu. Może się okazać, że wieczne pióro jest wyświetlane osobom zainteresowanym zakupem kompletu pisaków.

Wskazówki
Rozwiązaniem problemu wyświetlania nieodpowiednich produktów nieodpowiednim osobom w kampaniach produktowych jest bardzo uważne przesyłanie produktów do Google Merchant Center. Nie warto przesyłać wszystkich produktów, zwłaszcza bardzo tanich albo o niskiej marży. Wybierz tylko takie, na których marża jest dobra i które są interesujące dla klienta. Wstępna preselekcja ułatwi zadanie algorytmom i zawęzi im pole wyboru.
Inna metoda to blokowanie słów kluczowych, na które wyświetla się grupa reklam. Służy do tego osobna zakładka w panelu Google Ads. Niestety, nie ma w tym momencie możliwości optymalizacji każdego z produktów osobno, ale też w wypadku większych sklepów byłoby to praktycznie niemożliwe. Jakie hasła blokować?
• Większość fraz związanych z miastami (o ile nie posiadamy oddziałów lokalnych), ponieważ są one najczęściej wpisywane przez osoby zainteresowane zakupem na miejscu.
• Bardzo ogólne słowa kluczowe, np. „opony”, które są w stanie wygenerować ruch, ale nie przełoży się on na zamówienia.

Co wpływa na koszt kliknięcia w kampaniach produktowych? Nie ma tutaj istotnych różnic w stosunku do reklam tekstowych. Weryfikowana jest strona docelowa (musi być wolna od błędów oraz dobrze, żeby miała wprowadzone podstawowe tagi Schema.org2), a w feedzie produktowym muszą się znajdować wszystkie wymagane informacje – zwłaszcza cena, dostępność, zdjęcia o odpowiedniej jakości, opis produktu. Ważnym kryterium jest też CTR, przy czym jest on brany pod uwagę osobno dla każdego produktu oraz zbiorczo dla grupy produktów.

Przykład
Jeżeli w grupie produktowej opony zimowe są produkty, które mają niski współczynnik CTR, to obniżają tym samym ten współczynnik całej grupie reklam i podnoszą koszt kliknięcia. Google dąży do tego, aby wyświetlać produkty chętnie klikane, dlatego nie będzie często pokazywał grupy produktów, które nie zdobyły uznania klientów.

Wspomnę, że w bardzo podobny sposób przeprowadza się optymalizację reklam Facebook Ads, które korzystają z feedu produktowego. W tym wypadku również liczy się jakość samego feedu, czyli wcześniejsza selekcja przesyłanych produktów.

Wskazówka
Jak ocenić, na które produkty są wejścia z Facebook Ads?
Posłuż się raportem Zawartość witryny → Strony docelowe, dostępnym w sekcji Zachowanie, oraz utwórz segment z ruchem ze źródła zawierającego słowo „Facebook”. Po adresach będzie widać, które strony docelowe generują zbyt małą liczbę konwersji. Odpowiadające im produkty można wyłączyć.

Podsumowanie

Temat optymalizacji kosztów w sklepie internetowym to nie tylko wyłączanie źródeł ruchu na stronie, zresztą to jest zawsze najłatwiejsze. Dużo trudniej jest wejść w szczegóły i ustalić, dlaczego dane źródło nie przynosi spodziewanych dochodów. Tłuste lata nie będą trwały wiecznie, ale zanim miną, masz jeszcze czas na optymalizację kosztów związanych z pozyskiwaniem zamówień w swoim e-sklepie.

Warto doczytać:

1. S. Budzelewski, „ROI a ROAS. Na czym polega różnica?”, dostęp online: www.whiteanchor.pl/blog/roi-a-roas-na-czym-polega-roznica.
2. „About Target ROAS bidding”, dostęp online: https://support.google.com/google-ads/answer/6268637?hl=en.
3. „Omówienie modelu atrybucji”, dostęp online: https://support.google.com/analytics/answer/1662518?hl=pl.
4. A. Kaushik, „Multi-Channel Attribution Modeling: The Good, Bad and Ugly Models”, dostęp online: www.kaushik.net/avinash/multi-channel-attribution-modeling-good-bad-ugly-models.