Kees Smit Tuinmeubelen | Adwise – Your Digital Brain

Strategie

De kracht van machine learning binnen Smart Shopping.

Tegenwoordig kun je niet meer om Smart Shopping campagnes heen. Door middel van machine learning worden de campagnes volledig geautomatiseerd aangestuurd. Het campagnemanagement wordt vereenvoudigd. De conversiewaarde gaat omhoog en, naast de zichtbaarheid in het zoeknetwerk, wordt het bereik vergroot door vertoningen in het Google Display Netwerk, Youtube en Gmail. Voor de groeistrategie van Kees Smit zijn smart shopping campagnes een logische keuze in tegenstelling tot de standaard shopping-campagnes.

Smart Shopping heeft ook duidelijke nadelen. De search query en audience data zijn niet beschikbaar en de controle over de zichtbaarheid van de producten gaat grotendeels verloren.

Een aanbeveling van Google is om alle producten te targeten in een enkele campagne, om hieruit zoveel mogelijk data te genereren voor smart bidding. Alle producten worden hierdoor hetzelfde behandeld. Google geeft hierdoor low-value en high-value producten evenveel zichtbaarheid.

Een innovatieve oplossing voor dit probleem is de combinatie van de kracht van machine learning binnen Smart Shopping met controle over de zichtbaarheid van producten. Daarbij combineren we door middel van data modeling onze eigen unieke productdata met data van Google om de smart shopping campagnes aan te sturen.

Onze aanpak

Google voeden met eigen productdata.

Google verzamelt veel data en kan op basis daarvan smart shopping campagnes optimaliseren, maar wij zijn ervan overtuigd dat de resultaten beter worden als we Google nog meer voeden met eigen productdata. Het doel is dat er een automation layering ontstaat bovenop de bestaande smart shopping oplossingen.

Alle campagne data die wordt verzameld binnen smart shopping halen we op en slaan we op in een data-omgeving. Op basis van deze data wordt er alle beschikbare productdata toegevoegd vanuit het eigen systeem. Op deze manier ontstaat er een realistisch beeld en wordt er dus gebruik gemaakt van verrijkte productdata. Met deze extra informatie wordt er voor elk product een score berekend. Vervolgens wordt deze score gebruikt om de producten op te delen in groepen. Dit wordt gedaan met behulp van de statisch bewezen normale verdeling en standaarddeviatie.

Dit wordt gezien als een rekenkundige maat voor de spreiding van de getallen rondom het gemiddelde. Met behulp van deze standaarddeviatie worden de grenzen bepaald, waarin bepaald wordt of producten low performers, average performers of high performers zijn. Op deze manier wordt het snel inzichtelijk welke producten goed scoren of welke producten nog geen ruimte hebben gehad om te presteren. Deze uitkomsten worden vervolgens terug geschoten naar de Smart Shopping campagnes, waar ze op basis van het resultaat automatisch worden ingedeeld in de juiste campagne met het juiste target.

De indeling van de producten zijn altijd dynamisch

Door middel van het algoritme.

Dit terugschieten wordt gedaan door gebruik te maken van de custom labels in de feed. Hiermee zijn de smart shopping campagnes ingedeeld in de verschillende productcategorieën op basis van high/average/low performance met verschillende doel-ROAS targets. Naast de Google-data verrijken met eigen data, is het onderscheidende en innovatieve aan deze werkwijze dat de indeling van de producten altijd dynamisch is door middel van het algoritme. In de analyse worden de producten telkens herbeoordeeld en is het mogelijk dat het product vervolgens in een andere campagne wordt ingedeeld (high/average/low). Hierdoor is deze werkwijze goed schaalbaar. Na het eenmalig opzetten van de data-omgeving, de analyse en het proces om data terug te schieten, worden de campagnes dagelijks automatisch geoptimaliseerd. Het succes van deze data modeling uit zich ook in de resultaten van de verschillende campagnes, die hieronder worden besproken.

Resultaten

+69%

Gebruikers +69%

+28%

Conversiepercentage van e-commerce +28%

+101%

Transacties +101%

+104%

Omnichannel omzet +104%*

+62%

Omnichannel* ROAS +62%

Groei in performance

door succesvolle smart shopping campagnes en meer grip op product zichtbaarheid.

Deze aanpak heeft geleid tot een significante groei in performance. We vergelijken de resultaten van de Smart Shopping campagnes met dezelfde periode een jaar ervoor. De resultaten zijn genomen over een periode van ruim tien maanden (nov-19 t/m aug 20). De resultaten zijn uitzonderlijk hoog en overtreffen de opgestelde doelstellingen ruimschoots.

* Naast de online omzet wordt binnen de campagnes ook de offline omzet meegenomen. Dat betekent dat de smart bidding biedstrategieën optimaliseren op omnichannel omzet.

Een kanttekening: dit project vond plaats tijdens COVID-19. Veel markten staan nog steeds op hun kop. De ene branche steeg en de ander daalde. De Smart Shopping campagnes van Kees Smit hebben het dankzij deze strategie uitzonderlijk goed gedaan in deze periode met een groei van 104%.

Het belangrijkste doel was om meer grip te krijgen op de zichtbaarheid van producten en hiermee de omzet en ROAS van de smart shopping campagnes verder te verbeteren. Dit is gelukt en de klant is erg tevreden met het eindresultaat.

Meer weten over smart shopping campagnes?

Joris Kroes, digital strategist bij Adwise, vertelt je er graag meer over.

Neem contact op

Cases

Met trots werken wij aan onderstaande projecten.

Bekijk alle cases

Meer dan 100% groei in omnichannel omzet

Smart shopping nog slimmer uitgevoerd

Diensten

Deze case is genomineerd voor