Reklamní platformy dnešní doby fungují již z velké části na principu strojového učení a automatizace. V obecné rovině platí přímá úměrnost, že čím více kvalitních dat má kampaň k dispozici, tím lepší je její návratnost/efektivita. Tento způsob optimalizace výkonu kampaní by se dal připodobnit k americké populaci a její závislosti na cukru – čím více cukru konzumují, tím více po něm touží a stávají se na něm závislejší. Stejně tak reklamní systémy potřebují stále více kvalitních dat, aby dosáhly lepších, nebo dokonce stejných výsledků.
Obrázek 1: Schéma pro růstovou křivku v analogii mezi daty a cukrem
Zdroj: vlastní zpracování
Vedle samotných reklamních systémů je zde samozřejmě ještě také analytika reprezentující návštěvnost na mém webu nebo v aplikaci (typicky Google Analytics 4 nebo Adobe Analytics). Obecně zde platí to samé – dat v analytice je méně než kdy předtím a napříč agenturními klienty u nás ve Fragile je běžné, že v rámci analytiky vidíme v průměru o 30 % méně dat, než je realita. Méně dat v analytice má poté za následek ztíženou možnost zakládat svá rozhodnutí čistě na základě dat, a to by mohlo vést k chybám prvního a druhého typu.
V návaznosti na výše popsanou rostoucí potřebu “mít k dispozici více dat” se tedy nabízí otázky: Jak toho mohu docílit? Co je dobrý první krok, který mi v cestě za kvalitnějšími daty pomůže? Jak naléhavý problém to v mém případě vlastně je?
Revize cookie lišty jako krok číslo 1
V předchozí části článku je popsáno, že cookie lišty jsou tu s námi již od roku 2018 a jejich správné nastavení po legislativní nebo technické stránce je zásadní a nezbytný první krok. Na obrázku níže je konkrétní ukázka cookie lišty, která z legislativního pohledu nastavena správně – uživatel je srozuměn, proč je potřeba s lištou interagovat a s čím vlastně souhlasí / co odmítá.
Zároveň je důležité, že je vedle možnosti přijmout měření také možnost měření odmítnout ihned v první vrstvě lišty. Pokud chce uživatel upravit preference na míru, může se prokliknout do druhé vrstvy pomocí tlačítka “Podrobné nastavení” a podle “opt-in” logiky vybrat své konkrétní preference:
Obrázek 2: Příklad zpracování cookie lišty
zdroj: marimex.cz
Správně technicky a legislativně nastavená cookie lišta je častokrát tím zásadním dělícím prvkem, který stojí mezi kvalitními a nekvalitními daty a zároveň také mezi nízkým a vyšším podílem doměřených návštěv. V rámci agentury se cookie lištám a obecně kvalitě měření věnujeme při auditech měření, kde společně s klienty hledáme potenciál ke zlepšení kvality měření.
Práce s vlastními daty
Aktuálním trendem napříč jednotlivými reklamními systémy je práce s vlastními daty. Vlastními daty je myšlena práce s uživatelskými údaji jako je e-mail, telefon nebo adresa zákazníka. Vlastní data se mohou využít ke zvýšení přesnosti měření (Rozšířené konverze Google Ads, modelace konverzí Sklik a podobně).
Vedle přesnějšího měření mohou být vlastní data využitá k samotnému cílení. Nespornou výhodou tohoto typu cílení je vysoká přesnost a relevance – komunikuji reklamu pouze zvolenému okruhu uživatelů a mám naprostou kontrolu nad tím, jak okruh budu mít definovaný.
Příkladem tak může být středně velký e-shop, který při objednávkovém procesu od svých zákazníků sbírá potřebný souhlas s využitím osobních údajů k marketingovým účelům. Následně s uživatelskými daty pracuje v rámci svého CRM systému, kde si svou databázi dělí na zákazníky dle data posledního nákupu a hodnoty objednávky – vzniknou tak 3 vzorové segmenty, které bude chtít zacílit pomocí dlouhodobého remarketingu:
- Nakoupili před 3 měsíci za 1500 Kč a více
- Poslední nákup udělali za méně než 1 měsíc
- Nakoupili produkt v kategorii A
Na takto vytvořené segmenty poté lze v rámci reklamního systému komunikovat různě – zjednodušeně tak například – na segment 1 dlouhodobý remarketing s cílem znovu aktivovat tento segment uživatelů, segment 2 vyloučit z remarketingu a segment 3 využít pro remarketingový upsell, kdy mohu komunikovat dokoupení příslušenství k danému produktu.
Obrázek 3: Ukázka využití vlastních dat v prostředí Google Ads
zdroj: vlastní zpracování
Nevýhodou práce s vlastními daty je poté manuální charakter této činnosti, kdy se při představě manuální segmentace zákazníků a ručního nahrávání dat do jednotlivých reklamních systémů ježí vlasy nejednomu klientovi a specialistovi. Ve chvíli, kdy ještě zmíníme, že by se nám tato data hodila ideálně jednou týdně mít aktualizovaná, tak se to jeví jako velmi časově náročná činnost.
Cílem rozhodně není toto všechno dělat ručně. Společně s klienty hledáme způsoby, jak celý proces co možná nejvíce automatizovat. Nabízí se celá řada možných způsobů, jak toho docílit – zmíním například přímé napojení CRM systému s Google Ads nebo integraci platformy Sklik s nástrojem Boost.space. V rámci agentury nabízíme našim klientům jedinečnou možnost automatizovaného propojení e-mailového nástroje s reklamním systémem Google Ads. Právě e-mailový nástroj může být skvělým prvním krokem k práci s vlastními daty, oproti trochu robustnějšímu napojování celého CRM systému.
Autorem článku je
Filip Vlasák
Performance Analytics Specialist
