Het komt regelmatig voor dat er onvoldoende conversies zijn om een campagne goed aan te sturen met bijvoorbeeld de smartbidding mogelijkheden binnen Google Ads. Dit kan bijvoorbeeld komen door de specifieke segmentatie van campagnes maar ook door simpelweg een gebrek aan conversies, wat vaak voorkomt bij B2B-bedrijven waarbij het doel van de website is dat de bezoeker contact opneemt. Soms zijn er meer dan voldoende conversies, maar worden die bijna allemaal door één campagne onderdeel gerealiseerd waarbij andere campagnes onderdelen voornamelijk verantwoordelijk zijn voor de awareness en het ondersteunen van de decision fase. In dit soort situaties kunnen microconversies een oplossing zijn.
In plaats van de echte doel-conversiepunten te gebruiken, focussen microconversies zich op events die vaker voorkomen en die op hun beurt een goede voorspeller zijn van echte conversie. Zo probeer je de latent geïnteresseerde bezoeker te identificeren: de bezoeker die misschien niet direct converteert als hij je website bezoekt, maar die wel degelijk een reële interesse toont. Dit is de bezoeker die uiteindelijk misschien bij je concurrent koopt maar dit net zo goed op jouw website had kunnen doen.
Je kunt natuurlijk je eigen logica hanteren. Bezoekers die een product in het winkelmandje hebben gedaan, zijn vast en zeker geïnteresseerder dan bezoekers die niet verder komen dan de homepage. Helaas ligt de keuze niet altijd zo voor de hand. In dat geval kun je gebruik maken van een model. Je voorspelt dan met wiskundige/AI methodes hoe groot de kans is dat een bezoeker zal converteren op basis van zijn gedrag op de website. Je kijkt hier bijvoorbeeld naar wat de converteerders in hun sessies voordat ze converteerde allemaal op de website hebben gedaan. Dit gedrag vergelijk je vervolgens met het gedrag van de bezoekers die niet geconverteerd hebben. Op basis van deze analyse kan je vervolgens inzichtelijk krijgen hoe goed je conversies kunt voorspellen, dus hoe goed je model werkt. Als het model naar tevredenheid werkt, kun je tenslotte kijken welke events het model aanwijst als beste microconversies.
Het kan lonen om nog een stap verder te gaan. Je koppelt de microconversie dan niet aan 1 specifiek event maar aan een combinatie van events. Zo kun je dan bijvoorbeeld voorspellen dat een gebruiker die 5 producten heeft bekeken en 2 producten in zijn winkelmandje heeft gestopt meer dan 50% kans heeft te converteren! Zo’n model kun je trouwens breder inzetten dan uitsluitend om microconversies te bepalen. Zo zou je ook kunnen modelleren hoeveel kans er is dat iemand geïnteresseerd is een bepaald type product en op basis daarvan deze bezoeker mee kunnen nemen in een specifieke (re)targeting campagne.
Omwille van de tijd en kosten hoef je het dus niet te laten.
Alles begint met het hebben van individuele analytics data. De data in Google Analytics is geaggregeerd (lees: opgeteld) en daardoor minder geschikt voor dit soort analyses, maar door de Google Analytics data te exporteren naar BigQuery (een database die geschikt is voor dit soort hoeveelheden data), heb je toegang tot data op individueel niveau. Dit betreft overigens nog steeds (pseudo)geanonimiseerde data. Vervolgens kunnen wij een model genereren dat op basis van verschillende events de conversie voorspelt. Aan de hand van de resultaten bepalen we welke microconversies we inregelen, en hoe we het model verder in jullie voordeel kunnen gebruiken.
In een eerder artikel hebben we ons al eens verdiept in de voordelen van het gebruik van BigQuery in combinatie met Google Analytics. Voorheen was het exporteren van Google Analytics data naar BigQuery alleen mogelijk met het premium pakket, nu is export van GA4 naar BigQuery mogelijk voor elke gebruiker. Hoewel hier kosten aan verbonden zijn, vallen die kosten meestal reuze mee. In de praktijk komen de kosten meestal uit op slechts een paar tientjes per jaar. Ook is de “technische” implementatie betrekkelijk eenvoudig. Het aanmaken van het benodigde Google Cloud Platform-account en het activeren van de koppeling hoeft niet veel meer dan een uurtje te kosten. Omwille van de tijd en kosten hoef je het dus niet te laten.
BigQuery biedt naast standaard SQL-query mogelijkheden ook geautomatiseerde Machine Learning(ML)-algoritmes. Veel van de belangrijkste ML-algoritmes kunnen met een paar regels code worden uitgevoerd. Doordat alles zich afspeelt binnen de BigQuery omgeving hoeft dit niet te resulteren in een grotere data infrastructuur: de GA4-data wordt automatisch geïmporteerd in BigQuery. Vervolgens kun je BigQuery (eventueel op basis van een tijdschema) ML-algoritmes laten toepassen op de geïmporteerde GA4-data. Uiteindelijk komt de data met behulp van de verschillende exportmogelijkheden die BigQuery biedt op de gewenste plaats van bestemming.
Los van het praktische gemak dat zo’n alles-in-1 oplossing biedt, is een bijkomend voordeel dat je slechts voor die ene omgeving je GDPR op orde hoeft te hebben. Dit maakt snelle tests/implementatie van ML-algoritmes plotseling binnen handbereik zonder de hoge kosten en tijdsinvestering die anders nodig waren geweest.
In een volgend artikel gaan we dieper in op een concreet voorbeeld van een algoritme binnen BigQuery: ARIMA time series forecating. Voor nu ligt de focus op het opzetten van modellen en het inregelen van microconversies. Door te duiken in deze methoden, kun je waardevolle inzichten opdoen en je campagnes verder optimaliseren.
Hulp nodig bij het inregelen van jouw microconversies? Neem dan contact op met één van onze specialisten. Zij helpen je graag verder bij het vinden van een oplossing op maat!
AI en Big Data Analyse: Wat zijn de verschillen?
Big data-analyse en kunstmatige intelligentie (AI) zijn twee verwante maar verschillende concepten in de wereld van informatietechnologie en...
Lees verder