Tips voor een AdWords-biedstrategie op basis van softconversies

AdWords wordt veel gebruikt als een keihard conversiekanaal, met strakke ROAS-, ROI- of CPA-doelstellingen. Helaas is het niet altijd mogelijk om een biedstrategie in te stellen op basis van een harde conversiedoelstelling. Als oplossing adviseert de helpdesk van Google om softconversies te gebruiken, om de data van de biedstrategie te verrijken. De juiste softconversie en bijbehorende CPA wordt vaak gekozen op basis van een correlatieanalyse, maar deze analyses geven ook problemen. Wat gaat er mis? En hoe kun je de verhouding tussen een softconversie en harde conversie analyseren?

Wanneer is een hard conversiedoel een probleem?

Er zijn twee veel voorkomende situaties waarbij een hard conversiedoel niet mogelijk is. Allereerst zou het zo kunnen zijn dat er te weinig harde conversiedata is voor de biedstrategie. Biedstrategieën binnen DoubleClick Search (DS3) bijvoorbeeld hebben minimaal 20 conversies per dag nodig voor effectieve optimalisatie, terwijl een doel CPA in AdWords minimaal 30 conversies per maand nodig heeft.

Ten tweede is een harde conversie zoals een winkelbezoek wel te meten en terug te vinden binnen de ‘alle conversies’-kolom in AdWords, maar is het nog niet mogelijk om deze als conversiedoel te kiezen bij het instellen van een AdWords- of DS3-biedstrategie.

AdWords-biedstrategie op basis van softconversies

De oplossing is dus een biedstrategie op basis van softconversies. Stel je wil een biedstrategie aansturen op aankopen, dan zou je als softconversie een klik op de knop ‘Stop in mijn winkelmandje’ mee kunnen nemen. Of in het geval van winkelbezoeken zou je het gebruik van een routebeschrijving-tool kunnen gebruiken als softconversie.

Om tot een biedstrategie op basis van softconversies te komen, gebruiken marketeers vaak een correlatieanalyse om te kijken in hoeverre de softconversie en harde conversie zich tot elkaar verhouden. Bij een positieve correlatie bewegen de soft- en harde conversie in dezelfde richting, zoals dat des te warmer en zonniger de dag, des te meer ijsjes er verkocht worden (↑ temperatuur, ↑ ijsjes verkopen).

Bij een negatieve correlatie bewegen de soft- en harde conversie in tegenovergestelde richtingen, bijvoorbeeld als de prijs van kipnuggets bij McDonald’s omhoog gaat, gaat de hoeveelheid genuttigde nuggets naar beneden (↑ Nugget prijzen, ↓ Nugget consumptie).

Op basis van een hoge positieve correlatie wordt er vaak besloten om een biedstrategie in te zetten op basis van de verhouding tussen de softconversie en de harde conversie. Stel: een aankoop mag 100 euro kosten. Voor elke 4 mensen die producten in het winkelmandje stopt, wordt er 1 daadwerkelijke aankoop gedaan. Een logische aanname is om dan de CPA-biedstrategie op basis van de soft conversie op 25 euro in te stellen.

Problemen met een correlatieanalyse

Helaas blijkt een dergelijke analyse in de praktijk vaak niet te leiden tot een effectieve strategie. Hoewel de AdWords-biedstrategie perfect het CPA-doel van 25 euro per softconversie behaalt, blijven de aankopen achter. De moedige marketeer gaat nog misschien 1 of 2 maanden door met de strategie, want “er mag best een beetje speling zitten in de verhouding”. Na 3 maanden tegenvallende resultaten wordt toch de stekker getrokken uit de test met soft onversies. Waar gaat het mis?

Optie 1. De softconversie is alleen verantwoordelijk voor een deel van de harde conversies

Neem het voorbeeld van het winkelbezoek. Gemiddeld werd er iedere maand 300 keer gebruik gemaakt van de online routeplanner, en kwamen er gemiddeld 150 mensen naar de winkel volgens AdWords. Stel de verhouding tussen de online routeplanner en winkelbezoeken is 2:1 en een winkelbezoek mag 30 euro kosten, de marketeer concludeert dan op basis van deze verhouding dat de softconversie 15 euro mag kosten.

In realiteit gebruikte maar 100 van de 150 winkelbezoekers die via AdWords bereikt werden de online routeplanner, de overige 50 mensen hadden de locatie van jouw winkel al in hun TomTom staan. De softconversie ‘online routeplanner’ kwam dus niet in een 2:1-verhouding voor, maar leidde in een 3:1-verhouding tot harde conversies. De softconversie mocht dus maar 10 euro kosten.

Optie 2. De softconversie in Analytics gebruikt een ander attributiemodel dan de softconversie in DoubleClick

Neem wederom het voorbeeld van de verhouding tussen producten in het winkelmandje met daadwerkelijke aankopen. Na analyse blijkt er geen andere factor te zijn die de aankopen beïnvloedt, dus de verhouding van 4:1 blijft ook constant als het aantal mensen dat een product in het winkelmandje doet toeneemt. Toch blijkt iedere maand de CPA van aankopen te hoog. Waar gaat het mis?

DoubleClick Search werkt op basis van een eigen trackingpixel, genaamd een floodlight. Deze floodlight gebruikt standaard een ander attributiemodel dan AdWords en Analytics om conversies toe te kennen. Waar AdWords en Analytics standaard ‘last’-click-attributie gebruiken, gebruikt DoubleClick ‘last AdWords’-click-attributie. DoubleClick Search kent dus een floodlight-conversie toe bij iedere transactie waar AdWords voorkwam in het conversiepad, niet alleen als AdWords de laatste conversie was.

In het bovenstaande voorbeeld komen de AdWords-bezoekers met producten in hun winkelmandje in een 4:1-verhouding voor met AdWords-conversies, terwijl bij de floodlight-conversie de verhouding 5:1 is. Als DoubleClick perfect stuurt op een CPA van 25 euro kost een aankoop dus 125 euro, terwijl er op basis van de AdWords-data 100 euro werd verwacht.

Optie 3. De softconversie en harde conversie verhouden zich wel tot elkaar, maar niet lineair

Deze situatie komt voor in technische markten, neem bijvoorbeeld het verkopen van een AdWords-automatiseringssysteem dat alleen geschikt is voor grote bedrijven. Doordat in deze situatie de doelgroep gelimiteerd is, leidt het bereiken van meer mensen misschien wel tot meer demo-aanvragen, maar het aantal grote bedrijven dat binnen deze doelgroep valt neemt af naarmate meer grote bedrijven zich aansluiten.

De kwaliteit van de softconversies neemt dan af (zie de wortelfunctie). Er zijn ook situaties bij luxeproducten, waarbij de kwaliteit van softconversies juist toeneemt als meer mensen het product via softconversies erkennen als een statussymbool. In dergelijke situaties, waarbij de verhouding tussen de softconversie en de harde conversie niet stabiel is, is het gebruiken van een verhouding niet te adviseren.

Optie 4. De softconversie correleert wel met aankopen, maar is niet de reden dat aankopen plaatsvinden

Dit geval betreft de beroemdste zin in statistiek en analyses:

Correlatie betekent geen causatie

Laten we teruggaan naar het voorbeeld van de aankopen. Dezelfde winkel die de softconversie ‘Producten in het winkelmandje’ doormeet, meet ook ‘Helpdesk live chatsessies’. Na analyse blijkt er een hoge correlatie te zijn tussen de helpdesk live chatsessies en de winkelaankopen. In maanden met veel winkelaankopen zijn er ook veel live chatsessies.

Als je dit navraagt bij de klantenservice blijkt dat dit allemaal vragen zijn van mensen die een andere, niet ondersteunde, betalingsmethode willen gebruiken. Deze mensen doen allemaal uiteindelijk geen aankoop. Er is dus wel sprake van correlatie, maar geen causatie. Live chatsessies en aankopen komen wel samen voor, maar door live chatsessies te targeten met een biedstrategie zal je niet meer aankopen krijgen.

De beste tool voor AdWords-automatisering is statistiek

Voor zij die het liefst de statistiekvakken uit hun opleiding vergeten, heb ik slecht nieuws. De oplossing voor de bovenstaande problemen is een betere statistische onderbouwing van AdWords-automatiseringstrategieën. De simpelste manier om een accuratere verhouding te berekenen tussen harde en zachte conversies, is het gebruik van een lineaire regressie-analyse. Een lineaire regressie-analyse berekent de best verklarende verhouding tussen twee variabelen door 1 cruciale aanname toe te voegen aan een standaard verhouding. Niet alle harde conversies worden verklaard door softconversies.

Om deze aanname anders te formuleren: er is een baseline aan harde conversies die ook zou plaatsvinden als er 0 softconversies waren geweest. In het voorbeeld van een winkelbezoek: hoewel er veel mensen zijn die een routebeschrijvingcheck doen, zullen er ook mensen zijn die jouw winkel al lang in hun TomTom hebben staan en jou ook hadden gevonden als er geen softconversies hadden plaatsgevonden. Kort door de bocht, de eerste groep trek je aan door te optimaliseren voor softconversies, de tweede groep blijft onbeïnvloed door deze softconversie te optimaliseren.

Analyseren voor biedstrategiedoelstellingen

Hieronder volgt stap voor stap een beschrijving van hoe je de verhouding tussen een softconversie en harde conversie kunt analyseren met als doelstelling antwoord op de vragen:

• Welke verhouding tussen softconversies en harde conversies moet ik aanhouden?
• Welke CPA volgt er uit deze verhouding?

Stap 1

Maak een Excel met de harde en zachte conversies, uitgedraaid op dag- of op weekbasis. Let hierbij op een aantal punten:

• Bundel voldoende data samen om trends te kunnen analyseren. Voor vele accounts zal dit betekenen: werk met data per week.
• Werk je met DoubleClick for Search? Gebruik Floodlight-data of data uit het ‘last AdWords’-clickattributiemodel in Analytics.
• Neem geen merknaam-data mee, aangezien de softconversies op merknaam vaak de relatie tussen harde en zachte conversies vertekenen.

Stap 2

Activeer de data-analyse-toolpak in Excel (File > Options > Add-ins > Analysis ToolPak).

Stap 3

Run een regressie-analyse met de volgende instellingen:

• De harde conversie als y-data
• De zachte conversie als x-data
• Een 90%/95%/99%-zekerheidsinterval
• Kies ook de datagrafieken om een visueel begrip te krijgen van het resultaat

 

Stap 4

Beoordeel de onderstaande uitkomsten van de regressie-analyse:

• Multiple R (correlatie): indicatie van de kracht van de lineaire relatie tussen de harde en zachte conversie. Wenselijk is als er een hoge positieve correlatie is (richtlijn afhankelijk van de industrie en het type conversie, > 0.7). Als er een correlatie dicht bij 0 ligt, is het niet aan te raden deze softconversie te gebruiken om op harde conversies te sturen.
• R Square: de hoeveelheid van de variatie in harde conversies, die verklaard wordt door de zachte conversies op een schaal van 0 tot 1, waarbij 0 betekent dat 0% van de harde conversielijn wordt verklaard door softconversies, 1 betekent dat 100% wordt verklaart. In het geval van 100% liggen alle datapunten exact op de lijn. Des te meer verklaard wordt, des te zekerder de analyse als input kan dienen voor het bouwen van een biedstrategie. Gebruik dus een softconversie die veel van de variatie in de data verklaart.

• Significance F en de p-values: de significance F geeft aan of de functie als geheel significant is, de p-waardes geven aan of de achterliggende coëfficiënten ook significant zijn. In het geval van 95% significanties, moeten deze waardes kleiner zijn dan 0.05. Als de uitkomst niet significant is, gebruik de analyse dan niet als input voor een biedstrategie.

Stap 5

Als alle waardes voldoen aan de vooraf gestelde richtlijnen (bijv: Multiple R > 0.7, R Squared > 0.6, Significance F & p-values < 0.05) dan kan de uitkomst omgerekend worden naar de verhouding die nodig is om de biedstrategie aan te sturen. In het bovenstaande voorbeeld is de formule als volgt:

Harde conversie = 0.36 * zachte conversie + 12.45

De verhouding die hieruit volgt is 1 harde conversie staat tot 2.78* zachte conversies (*1 / 0.36). Stel de harde conversie mag uiteindelijk 50 euro kosten, dan zou kunnen worden aangestuurd op een CPA van afgerond 50 / 2.78 = 20 euro. In dit bovenstaande voorbeeld was een standaard verhouding zonder regressie 1:2 geweest, waarbij de zachte conversie was aangestuurd op een CPA van 25 euro, met als resultaat naar alle waarschijnlijkheid een harde conversie die 70 euro kost.

Heb jij nog andere onderwerpen binnen AdWords waar statistische analyse goed kan worden toegepast, laat het me weten. Of heb je nog meer vragen over het opzetten van een biedstrategie in AdWords? Ik hoor het graag in de comments.