Maximierung des Umsatzes für einen Sporthändler mit einem Katalog mit über 100.000 Produkten

Steigerung der Budgeteffizienz und Automatisierung der Futtermitteloptimierung

Unser Kunde, ein weltweit tätiger Sporthändler mit 38 Filialen in Portugal, wollte den Google Merchant
Center-Feed nutzen, um den Umsatz und das Verkaufsvolumen auf seiner E-Commerce-Website zu steigern. Die Marke verkauft über
100.000 Produkte für mehr als 100 Sportarten und verwaltet das ganze Jahr über mehrere Werbekampagnen und Rabatte
für verschiedene Sportarten und Jahreszeiten.

UNSER KÜHNER EHRGEIZ

Mit einem großen Produktbestand und ehrgeizigen KPIs, die es zu erreichen galt, brauchte unser Kunde eine Lösung, die ihm half,
der Konkurrenz voraus zu sein. Er musste bereit sein, sich anzupassen und neue Technologien zu nutzen, um
den ROI sowohl der traditionellen Shopping-Kampagnen als auch der neuen Google Performance Max (Pmax)-Kampagnen zu maximieren.
Die Marke sah sich mit E-Commerce-Hindernissen konfrontiert, wie z. B. inkonsistenten Lagerbeständen während der Pandemie,
und makroökonomischen Herausforderungen, einschließlich der Inflation und deren Auswirkungen auf die Verbraucherausgaben - und es war
wichtiger denn je für uns, die Effizienz und Leistung zu verbessern. Unser Ziel war es, den E-Commerce-Erfolg unseres Kunden
zu steigern, indem wir die Verkaufspunkte für die Produkte auf mehrere Kanäle ausdehnten und
Prozesse mithilfe von maschinellem Lernen automatisierten.

UNSERE LÖSUNG

Unser Team gliederte das Projekt in drei Hauptphasen:
‍
1. Analyse der Leistung der Kampagnen
2. Erstellung eines ergänzenden Feeds, um eine Reihe von Produkten auszuschließen
3. Nutzung von Google Cloud zur Datenverwaltung
‍
Zunächst analysierten wir die Produktleistungsdaten von Pmax-Kampagnen, um zu ermitteln, welche Produkte
unrentabel waren und aus dem Feed ausgeschlossen werden sollten, um die Effizienz zu steigern und das aktuelle Budget
in profitablere Produkte zu lenken.
Um zu ermitteln, welche Produkte ausgeschlossen werden sollten, legten wir Kriterien auf der Grundlage von hohen Impressionen, niedriger CTR und niedriger ROAS fest,
die mit den KPIs des Kunden übereinstimmten. Anschließend erstellten wir einen ergänzenden Feed, um zusätzliche
Attribute bereitzustellen, die im primären Feed fehlten oder nicht enthalten waren. Dieser Feed enthielt Informationen über
die Liste der auszuschließenden Produkte und wird dazu beitragen, die Wirksamkeit der Pmax-Kampagnen der Marke
zu erhöhen.

Wir nutzten Google Cloud-Funktionen für diesen Prozess und BigQuery, um nicht nur Leistungsdaten
, sondern auch Erkenntnisse auf Produktebene zu verwalten. Diese Einblicke ermöglichen es unserem Kunden, die Aktivitäten
weiter zu verbessern und Produkte wieder in Pmax-Kampagnen aufzunehmen, wenn die Nachfrage und die Konversionsraten steigen.

UNSERE ERGEBNISSE

Wir haben das folgende Matrixmodell entwickelt, um die Leistung der Futtermitteloptimierung zu analysieren. Die Matrix half
uns zu erkennen, ob die angewandte Strategie die Möglichkeit bot, bessere Ergebnisse zu erzielen. Jeder Diagrammpunkt
stellt die Kombination aus ROAS und Umsatz dar, die wir während des Tests erreicht haben.

Durch die effiziente Nutzung von Daten mit maschinellem Lernen konnten wir die Gesamtleistung von Pmax-Kampagnen steigern. Wir konnten die Budgeteffizienz steigern, indem wir die Kosten um 15 % reduzierten und gleichzeitig den Umsatz um 9 % und den ROAS um 29 % steigerten.