Hezké PNO v účtu, ale počet nových zákazníků se nezvyšuje. Tento rozpor vidím často. Algoritmus raději doručí nákup člověku, který u vás už jednou byl, než aby hledal nového. Ještě lepší je případ, kdy většinu konverzí vodí brandová kampaň. Po odečtení výsledky nevypadají tak optimisticky. Platíte pak za objednávky, které by často přišly z mailingu nebo organiky. Jedna hlavní konverze a váhy v její hodnotě umí Google Ads i Meta Ads naučit více cílit na akvizici.
Skvělé PNO, ale žádní noví zákazníci
Optimalizujete na tržby a systém doručuje čísla. Když se ale podíváte do CRM, zjistíte nepříjemnou věc: klientská báze neroste.
Algoritmy Googlu i Mety rychle zjistí, že je mnohem levnější a snazší zacílit na člověka, který vaši značku zná a už u vás nakoupil. Začnou kanibalizovat vaše vlastní retenční kanály, e-mailing a organiku. Pálíte drahý reklamní rozpočet na lidi, kteří by pravděpodobně nakoupili i bez reklamy.
Další vrstva zmatku je míchání B2B a B2C zákazníků s různou hodnotou pro firmu. Bez jedné sjednocené logiky hodnoty konverze to algoritmu rozumně nevysvětlíte.
Proč rozdělení konverzí zabíjí účty
Původně jsem to řešil tak, že jsem pro každou kombinaci vytvořil samostatnou konverzní akci. Akvizice B2C, retence B2C, akvizice B2B, retence B2B. Každé jsem dal jinou prioritu.
Byla to obrovská chyba kvůli tříštění dat. Jednotlivé kampaně potřebují k efektivnímu učení ideálně 30 až 50 konverzí měsíčně. Pokud máte menší nebo střední účet a rozsekáte nákupy do čtyř různých kampaní, ani jedna z nich nenaplní potřebný limit.
Dnes používám tenhle postup: v Google Ads i Meta Ads jedna jediná hlavní konverzní akce. Tím dáte algoritmu dostatek dat. Co chcete preferovat, nové versus stávající zákazníky, tak nastavíte pomocí úpravy hodnoty té jedné konverzní akce.
Jak znevýhodnit retenci a podpořit akvizici
Cílem je naučit systém, které chování vede k větší hodnotě, a donutit ho hledat nové lidi. Má to ale háček: nesmíte mu celkově snížit čísla, na která je zvyklý, jinak přestane stabilně utrácet a doručovat.
Nové a stávající zákazníky páruji primárně podle e-mailu, případně telefonu. Lookback okno pro akvizici záleží na oboru, obvykle nastavuji 1 rok. Pokud v okně zákazník s daným e-mailem nebo telefonem neměl objednávku, počítám akvizici a použiju AKV. Jinak se použije retenční koeficient RET.
Řešením jsou dva koeficienty a pravidlo: průměr vah musí vyjít na 1.
- Retenční koeficient RET. Fixně, typicky RET = 0,8. Do systému pošlete 80 % hodnoty retence, ale ne úplně ji nezahodíte. Stále je to cenný prodej.
- Akviziční koeficient AKV. Dopočítá se z podílu akvizičních objednávek na doméně.
- Rovnice. Kde p je podíl akvizičních objednávek:
p × AKV + (1 − p) × 0,8 = 1
Modelová tabulka (RET = 0,8)
Jak se mění AKV podle podílu nových objednávek p:
| Podíl akvizice p | RET | AKV |
|---|---|---|
| 0,30 (e-shop žije z retence) | 0,8 | 1,47 |
| 0,40 | 0,8 | 1,30 |
| 0,50 (půl na půl) | 0,8 | 1,20 |
| 0,60 | 0,8 | 1,13 |
| 0,70 | 0,8 | 1,09 |
| 0,80 | 0,8 | 1,05 |
| 0,90 (hlavně nováčci) | 0,8 | 1,02 |
Pokud máte zhruba 30 % objednávek od nových zákazníků, algoritmus dostane za nováčka výrazně vyšší váhu (koeficient 1,47). Pokud už máte 90 % akvizice, korekce je minimální (AKV 1,02).
Když to spojíte s marží
Tohle pravidlo jde posunout ještě dál. Jak popisuju v článku o importu marží, reklamním systémům často dává smysl neposílat hrubý obrat, ale reálnou marži.
Pokud stejné AKV a RET aplikujete na hodnotu marže, dostanete jasnou prioritu: nejvyšší kombinovaná hodnota u vysoké marže a nového zákazníka. Kampaně pak mnohem víc táhnou růst firmy než jen čísla v rozhraní Google Ads.
Jak systém pozná nového zákazníka
Nové a stávající zákazníky párujeme primárně podle e-mailu, případně telefonu. Lookback okno záleží na oboru, obvykle 1 až 2 roky. Pokud v okně zákazník s daným e-mailem nebo telefonem neměl objednávku, počítám akvizici a použiju AKV. Jinak retenční koeficient.
Varianty v praxi
- Fixní nastavení. Po počáteční analýze e-shopu nastavíte RET a vypočítané AKV napevno a držíte je dlouhodobě. Hodí se u stabilního poměru zákazníků.
- Kvartální přepočet. Jednou za 90 dní přepočítáte AKV z aktuálního poměru, vždy z delšího stabilního období. Mezi přepočty koeficienty neměníte, abyste algoritmus zbytečně nemátli.
Pod kapotou
Architektura je stejná jako u optimalizace na marži. Bez zbytečně drahého custom vývoje, na Google Cloud:
- V BigQuery spojíte data z e-shopu, dopočítáte historii zákazníků a podíl akvizice.
- Stav a identitu ukládáte do Firestore pro rychlé čtení při nákupu.
- Server-side GTM: při dokončení objednávky kontejner vezme e-mail, ověří nového versus stávajícího ve Firestoru, vynásobí hodnotu konverze správným koeficientem a odešle ji do Google Ads a Meta Ads.
- Menší e-shopy: jde část logiky dát přímo do dataLayer bez databáze, pokud máte spolehlivě rozlišeného nového a vracejícího se uživatele. Je to řešení spíš pro projekt s vlastním vývojářem. Nevýhoda je, že nemáte takovou kontrolu nad daty a musíte se spolehnout, že vývojář vše implementuje správně. Záleží na kvalitě dat.
V jakém pořadí to řešit
Technicky jde nasadit segmentaci, marži i akvizici najednou. Za mě ale často dává smysl implementovat naráz, ale spouštět ve dvou krocích: nejdřív segmentace produktů a mezitím připravit a sbírat data pro import marže i tento článek, a pak jako druhou vlnu zapnout společně. Segmentace mezitím běží, nečekáte zbytečně. Obecně také nedoporučuji dělat příliš mnoho změn naráz, protože pak nejde sledovat vliv jednotlivých kroků.
Pokud by vás zajímala segmentace, import marže i akvizice a retence, mohl by vás zajímat balíček Kampaně na plný výkon.
Shrnutí
Jedna hlavní konverze s vyšší hodnotou pro nové zákazníky a nižší pro vracející se. Akvizici v hodnotě konverze až po ověření, že na nových zákaznících záleží a měření drží.