ROAS is a King, but Profit is a Queen

W poprzednim artykule Co łączy boisko piłkarskie z kontem reklamowym pisałem o porównaniu produktów w ofercie e-commerce do piłkarzy biegających po boisku. Teraz chciałbym pogłębić temat obszaru strategicznego czyli tego, w jaki sposób podejść do oceny stanu zastanego i zaplanowania zmiany, która będzie realizować konkretne cele biznesowe.

Tylko 2% marketerów korzysta z wiedzy o marży

Wg raportu przygotowanego przez Data Feed Watch na bazie tysięcy sklepów internetowych

Tylko 15% marketerów wykorzystuje więcej niż 1 źródło danych przy segmentowaniu produktów e-commerce a 2% z tych, którzy to robią bazuje na marży na produkcie.
Multichannel Marketing Report 2023

Jak to rozumieć? Są co najmniej 2 wnioski. Tylko 15% marketerów wykorzystuje szerszy niż pochodzący z podstawowego feedu produktowego kontekst danych o produkcie. Oznacza to, że większość nie podejmuje próby nakarmienia AI systemu reklamowego innymi niż podstawowe i wymagane dane. To duży błąd ponieważ w taki sposób po pierwsze marketer ogranicza efektywność sprzedaży a po drugie zmniejsza swoją zarządczość, jeśli chodzi o priorytety sprzedażowe. Pochodną tej i wielu innych decyzji jest to, że w praktyce najczęściej sprzedawany jest wąski fragment oferty a wiele produktów po prostu leży na magazynie i nie ma na to wystarczających szans.

Drugi wniosek odnosi się bezpośrednio do wagi marży na produkcie. Niestety większość marketerów głównie optymalizuje pod ROAS pomijając zysk i marżę. Wiedza o marży jest kluczową informacją, która powinna mieć wpływ na scoring produktu oraz strategię jego sprzedaży. Od lat obserwujemy niekończącą się optymalizację pod jak najlepszy ROAS. To nie jest optymalizacja, która nie ma końca i w którymś momencie będzie już mało efektywna ponieważ duża ilość pracy zacznie przekładać się na coraz mniejsze efekty. Można to porównać do strategii czerwonego i błękitnego oceanu a optymalizacja i walka o ROAS to właśnie taki czerwony czyli bardzo konkurencyjny ocean.

Oczywiście trzeba to robić a relacja kosztów reklamowych do przychodów to był, jest i długo będzie podstawowy wskaźnik w digital marketingu ale nie powinien zaburzyć nam optyki i zmonopolizować wszelkich działań.

Przez lata w dobie prosperity e-commerce wystarczyło robić niewiele, aby było dobrze. Przez dobrze rozumiem, że rośnie oraz że na końcu dnia na koncie pojawia się zysk. Rynek się jednak profesjonalizuje czyli jest coraz większa konkurencja nie tylko z rodzimym kapitałem, klienci są coraz bardziej wymagający, stawki rosną, marże maleją, koszty operacyjne rosną itd itd.

W dobie rosnącego ciśnienia e-commerce, coraz większej ilości danych wypada szukać potencjału na wzrost biznesu także tam, gdzie do tej pory nie było to aż tak mocno wymagane: np w zarządzaniu w oparciu o dane strategią sprzedaży produktów. Oczywiście to się od zawsze działo jednakże dziś responsywność i efektywność AI zaszytego w systemy reklamowe jest jeszcze wyższa i jeszcze bardziej pozytywnie (i negatywnie) podatna na dane na wejściu. Interesem marketera powinno być, zadbać o ten dane tak jak powinien zadbać o dobry prompt. Skoro coraz więcej zmian na koncie dzieje się w efekcie automatyzacji, AI to rola marketera przenosi się bardziej w kierunku odpowiedzialności za strategię oraz dobre dane.

Czy są jakieś dane, które udowadniają potencjał tej tezy? Proszę bardzo:

66,6% reklamodawców wyklucza nierentowne produkty z płatnych kampanii.
Multichannel Marketing Report 2023

33,4% reklamodawców jednak dalej tego nie robi. Oczywiście nie można na tak ogólnym poziomie jednoznacznie odpowiedzieć na pytanie, czy to dobrze, czy źle ponieważ to zależy. Z pewnością, jednak nie jest dobre nieposiadanie takiej wiedzy, nieliczenie tego, nierobienie z taką wiedzą niczego. Jak duża albo mała może być skala produktów nierentownych? Zanim postaram się odpowiedzieć na to pytania zrobię mały wstęp.

Nawet 85% sprzedawanych produktów generuje stratę

Przez produkt nierentowne rozumiemy te, które po odliczeniu kosztów reklamowych i uwzględnieniu marży mają wynik niższy niż ich suma sprzedaży netto w danym okresie czasu.

Jak myślisz jaki może być % produktów, które są nierentowne? Mediana przeanalizowanych przez nas sklepów wyniosła 85%. Tak, w analizowanych przez nas sklepach 85% produktów, które się sprzedawały sprzedawało się ze stratą. Oczywiście w takiej sytuacji należy pogłębić analizę co może być tego przyczyną. Być może ruch był ściągany niewłaściwie, być może są słabe opisy czy zdjęcia, być może produkt nie sprzedawał się ramach systemu, który generował ruch ale wspierał sprzedaż innego produktu w innym kanale itd.

Uważasz że powyższe dane są ciekawe. Mam nadzieję, że spodobają Ci się też poniższe statystyki:

33% wynosi mediana produktów w ofercie e-commerce, które generują koszty, a nie przynoszą nawet 1 zł przychodu.
Analiza własna Data Octopus

40% wynosi mediana produktów w ofercie e-commerce, które nie są nawet reklamowane przez system i nie generują żadnych kosztów i przychodów.
Analiza własna Data Octopus

15% wynosi mediana produktów w ofercie e-commerce, które generują zysk po uwzględnieniu marży.
Analiza własna Data Octopus

Aktywacja wiedzy o marży czyli budowa Master Modelu

Jeśli już rozumiesz jak istotna biznesowo i strategicznie jest wiedza o marży być może zadajesz sobie pytanie, JAK z niej skorzystać? Zanim na to odpowiem na przykładzie Data Octopus dodam, że metoda jest dość uniwersalna i nie musi koniecznie dotyczyć tylko marży. Może dotyczyć dowolnej, ważnej dla Ciebie danej o produkcje, którą chcesz wziąć pod uwagę przy jego segmentacji i zarządzania sprzedażą. Czasami jest to wiekowanie na magazynie, czasami jest to marka, na której sprzedaży zależy nam bardziej, współczynnik zwrotów. To, do czego zapraszamy to budowa master modelu danych o produkcie, która agreguje kluczowe o nim dane nie tylko z feedu produktowego ale też z systemów takich jak:

system reklamowy
silnik e-commerce
system ERP/CRM
inne

Grafika poniżej obrazuje przepływ danych o produkcie na dużym poziomie ogółu. Obok Data Octopus wykorzystujemy Google BigQuery jako główną hurtownię danych, na poziomie której je agregujemy, przetwarzamy. Więcej o Google BigQuery tutaj.

Master model danych może składać się z danych o produkcie pochodzących z Google Ads, Google Analytics 4, feedu produktowego ale także z dodatkowych źródeł jak system e-commerce, Google Sheets, XML/XLS, URL itd. Ogromną zaletą jest wysoka częstotliwość pobierania danych oraz skalowane środowisko.

Poniższa struktura pokazuje konto reklamowe, po którym produkty głównie rozkładają się ze względu na ich udział w sprzedaży, poziom ROAS czyli rentowności uzyskania tej sprzedaży.

Produkty Zombie przenosimy do osobnej kampanii, która na poziomie ustawień adresuje cel, jaki chcemy osiągnąć w przypadku tych produktów. Tym celem jest rozruszanie ich sprzedaży natomiast najczęściej nie jest tak, że te produkty jej nie mają w ogóle.
Podobnie wygląda sytuacja z “No purchase”. To też są produkty, które wymagają rozruszania bo nie sprzedają się w ogóle. Z testów i doświadczeń wiemy, obie powyższe kampanie potrafią szybko dostarczyć bardzo ciekawe efekty, jeśli produkty są do nich właściwie przypisane a same kampanie dobrze ustawione.
Dalsza matryca przypisuje wszystkie produkty osiągające określony poziom sprzedaży do jednej z dziewięciu kampanii. Kampania zależy głównie od tego, jaki ROAS oraz poziom sprzedaży osiąga dany produkt w ciągu określonego czasu.

Równie dobrze można brać pod uwagę zamiast Revenue czy Performance rank’u np współczynnik konwersji na poziomie produktu czy Profit rank. Mamy jednak pewne wypracowane w efekcie współpracy z klientami metody oraz strategie, które dobrze pracują na różnych etapach rozwoju i celów sklepu internetowego.

Analiza efektywności sprzedaży produktów

W celu złapania stanu wyjściowego zwykle zaczynamy od oceny efektywności sprzedaży produktów. W jej efekcie powstaje raport, który już na starcie jest w stanie dużo powiedzieć na temat tego, jak wygląda sytuacja na koncie. Poniżej fragmenty raportów pochodzących z różnych, analizowanych przez nas kont:

69% produktów w ciągu ostatnich 90 dni nie sprzedała się w ogóle.
11% to budżet zainwestowany w sprzedaż produktów, która zakończyła się wynikiem 0.
31% oferty to produkty, która generują sprzedaż. Zainwestowano w nie 89% budżetu reklamowego co jest bardzo dobrym wynikiem na tle innych analizowanych przez nas sklepów. Często budżet inwertowany w zerową sprzedaż potrafi być na poziomie mocno powyżej 50%.

Aż 60% sprzedawanych produktów po uwzględnieniu marży sprzedaży nie przynosi zysku…
Budżety inwestowane w sprzedaż produktów nierentownych są większe niż te w sprzedaż produktów generujących zysk.

To, do czego zachęcamy to rozpoczęcie optymalizacji pod zysk, a nie tylko ROAS czy przychód. W dobie rosnących kosztów e-commerce oraz spadających marż to zysk staje się najważniejszy, a nie skala biznesu. W sytuacji taniego pieniądza i wysokich marż ma on mniejsze znaczenie ale w ostatnich latach jego waga strategiczna rosła. Nie każdy e-commerce o tym pamięta dlatego mamy tak dużą ich rotację na rynku (wiele na niego wchodzi i równie wiele z niego wychodzi do 2 lat).

Revenue Rank połączony z Profit Rank

Powyższa grafika obrazu przypisanie każdego z produktów w ofercie e-commerce do jednego z 4 koszyków. Produkt z uwagi na swoją wagę w przychodzie może znaleźć się w segmencie High, Mid, Low lub No Reve, jeśli nie generuje sprzedaży wcale. To przykład podziału ze względu na udział w przychodach. Analogicznie można budować segmentację produktów z uwagi na udział w zysku dzieląc je na koszyk produktów, które generują zysk na określonym poziomie (High, Mid, Low) lub generują stratę. Ciekawa jest analiza, w której łączymy Revenue Rank z Profit Rankiem i sprawdzamy jak produkty z koszyka generującego duży udział przychodów wpływają na zysk. Z powyższej grafiki można odczytać, że:

Produkty, które nie generują sprzedaży konsumują najwięcej generowanych na koncie wyświetleń produktów.
Produkty, które nie generują sprzedaży konsumują 34% całości budżetu reklamowego. Produkty najmocniej generujące przychody wydatkują tylko 41%. Jeszcze mniej wpada do tych na niższych segmentach Revenue.
Segment MID Revenue generuje bardzo mało i bardzo drogo sprzedaż. Na pewno są tam produkty, które mają potencjał ale trzeba na bazie danych je znaleźć i wyciągnąć do odpowiedniej kampanii. Po okresie inkubacji ewentualnie przenieść do jeszcze innej.

Tylko 9% produktów znajduje się w jednej kampanii.
73% produktów znajduje się w minimum 3 kampaniach.

Nie da się jednoznacznie bezkontekstu odpowiedzieć na pytanie, czy to dobrze, czy źle. Testy i doświadczenie mówią nam, jednak że jeśli system reklamowy ma za dużo czasami ze sobą sprzecznych sygnałów to mu to nie pomaga. Jaki jest teraz jeden nadrzędny cel dla tego produktu? Zwiększyć ilość wyświetleń? Nie ograniczać budżetowo i skalować sprzedaż? Dane, automatyzacja, segmentacja pomagają w tym, aby tym zarządzić.

Odblokuj potencjał danych i zacznij optymalizować pod zysk

Mam nadzieję, że tym artykułem zainspirowałem Cię do tego, aby zacząć inaczej kolekcjonować i aktywować dane o produktach. Jeśli już je masz to tym lepiej bo szybciej można będzie je wdrożyć i nakarmić nimi systemy reklamowe, które potrzebują ich niczym paliwa. Czy warto skupiać się głównie na ROASie, gonieniu za coraz większymi przychodami? Na pewno trzeba dalej to robić ale odpowiedzi na wzrost można też szukać w optymalizacji na poziomie produktu, marży. W dobie spadających marż i rosnącej konkurencji to ona decyduje o tym, czy na koncie pojawi się zysk.