Mówi się, że zdobycie nowego klienta jest kilka razy trudniejsze, niż sprzedanie produktu istniejącemu klientowi. Ta zasada ma istotne znaczenie również w optymalizacji reklam.
Ze względu na łatwość dotarcia do obecnych klientów często zaleca się kierowanie właśnie do nich różnego rodzaju działań sprzedażowych, w tym reklamowych, by uzyskać szybkie i znaczące wyniki. Niemniej, nadmierna koncentracja na klientach powracających może ograniczyć napływ nowych klientów i dać efekt odwrotny od zamierzonego.
W tradycyjnym podejściu do mierzenia efektywności reklamy każda transakcja klienta (pierwsza oraz kolejne) jest traktowana tak samo i efektywność mierzona ROAS polega po prostu na odniesieniu przychodów do kosztów reklamy.
Skoro jednak pozyskanie nowego klienta jest trudniejsze, algorytm optymalizacyjny w takiej sytuacji będzie chętniej inwestował tam, gdzie zdobywa klientów powracających, co da mu większą efektywność, przynajmniej w krótkim okresie. W dłuższym okresie może to jednak doprowadzić do ograniczenia napływu nowych klientów i w konsekwencji – do stagnacji i spadku sprzedaży.
Strategie optymalizacji w kierunku pozyskiwania nowych klientów w Google Ads
Dlatego Google wprowadza strategie, których celem jest pozyskiwanie nowych klientów. Mają one dwa tryby:
- Bidowanie tylko na nowych klientów – w tym przypadku tylko zakup przez nowego klienta będzie generował konwersje i przypisywał im wartość, a algorytm będzie starał się docierać wyłącznie do osób, które jeszcze wcześniej nie kupiły.
- Wyższe stawki dla nowych klientów – w ten sposób zwiększają się szanse docierania do nowych klientów, gdyż premia dla nowych klientów kompensuje ich niższą konwersyjność w porównaniu z dotychczasowymi klientami.
Skąd Google Ads wie, że to nowy klient?
Aby te strategie działały, Google musi wiedzieć, czy dany klient kupuje po raz pierwszy, czy może jest to jego kolejny zakup. Google stara się to określić na podstawie śledzenia konwersji, które wykorzystuje pliki cookie. Taka miara jest jednak nieefektywna i ma trudności z rozpoznaniem nowego klienta. Dlatego poza automatycznym rozpoznawaniem nowego klienta, mamy jeszcze dwie możliwości wzbogacenia danych Google Ads o dane 1st party:
- Wgranie listy klientów (przesyłanie do Google adresów email i numerów telefonów dotychczasowych klientów)
- Oznaczanie parametru konwersji zmienną new_customer. Wymaga to wystawienia na warstwie danych i umieszczenia w konfiguracji kodu śledzącego w Tag Managerze (jeśli nie używasz Tag Managera, należy tę wartość generować dynamicznie bezpośrednio w kodzie śledzącym). W rozwiązaniach server-side istnieje możliwość stworzenia modułu realizującego to zadanie bez ingerencji w kod strony.
Więcej informacji o konfiguracji śledzenia nowych klientów w artykule pomocy Google. Znajdziesz tam też link do filmu instruktażowego, pomocnego w konfiguracji.
ROAS to teraz CAC vs. LTV
Optymalizacja z celem pozyskania nowych klientów oznacza fundamentalną zmianę w mierzeniu efektywności.
ROAS rozumiany jako relacja między przychodami a kosztem reklamy, zastępowany jest relacją między LTV (Lifetime Value) a CAC (Customer Acquisition Cost).
Obliczając efektywność reklamy w ujęciu LTV vs. CAC, trzeba jednak uwzględnić przyszłe koszty utrzymania klienta (koszty sprzedaży klientom powracającym), tylekroć, ile transakcji klientów powracających składa się na LTV.
Jak liczyć LTV?
LTV oznacza wartość wszystkich transakcji klienta, teraz i w przyszłości.
Okres, w którym określamy LTV może być dowolnie długi (choć z przyczyn biologicznych nie będzie dłuższy niż 100 lat). Nie powinien on być dłuższy niż horyzont inwestycyjny firmy i jej inwestorów, bo wszystkie analizy związane z LTV opierają się o założenie uzyskania zwrotu w rozpatrywanym okresie czasu. W praktyce jest to zazwyczaj 2-3 lata. Na jego długość będą wpływały też specyfika produktu, częstotliwość zakupów, faktyczna lojalność klientów.
Przykładowo, w przypadku marek samochodów należy myśleć o dłuższych okresach: klienci wymieniają samochody co kilka lat, ale jako że korzystają z produktu na co dzień, możemy liczyć na ich przywiązanie do marki.
Liczenie LTV w okresie krótszym niż 1 rok może spowodować jego niedoszacowanie, bo konkurencja może patrzeć na inwestyje w reklamę w dłuższym horyzoncie. Dlatego LTV należy liczyć w dłuższych okresach, chyba że wiemy, że cały cykl życia klienta rzeczywiście zamyka się w krótszym okresie.
Szacując oczekiwany LTV na bazie danych historycznych pamiętajmy, że jego obliczenie nie polega na podzieleniu sumy przychodów w danym okresie przez liczbę klientów.
Właściwą metodologią jest analiza kohort, czyli wybranie kohorty użytkowników, którzy zostali klientami w wybranym okresie i określenie transakcji klientów z tej kohorty w późniejszych okresach.
W tej analizie może pomóc GA4, w którym takie analizy można wykonać w okresie do 50 miesięcy (do 14 miesięcy w wersji bezpłatnej).
Uwaga! Warunkiem wiarygodności tych danych jest zasilanie danych do raportu danymi 1st party, czyli User ID w postaci zahashowanego adresu email (lub innego identyfikatora) użytkownika. W przeciwnym wypadku, oparta o cookie analiza zaniża LTV.
Niestety, na dzień aktualizacji tego artykułu (20.12.2023) raporty kohortowe Analytics nie uwzględniają danych z User ID (adnotacja „Based on device data only” w prawej górnej części raportu), więc wdrożenie User ID nie poprawi ich jakości.
Dokonując obliczeń, rozróżniajmy przychód i marżę. Jeśli liczymy LTV na bazie przychodu, pamiętajmy, że nie stanowi on w całości zysku na sprzedaży, bo musimy od niego odjąć bezpośrednie koszty nabycia lub wytworzenia (bez uwzględnienia kosztów stałych). Celem tych obliczeń jest określenie, o ile więcej pieniędzy będzie miała firma dzięki kolejnej transakcji klienta.
Przy wieloletnich okresach w analizie należy uwzględnić czynnik wartości pieniądza w czasie. Dochody w odległej przyszłości powinny być dyskontowane, by określić ich dzisiejszą wartość. Niemniej, w wielu przypadkach będziemy mieli do czynienia ze wzrostem cen produktu w przyszłości, więc te czynniki będą się znosić i analiza w cenach dzisiejszych będzie dostatecznie dokładna.
Jak ustalić wartość konwersji w kampaniach z celem „nowy klient”?
Kluczem do ustalenia tych celów jest określenie, o ile trudniejsze (droższe) jest pozyskanie klienta nowego, niż powracającego. Niestety, wydaje się, że trzeba to ustalić arbitralnie, ponieważ trudno wskazać jednoznaczną metodę pomiaru.
Pewnym wskaźnikiem może być porównanie kosztu konwersji w kampaniach skierowanych do obecnych klientów w stosunku do kampanii do pozostałych użytkowników. Można też porównać statystyki sprzedaży bezpośredniej, jak często rozmowa sprzedażowa kończy się sukcesem u dotychczasowych klientów vs. osoby, które kupują po raz pierwszy. Liczba ta, nazwijmy ją k, prawdopodobnie powinna znajdować się w przedziale od 5 do 10.
Kolejną wartość, którą należy ustalić to LTV oraz ile zakupów przeciętnie składa się na nią. Przykładowo, obliczając LTV w horyzoncie dwuletnim, oszacujemy, że składa się na nią n = 5 zakupów po 300 zł każdy, dlatego LTV to wartość 5 transakcji, czyli 1500 zł.
Mamy więc następujące zmienne:
n – liczba transakcji składających się na LTV
k – ile razy trudniej pozyskać nowego klienta w stosunku do powracającego
V – wartość transakcji
Vret – “wartość” transakcji powracającego klienta
Vnew – “wartość” transakcji nowego klienta
Z definicji:
Vnew = kVret
oraz
LTV = nV
Przy odmiennym traktowaniu wartości klienta nowego i powracającego, muszą się one złożyć na tę samą wartość LTV, dlatego:
LTV = Vnew + (n-1) Vret
Po zestawieniu tych dwóch formuł LTV:
nV = kVret + (n-1) Vret = (k + n – 1) Vret
Czyli
W systemie, w którym do konwersji nowego użytkownika doliczana jest premia, każdą konwersję (w tym nowego klienta) raportujemy wg wartości powracającego klienta, a do nowych dodatkowo system doliczy premię, której wartość wynosi:
Premia = Vnew – Vret = kVret – Vret = Vret (k -1)
Czyli
Implementacja w praktyce – wyższe stawki dla nowych klientów
Zmiana wartości transakcji V na wartości Vnew i Vret dla odpowiednio nowych i powracających klientów oznacza zwiększenie wartości transakcji dla nowych klientów i zmniejszenie wartości transakcji klientów powracających.
Przykład. Jeśli na LTV składa się 5 transakcji, a klient powracający jest 6x łatwiejszy do pozyskania, niż nowy, to zgodnie z opisanym wyżej modelem:
Vnew = V × 3
Vret = V × 0.5
Premia = V × 2.5
W przypadku zmiany założeń, wiązałoby się to ze zmianą wartości tych mnożników dla poszczególnych rodzajów konwersji. Wymagałoby to każdorazowo ingerencji w ustawienia tagów.
Zauważmy też, że kampanie Performance Max zakładają stałą wartość premii dla klienta powracającego (nie zależy ona od wartości pierwszej transakcji). W opisanym wyżej przykładzie, jeśli średnia wartość transakcji V = 100 zł, premia za nowego klienta będzie wynosić 250 zł.
Dlatego przypuszczalnie prostszym rozwiązaniem będzie pozostawienie wartości transakcji takiej, jak była raportowana dotychczas. Oznaczać to będzie jednak, że wartość transakcji klientów powracających będzie zawyżona. Ale jeśli o ten sam współczynnik zwiększymy również premię za nowego klienta oraz docelowy ROAS – kampanie będą realizowały te same założenia.
W naszym przykładzie, jeśli nie zmienimy wartości klientów powracających, będą one dwukrotnie zawyżone (1 / 0.5 = 2). Jeśli więc również podwoimy docelowy ROAS oraz premię za nowych klientów – uzyskamy zamierzony efekt.
W przypadku kampanii innych niż Performance Max, można wtedy stworzyć dodatkową konwersję nowego klienta o wartości tej przemnożonej o mnożnik premii. Trzeba będzie tylko pamiętać, że raportowane wartości konwersji są zawyżone o stały współczynnik i dlatego docelowy ROAS też musi być o ten współczynnik wyższy.
Uwaga – na niektórych kontach pojawiła się już możliwość ustawienia celu nowy klient również dla innych kampanii, niż Pefrormance Max.
Załóżmy, że w naszym przykładzie ROAS miał wynosić 10. Jeśli wartość klientów powracających pozostawiamy bez zmian (co w tym przykładzie oznacza dwukrotne zawyżenie), to premia za nowego klienta (którą również dwukrotnie musimy zwiększyć) będzie musiała wynosić 500 zł, a docelowy ROAS kampanii trzeba będzie ustawić również na dwukrotnie wyższym poziomie, czyli 20.
W kampaniach Performance Max przypisujących większą wartość nowym klientom, premię tę wstawiamy w odpowiednim polu ustawień kampanii.
W pozostałych kampaniach, do celów optymalizacji kampanii dodajemy dodatkową konwersję, której przypisujemy stałą wartość równą premii za nowego klienta (po zastosowaniu mnożnika).
W tym arkuszu kalkulacyjnym (Excel) możesz wykonać niezbędne obliczenia.
Implementacja w praktyce – pozyskiwanie tylko nowych klientów
Kampanie Performance Max mogą być również optymalizowane wyłącznie pod nowych klientów i tylko oni będą uwzględniani jako konwersje. Również w przypadku kampanii poza Google Ads, gdzie może nie być możliwości kierowania na zestaw konwersji, sensownym rozwiązaniem może być optymalizacja wyłącznie pod konwersje nowych klientów, jeśli nie chcemy modyfikować wartości konwersji w tagach.
W tym przypadku również będzie trzeba zmodyfikować cel ROAS lub CPA kampanii, jeśli pozostawimy wartości konwersji na tym samym poziomie. Jaki mnożnik powinien mieć tu zastosowanie?
Z definicji, faktyczny ROAS kampanii to:
Gdzie Vn i Vr to odpowiednio wartość konwersji nowego i powracającego użytkownika, a Nn i Nr to odpowiednio ich liczba, a Cost to łączne wydatki w kampanii.
Z kolei ROASm, który mierzymy w takiej kampanii, wynosi
Gdzie V to wartość mierzonego przychodu z konwersji. Po zestawieniu tych równań, uzyskamy stosunek ROAS faktycznego do mierzonego:
Zależy on od mnożnika nowego i powracającego klienta oraz stosunku powracających do nowych z danej kampanii.
Jeśli tylko kampania nie generuje wielu powracających klientów, ze względu na ich niższą wartość, można czynnik wynikający z udziału powracających klientów pominąć:
Ewentualne korekty należy wprowadzać dopiero, gdy udział klientów powracających zrobi się znaczny, a jeśli korektę wprowadzimy, nie trzeba jej modyfikować przy każdej niewielkiej zmianie udziału nowych klientów w konwersjach z kampanii.
W naszym przykładzie, gdzie założony ROAS = 10, dla kampanii z celem nowych klientów, która generuje 1/3 powracających klientów (tj. na 2 klientów nowych przypada 1 klient powracający, czyli Nr/Nn = 0,5), ROASm celu kampanii powinien wynosić 3,08.
Jeśli pominąć wpływ udziału klientów powracających, ROASm wynosiłby 3,33, czyli różnica nie jest duża.
Gdyby jednak na 1 klienta nowego przypadało 6 klientów powracających, czyli “efekt uboczny” tej kampanii byłby znaczny, uwzględnienie go w celu oznaczałoby ROASm = 1,67.
We wspomnianym wcześniej arkuszu kalkulacyjnym (Excel) możesz wykonać niezbędne obliczenia.
Ograniczenia dla kampanii “kontrowersyjnych”
Google zastrzega, że kampanie nie będą optymalizowane pod kątem pozyskiwania nowych klientów dla treści o charakterze kontrowersyjnym, np. dotyczących alkoholu i produktów medycznych. Takie konwersje zostaną zaraportowane jako nieznane „nieznane”, a nie jako nowi lub powracający klienci.
Czy tak się dzieje, można sprawdzić nakładając na kampanie segment nowi/powracający klienci.
Google informuje, że w takiej sytuacji “jedynym sposobem raportowania o nowych klientach jest podanie w tagu konwersji informacji o tym, czy jest to nowy, czy powracający klient.
Niestety, w praktyce “może się zdarzyć”, że mimo wprowadzania danych do tagu konwersji, raportowanie będzie zawierało wiele wartości “nieznany”. Takiej konwersji nie będzie przypisywana premia za nowego klienta, mimo że prawdopodobnie część tych konwersji będzie dotyczyć osób, które kupują po raz pierwszy. W skrajnych przypadkach “nieznanych” będzie ponad 95% wszystkich konwersji.
W tej sytuacji najlepszym rozwiązaniem będzie rezygnacja z korzystania z natywnej strategii na zdobywanie nowych klientów, bo raportowana i wykorzystywana do optymalizacji wartość konwersji pozostaje poza naszą kontrolą.
W miejsce tego, można stworzyć konwersje nowego i powracającego klienta z różnymi wartościami konwersji i korzystać z nich jako zestawu konwersji do optymalizacji
Można też spróbować wykorzystać listy remarketingowe i listy klientów do wykluczenia z kampanii osób, które dokonały zakupu wcześniej, ale w przypadku produktów kontrowersyjnych jest duże prawdopodobieństwo, że listy takie nie będą działać ze względu na ograniczenia polityki Google w zakresie reklam spersonalizowanych.
Zastrzeżenia
Opisane tutaj modele zawierają szereg uproszczeń, między innymi:
Założenie, że skoro koszty pozyskania nowego klienta są k razy wyższe, niż klienta powracającego, to również jego “wartość” będzie k razy wyższa. Zakłada to de facto ten sam ROAS w zakresie pozyskania nowego i powracającego klienta, co niekoniecznie jest optymalne.
Google przyjmuje stałą wartość premii za nowego klienta, co oznacza, że LTV nie zależy od wartości pierwszej transakcji. W rzeczywistości może występować pewna zależność między wartością pierwszej transakcji i LTV.
Podobnie, strategia bidująca wyłącznie na nowych klientów w przypadku celu CPA zakłada strałą wartość LTV klienta (niezależnie od wartości transakcji), a strategia ROAS bidująca wyłącznie na nowych klientów zakłada liniową relację między LTV, a wartościoą pierwszej transakcji klienta.
Założono, że transakcje klientów nowych i powracających mają tę samą średnią wartość. Faktycznie, wartość koszyka klientów powracających jest często wyższa niż przy pierwszych transakcjach.
Wynikające z tego niuanse mogą spowodować, że modele będą w większym lub mniejszym stopniu odbiegać od rzeczywistych procesów.
