Google Smart Shopping: hoe SEA-specialisten scoren met nieuwe inzichten 

Echt eens goed in de resultaten van je SEA-campagnes duiken, levert je verrassende inzichten op. Waarop je adverteert, is namelijk niet altijd wat je verkoopt.  En dat kan weer impact hebben op je doelstellingen, je prijs én je assortiment. 

Door de komst van Google Smart Shopping na het standaard Google Shopping, verdwijnen er steeds meer inzichten. Automation betekent immers méér machine-gedreven, maar minder sturing en inzicht als je zelf achter de knoppen zit.

Wil je optimaal blijven presteren en de concurrentie een stapje voor blijven, dan zullen sea-specialisten zich meer moeten focussen op andere onderdelen, zoals zich richten op optimalisatie aan de hand van verkoop- en product-inzichten.

Optimaliseren Google Smart Shopping

In dit artikel leg ik je uit hoe je je Google Smart Shopping Campagnes optimaliseert. Afhankelijk van je assortiment, kun je door inzichten in cross- en upsell en/of door maat-inzichten op voorhand je bod of doelstelling aanpassen óf je inkoopafdeling op tijd instrueren.

Ik ga eerst even kort in op de manier waarop sea-specialisten de resultaten van hun advertenties bekijken. Als sea-specialist kijk je waarschijnlijk vooral naar de omzet uit advertenties. Je wordt waarschijnlijk afgerekend op een ROI of ROAS-doelstelling.  

Doordat je naar de omzet uit orders kijkt, zoom je waarschijnlijk nooit dieper in op hoe de order tot stand kwam en welke zaken een bijdrage hebben geleverd aan de order. Tóch is dit van groot belang. Waarop je adverteert, is namelijk niet altijd wat je verkoopt.  

 De advertentie van product A leidt niét tot de aankoop van product A 

 In heel veel gevallen, méér nog dan dat SEA-specialisten en online marketeers weten, leidt de advertentie van product A namelijk niet tot de aankoop van product A. We hebben het dan voor sommige adverteerders over wel meer dan 50% (!) van de verkopen. Waarom deze constatering en inzichten daarin van groot belang zijn, licht ik toe aan de hand van het product advertising contribution model. 

Product advertising contribution model 

In onderstaand model zie je in één oogopslag dat de advertentie van product A niet altijd leidt tot de aankoop van (alleen) product A: 

 

Toelichting: In het assortiment zijn gitaar A en D bekende gitaarmerken. Gitaar B daarentegen is een huismerk, maar redelijk vergelijkbaar met gitaar A en D.  Omdat het aannemelijk is dat iemand product A, B of D koopt, zijn deze producten vaak cross-sellers van elkaar. Product C is een gitaarstandaard. Dit product is goedkoper dan A, B en D en wordt er vaak bijgekocht. Het is daarom een upsell-product. 

 Als product A als marketinguiting wordt gebruikt en alléén product A wordt gekocht, dan noemen we dit direct advertising contribution. Als vanuit de advertentie van product A, product A én product C worden gekocht, dan valt product C onder de upsell van product A.  Kom je via de marketinguiting van product A uit op product B en koop je alléén product B? Dan hebben we het over cross-sell.  

 Benaderd vanuit de andere kant: het aantal keer dat product A wordt gekocht vanuit de advertentie van product D, noemen we indirect advertising contribution. In dit geval kan product A óók de cross-sell van de advertentie van product D genoemd worden. 

 Marge en voorraad: belangrijke cross- en upsell-inzichten 

Een criticus zal zeggen: waarom zijn deze inzichten dan interessant? In de conversiewaarde die je in Google Ads ziet, is de cross-sell conversiewaarde immers al verwerkt, want als gitaar B (144 euro) wordt gekocht bij advertentie van gitaar A (265 euro), dan is de conversiewaarde in Google Ads 144 euro. De cross sell-conversiewaarde is dus al verwerkt in Ads. 

Wat hier echter niét in is meegenomen, zijn de marge en de impact van het (mogelijk) niet op voorraad zijn van een product.  Waarom zijn deze cross- en upsell-inzichten als marge en voorraad dan belangrijk? 

 De juiste producten op voorraad 

 Stel: product A zorgt voor veel cross-sell maar wordt zelf niet heel veel verkocht. Als product A niet meer op voorraad is – en er dus niet meer geadverteerd wordt op product A – zullen de cross-sell-producten van product A waarschijnlijk minder verkocht worden. Belangrijk dus dat product A op voorraad blijft. 

 De juiste doelstelling bij de juiste marge 

 Stel dat product A een lage marge heeft, maar er worden vrijwel alleen cross-sell-producten met een hóge marge verkocht via de advertentie van product A, dan wil je je ROAS-doelstelling hierop aanpassen. Hoe dat werkt, licht ik toe aan de hand van onderstaand rekenvoorbeeld, waarvoor ik de gitaren weer even naar voren haal: 

 Via de advertentie van gitaar A wordt, zoals je ziet, vaak gitaar B met een hogere marge verkocht. Als je “gewoon” uitgaat van de aanname dat de advertentie van gitaar A leidt tot de verkoop van gitaar A, dan zou je daar een hoge ROAS-doelstelling instellen, want de marge is immers klein.  

 Als je rekening houdt met verkoop-inzichten en wéét dat de advertentie van gitaar A vaak tot de verkoop van gitaar B leidt, dan zie je dat een lage ROAS-doelstelling eigenlijk veel passender is.  

 Hetzelfde geldt natuurlijk voor upsells, waarvoor de marges veel verschillen van het product waarop geadverteerd wordt. Met bovenstaande cross- en upsell-inzichten, stuur je voortaan op de juiste doelstellingen. 

 Slimmer nog is het om te sturen op een POAS-doelstelling, waarin je niet alleen naar de (“misleidende”) omzet, maar naar de totale winstgevendheid van een advertentie kijkt. 

Hypothese testen met eigen categorieën/variabelen 

Aansluitend op bovenstaande voorbeelden: als uitgangspunt zou je zo ook een zelf samengestelde categorie van producten kunnen testen. Vermoed je bijvoorbeeld dat jouw Advertenties van sneakers boven de 120 euro vaak leiden tot de aankoop van een bepaald B-merk sneakers van rond de 80 euro? Of omgekeerd: is het misschien goed dit eens te testen? 

Maat-inzichten: koppel je voorraad aan je maatboog 

 Als we dan kijken naar de kledingbranche – of andere branches die producten in meerdere maten verkopen – dan zijn maat-inzichten ook interessant. Mensen zoeken vaak niet specifiek op een maat van een product, maar komen op een van de maten bij je binnen. 

Een overzicht van de maten die in het verleden verkocht zijn, bijvoorbeeld per product, per merk en/of per producttype noemen we ook wel een maatboog. Als je die koppelt aan de actuele voorraad van een product, kom je uit op een interessant inzicht: de gewogen beschikbaarheid. Die drukt in procenten uit voor hoeveel kopers de juiste maat op voorraad is.  

De maatboog in combinatie met de gewogen beschikbaarheid ziet er zo uit: 

Toelichting: stel, van bovenstaand kledingstuk, worden maten XS, S, M, L en XL ingekocht. In het verleden is van maat XS 10%, van S 25%, M 40%, L 20% en van XL 5% verkocht. 

 Als de maten XS, L en XL beschikbaar zijn, maar de maten S en M zijn niet meer op voorraad, dan zullen de verkoopprestaties waarschijnlijk verslechteren. 65% van de verkopen betreft namelijk een product in maat S en M. Als de maten XS en XL daarentegen uitverkocht zijn, dan heeft dit véél minder impact op de verkoopprestaties. 

 In bovenstaande afbeelding is dan ook te zien dat de gewogen beschikbaarheid in het eerste voorbeeld veel lager is dan in het tweede voorbeeld. Het niet op voorraad zijn van de maten XS en XL, in het tweede voorbeeld, heeft veel minder invloed. Het verschil in gewogen beschikbaarheid is dus heel groot. 

 Met inzicht in de gewogen beschikbaarheid kun je de advertenties, bijvoorbeeld voor de overgebleven maten, op de juiste manier optimaliseren en/of je inkopen bijsturen. 

Pas door de juiste inzichten je bod of doelstelling aan 

Afhankelijk van in welke branche je opereert, kunnen bovenstaande inzichten je dus helpen bij het optimaliseren van je campagnes. Met optimaliseren bedoel ik het op voorhand aanpassen van je bod of doelstelling en/of het beter aansturen van de inkoop-afdeling. 

Je moet in ieder geval goed met data kunnen werken om bovenstaande inzichtelijk te kunnen maken. Voor kleine data-sets zou je bovenstaande in Excel kunnen doen, maar ik raad liever een programma aan waar je meer data in kunt verwerken, zoals met een script in R of Python.  

Bovenstaande inzichten kun je echter ook gemakkelijk in ppc management-software laten weergeven in een overzichtelijk dashboard per product, categorie, brand of totaal. 

Over de auteur: Stefanie Schouten is Datascientist bij Adchieve