Kampaně navenek fungují, PNO i ROAS sedí, ale firmě nepřibývají noví zákazníci. Reklamní algoritmy jsou ve výchozím režimu spíš líné, raději přivedou k nákupu člověka, který u vás už nakoupil, než aby hledaly nového. Ve výsledku platíte za retenční zákazníky, kteří by u vás pravděpodobně nakoupili z e-mailingu nebo napřímo. Tady popisuju, jak pomocí jedné hlavní konverze a úpravy její hodnoty naučit Google i Meta Ads preferovat akvizici bez rozbití učící fáze. Píšu z praxe pro Haltimo.com i klienty v Datimo.ai. Vojtěch Šmida, CEO Haltimo.
Skvělé PNO, ale žádní noví zákazníci
Optimalizujete na obrat 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. Algoritmy potřebují k efektivnímu opuštění učící fáze ideálně 30 až 50 konverzí měsíčně na jednu konkrétní konverzní akci. Pokud máte menší nebo střední účet a rozsekáte nákupy do čtyř různých cílů, ani jeden z nich nenaplní potřebný limit. Cíle mají málo konverzí, algoritmus se nestihne nic naučit a kampaně degradují.
Dnešní postup, který u mě drží: v Google Ads i Meta Ads jedna jediná hlavní konverzní akce. Tím dáte algoritmu dostatek dat. Co chcete preferovat, nové versus stávající zákazníky, B2B versus B2C, tomu nastavíte váhu pod kapotou úpravou hodnoty té jedné konverze.
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.
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: pokud máte v Data Layer spolehlivě rozlišeného nového a vracejícího se uživatele, jde část logiky dát přímo tam bez databáze. Záleží na kvalitě dat.
Když to nechcete stavět ručně
Tuhle logiku používám na vlastních projektech a u klientů. V Datimo.ai z toho je modul, který umí společně s importem marží i se segmentací produktů. Když vám dává smysl akvizice v hodnotě konverze, ale nechcete si koeficienty, Firestore a ssGTM držet sami, ozvěte se na demo. Projdem nastavení a reálná data.