Adidas Ecommerce Google ads Case | 13% omzetgroei

We kozen voor een testaanpak: een duidelijke A/B-verdeling tussen handmatige campagnes en feed-driven Google Text Ads. Hiervoor gebruikten we DataFeedWatch om dynamisch advertenties te genereren op basis van de live productfeed. Uniek aan deze aanpak was het inzetten van regression analysis via SA360 om daadwerkelijk het effect op ROAS en omzet te isoleren.

1. we wijzen elke regio willekeurig toe aan een test- en controlegroep
2. Google ads wordt gebruikt om de biddingtool a in testregio’s en biddingtool b in controleregio’s te implementeren.
3. We kunnen het verschil in gedrag tussen de test- en controlegroep meten:

• • Het effect van de campagnes op de KPI’s van belang
  • De efficiëntie van de campagnes in termen van bijvoorbeeld incrementele cpc, CPA of ROAS

Methodologie: 

• We hebben Duitsland onderverdeeld in 66 subregio’s, ook wel GMA’s genoemd
• GMA’s worden zo getrokken dat hun grenzen door zo dun mogelijk bevolkte gebieden lopen en niet door bekende woon-werkverkeergebieden. 
• Dit minimaliseert besmetting waarbij een gebruiker vanuit een controle-GMA naar een test-GMA zou kunnen reizen en aan reclame zou kunnen worden blootgesteld.
  

• Het bovenste paneel toont de werkelijke inkomsten van de testgroep en de geschatte contrafeitelijke inkomsten
• Het middelste paneel toont het dagelijkse verschil tussen de werkelijke inkomsten van de testgroep en de counterfactual inkomsten. Met andere woorden, de geschatte dagelijkse stijging/daling van de inkomsten als gevolg van de behandeling.
• Het onderste paneel toont de som van deze verschillen. Met andere woorden, de geschatte totale toename in inkomsten als gevolg van de behandeling 
• Het gearceerde gebied rond de geschatte, contrafeitelijke inkomsten in elk kanaal geeft het contrafeitelijke 95%-betrouwbaarheidsinterval weer.