Die Herausforderung bei der Analyse von Google Shopping-Kampagnen besteht darin, dass Merchant Center-Daten, die für Product Feeds von entscheidender Bedeutung sind, nicht im Interface von Google Shopping zur Verfügung stehen. Tiefgreifendere Erkenntnisse aus der Google Shopping Performance lassen sich demnach nicht aus der reinen Interface-Analyse gewinnen. Das Aufbrechen dieser beiden Datensilos und die Zusammenführung der Rohdaten löst das beschriebene Problem und birgt neben neuen Analyse-Möglichkeiten auch das Potenzial, die Daten für die Aktivierung spezifischer Business Use Cases zu nutzen, weiß Gastautor Marcus Stade, Gründer und Gesellschafter der MarTech-Agentur mohrstade.
Wo liegt das generelle Problem?
Product Feeds werden in der Regel mithilfe von Feed Management Tools für das Merchant Center vorbereitet und bilden das vollständige Produktsortiment (Total Products) inklusive Produktinformationen ab. Von dem gesamten Produktkatalog wird jedoch nur ein gewisser Anteil von Google genehmigt (% Approved), von welchem wiederum nur ein bestimmter Anteil auf Lager ist (% In Stock). Diese Daten sind im Merchant Center verfügbar und bilden den oberen Teil des Shopping Funnels ab. Von dem Anteil der lagernden Produkte lässt sich abermals nur ein gewisser Anteil für das Targeting in Google Shopping nutzen.
Da die Daten in unterschiedlichen Systemen liegen, entsteht ein Blindspot in der Analyse. Die Zusammenführung der Merchant Center- und Google Shopping-Daten löst dieses Problem, wodurch sich der gesamte Shopping Funnel darstellen lässt und seine Web Performance-Indikatoren aus Google Shopping unter Berücksichtigung der Qualität des Product Feeds aus dem Google Merchant Center evaluierbar werden.
So lässt sich unter anderem der Produktanteil analysieren, der tatsächlich in Google Shopping targetiert wird (% targeted), Impressionen (% impressioned) erhält und vom Nutzer geklickt (% clicked) wird. Eine Spezifikation des Funnels wird mitunter nach Brand, Produktkategorie und weiteren Dimensionen möglich. Auf diese Weise können bestehende Lücken innerhalb der einzelnen Ausprägungen schnell identifiziert werden, wenn beispielsweise eine bestimmte Marke unter einer hohen Ablehnungsrate leidet oder mit Problemen in der Ausspielung einzelner Produkte konfrontiert ist.
Je nach Branche ist der Fokus für die Nutzung der Rohdaten unterschiedlich gewählt und abhängig von individuellen und conversiontreibenden Faktoren. So liegt im Bereich Mode beispielsweise der Fokus auf der Verfügbarkeit einzelner Produktgrößen, während z. B. die Elektronik-Branche eher durch Indikatoren wie Lieferzeiten, Preissensitivität oder anfallende Versandkosten beeinflusst wird. Die Nutzung beider Tools als unabhängige Datensilos verwehrt die Einsicht in etwaige Zusammenhänge zwischen den einzelnen Schritten im Google Shopping Funnel und verhindert die Anwendung einer eigenen Business-Logik.
Bridging the gap: Unsere Lösung
Innerhalb der Google Cloud Platform werden in BigQuery auf Grundlage spezifischer Criterias (Targeting-/Gebotskriterien) die Produktdaten aus dem Google Merchant Center mit den Rohdaten aus Google Shopping zusammengebracht. Über einen täglich ausgeführten Job lassen sich die Daten anschließend in Google Data Studio monitoren. So wird ein Reporting des gesamten Google Shopping Funnels ermöglicht. Durch diesen ganzheitlichen Ansatz können Fehlerquellen sowie Optimierungsmöglichkeiten schneller identifiziert und die Umsetzungsgeschwindigkeit in der Marketing-Aktivierung der Daten gesteigert werden.
Zielsetzung & Wertschöpfung der Lösung
Ein zentrales Monitoring und Reporting der Produktinformationen in Google Data Studio sowie die Aktivierung der Daten in Google Shopping durch die Ableitung spezifischer Business Use Cases ist das primäre Ziel der Lösung. Die Zentralisierung der Daten in BigQuery ermöglicht wiederum die Automatisierung von Gebots- und Targeting-Strategien einzelner Produkte auf Grundlage der aus der Analyse geschlussfolgerten Feed-Kriterien der Google Merchant Center-Rohdaten.
Den größten Arbeitsaufwand bedeutet in der Regel die Pflege und das Monitoring des Product Feeds. Das Merchant Center stellt standardmäßig zwar Berichte zu Verfügung, die dabei unterstützen, doch sind die Möglichkeiten der Datenanalyse und Visualisierung sehr rudimentär und nicht wirklich individualisierbar. Um dem Abhilfe zu schaffen, bietet die Orchestrierung der Daten in Google Data Studio eine Vereinfachung sowie Zusammenführung beider Datenquellen. Die Data Studio Dashboards ermöglichen durch zahlreiche Filter- und Einstellungsmöglichkeiten ein wesentlich dynamischeres Arbeiten mit den Produktdaten. Fehlerquellen (Disapprovals) auf Produkt- und Kategorieebene lassen sich so schneller identifizieren und beseitigen.
ÄhnlicheArtikel
Zudem bieten explorative Funktionalitäten die Möglichkeit, frühzeitig Trends und Nachfrageschwankungen im Produktsortiment zu erkennen, was gerade für Abteilungen wie den Einkauf im Unternehmen nützlich sein kann. In Verbindung mit den Google-Daten zu Preisbenchmarking und Trends können so Produkte identifiziert werden, die bislang nicht im Fokus des Produkt-Portfolios standen, aber in der Nachfrage der Nutzer steigen. Diese Analysemöglichkeiten auf Grundlage der Merchant Center-Rohdaten bieten zwar eine enorme Zeitersparnis im operativen Tagesgeschäft, doch ein richtiger Mehrwert für die Google Shopping-Kampagnen entsteht erst durch die Entwicklung einer Automatisierung und der Aktivierung der Erkenntnisse. Abhängig von Geschäftszweck und Use Case, unterscheidet sich die Aktivierungs-Logik von Branche zu Branche.
Technische Umsetzung mit BigQuery
Über die native Data Transfer Function von BigQuery wird der Import der Rohdaten aus dem Google Merchant Center und Google Shopping gewährleistet. Um den Transfer Service einzurichten, sind lediglich ein Zugriff auf die Kontodaten sowie ein paar rudimentäre Einstellungen zum Import der Daten vorzunehmen. Neben den generellen Kosten für die Verarbeitung und Speicherung der Daten innerhalb der Google Cloud, fallen keine weiteren Kosten für die Aktivierung des Transfer Service an.
Als Teil der Google Ads-Daten lassen sich die Rohdaten aus Google Shopping ebenfalls direkt über den nativen Connector für den Data Transfer Service nach BigQuery übertragen. Optional können First Party-Daten, wie bspw. Retourenquoten einzelner Produkte oder Margen, zusätzlich in BigQuery importiert werden.
Wie bereits erwähnt, erfolgt die Zusammenführung der Daten beider Quellsysteme innerhalb BigQuery anhand von bestimmten Criterias (Targeting-/Gebotskriterien). Diese basieren auf unterschiedlichen Parametern (z. B. Brand, Channel, Condition), welche zuerst in einem separaten Workflow in BigQuery sortiert werden müssen, bevor sie anschließend mit den Daten aus Google Shopping gejoint und in Data Studio visualisiert werden können. Ist ein spezifischer Business Use Case entwickelt, um beispielsweise automatisch Produkte aus der Bewerbung zu nehmen, sofern diese bestimmte Grenzwerte definierter Criterias unterschreiten, lässt sich eine Automatisierungs-Logik mithilfe von Google Ads Script in BigQuery umsetzen.
Reporting: Neuer Raum für Insights
Übergeordnet unterteilt sich das Data Studio Dashboard in die zwei Kategorien Product Analysis und Marketing Insights. Der Bereich Product Analysis bietet Dashboards für das Monitoring und die Sicherstellung der Qualität des Product Feeds auf Basis der Daten aus dem Google Merchant Center, unter anderem zu Product Disapprovals, Shopping Feed & Product Performance Insights, Feed-Optimierung und historischen Trends. Der Bereich Market Insights hat einen stark explorativen Charakter und bietet Einblicke in branchen-, marken- oder produktspezifische Bestseller-Daten aus dem Google-Netzwerk. Gerade für den Einkauf im Unternehmen ist dieser Bereich besonders interessant, da mittels globaler Datensätze auf Grundlage der GTIN Einschätzungen zu der relativen Nachfrage spezifischer Marken und Produkte auf Länderebene einsehbar sind.
Product Disapprovals
Um die häufigsten Gründe für Ablehnungen von Produkten aus dem Product Feed zu identifizieren, stehen im Data Studio Dashboard unter Disapprovals > “Product Disapprovals Diagnostics” separate Charts zur Verfügung, mit welchen sich Fehler in der Feed-Qualität monitoren lassen. Anhand diverser Kriterien wie bspw. Brand, Target Country, Impressions, Klicks und Kategorie-Ebenen können einzelne Produkte und Marken granularer in der Tabelle gefiltert werden.
Product Performance Insights
Unter dem Report “Performance Insights” lässt sich die Performance einzelner Marken und Produkte in Google Shopping über dynamische Einstellungsmöglichkeiten miteinander vergleichen. Das Dashboard zeigt dabei unter anderem Produkte, für die kein dediziertes Gebot in Google Ads hinterlegt ist, nachdem in den vergangenen 30 Tagen bei Suchanfragen keine Angebote angezeigt oder Product Clicks verzeichnet wurden.
Price Benchmarking
Mit dem Reporting “Price Benchmarking” lässt sich die preisliche Wettbewerbsfähigkeit des Produktsortiments nach Marke und Kategorie auf Grundlage globaler Google-Daten analysieren und das eigene Preisniveau mit Mitbewerbern vergleichen.
Explorative Analyse (Google-Daten)
Über das Google Merchant Center stehen standardmäßig umfangreiche Daten über die Nachfrage von Marken und einzelner Produkte zur Verfügung. Durch die Zentralisierung beider Systeme in Google Data Studio können diese genutzt werden, um zusätzliche Erkenntnisse über Produkte im Trend und die Entwicklung ihrer Nachfrage in der Branche zu generieren.
Aktivierung: Schaffung einer Automatisierungs-Logik (Bsp. Fashion)
Es lässt sich zusammenfassen, dass durch die Verbindung der Rohdaten aus dem Google Merchant Center und Google Shopping ein zentrales Monitoring der Feed-Qualität in Google Data Studio ermöglicht wird, durch das Fehlerquellen schneller identifiziert werden können und Raum für zahlreiche Optimierungsmöglichkeiten für das eigene Produktsortiment entsteht. Im Anschluss gilt es, anhand konkreter Use Cases eine eigene Business-Logik für die Optimierung und Automatisierung dieser Erkenntnisse in Google Shopping zu entwickeln. Abhängig von der Branche existieren unterschiedliche Einflussfaktoren auf die Conversion Rate. Im folgenden Beispiel wird daher ein konkreter Use Case für die Automatisierung von Gebotskriterien für den Mode-Bereich aufgezeigt:
In der Mode-Branche könnte einer der genannten Einflussfaktoren der Warenbestand für stark nachgefragte Produktgrößen sein. Bei Bezug auf den in Abbildung 1 bzw. 2 dargestellten Daten-Gap im Shopping Funnel, lässt sich anhand der Orchestrierung und Automatisierung der Daten in BigQuery dieser Einflussfaktor identifizieren, modellieren und in der Kampagnenaussteuerung aktivieren. In anderen Worten: Lassen die Daten darauf schließen, dass aufgrund der veränderten Warenverfügbarkeit (Randgrößen) die Conversion Rate erheblich sinken wird, kann die Bewerbung des jeweiligen Produkts in Google Shopping gestoppt werden.
Um zu verhindern, dass weiterhin Geld für Product Clicks ausgegeben wird, die nur mit sehr geringer Wahrscheinlichkeit zu einem Kauf des jeweiligen Produkts führen, lässt sich innerhalb von BigQuery eine Automatisierungs-Logik erstellen. Auf Grundlage der historischen Daten aus dem Google Merchant Center und Google Shopping wird die Kaufwahrscheinlichkeit in Abhängigkeit zum aktuellen Lagerbestand modelliert. Produkte mit geringer Kaufwahrscheinlichkeit werden somit aus dem Targeting ausgeschlossen. Das Mediabudget wird optimiert.
In diesem Fall wird allein durch die Berücksichtigung von Bestandsdaten die Conversion Rate einzelner Produkte optimiert. Gerade für Produkte wie Hosen, die trotz internationaler Standardgrößen in ihrer tatsächlichen Passform von Marke zu Marke variieren, kann die Automatisierung für einen massiven Uplift sorgen. Hierfür lassen sich unter anderem First Party-Daten wie die Retourenquoten in die Gebotskriterien miteinbeziehen, sodass besonders für retourenanfällige Größen einzelner Produkte Schwellenwerte für die Auslieferung in Shopping Ads festgelegt werden.
Fazit
Der vorgestellte Ansatz für die Sortiments-Analyse mit Google BigQuery eröffnet ein breites Spektrum an Optimierungsmöglichkeiten für das eigene Produktsortiment und die Identifizierung von Fehlerquellen in diesem. Der größte Hebel und Mehrwert liegt jedoch in der anschließenden Erarbeitung eines eigenen Business Use Case, welcher sich durch eine Automatisierungs-Logik abbilden lässt. Die Bereitstellung und Aufbereitung der Produktdaten in Google Data Studio stellen demnach vielmehr einen Einstiegspunkt für die Automatisierung von Gebots- und Targetingkriterien dar, da sie der Sicherstellung der Feed-Qualität und Wettbewerbsfähigkeit des eigenen Unternehmens dienen.
Die Rohdaten aus den beiden Quellsystemen lassen sich dabei kostengünstig und mit geringem Aufwand in Google BigQuery zusammenführen. Der hier behandelte Ansatz bricht Datensilos auf und ermöglicht die Nutzung der Daten sowohl für die Generierung wertvoller Insights als auch für die direkte Aktivierung der gewonnenen Erkenntnisse in Google Shopping zur Steigerung der allgemeinen Kampagnen-Performance.
Hat die der Beitrag von Marcus Stade gefallen? Dann interessiert dich vielleicht auch dieser Artikel: „Die Zukunft ist kopflos: Headless-CMS-Leader Storyblok macht Omnichannel-Publishing zum Kinderspiel“. Thomas Peham im Talk.
