Si el remarketing te permite mostrar anuncios a aquellos usuarios que han visitado tu página web, el remarketing dinámico va un paso más allá. Te permite utilizar anuncios automatizados (que contienen imágenes, precios y enlaces) de aquellos productos que el usuario ha buscado previamente en tu página.
Gracias a los mensajes adaptados al público, el remarketing dinámico ayuda a aumentar las ventas porque anima a los usuarios a completar el proceso de compra en el sitio web recordándoles lo estupendos que son tus productos.
Una de las mayores ventajas que ofrece el remarketing es la posibilidad de segmentar a los usuarios según su posición en el embudo de compras. Esto te permite crear campañas personalizadas y grupos de anuncios para poner en marcha diferentes estrategias, ofertas y presupuestos.
La subdivisión más habitual es:
Descubrimos que la tasa de conversión de una de nuestras campañas de remarketing dinámico (dirigidas a usuarios que visitaban la página de producto, pero no lo añadían al carrito) no cumplía con el objetivo establecido. Por este motivo, decidimos cambiar de estrategia.
Aprovechar los productos en oferta para estimular las ventas.
Nos preguntamos: ¿qué pasaría si intentásemos aumentar las conversiones poniendo en marcha una campaña dirigida exclusivamente a aquellos usuarios que han visitado un producto en oferta durante el día de hoy?
Para llevar a cabo esta estrategia, desarrollamos una regla en DataFeedWatch que nos permitiese crear una etiqueta «ads_label» [etiqueta_anuncios] (llamada «sale» [en oferta]). Después, asignamos dicha etiqueta a todos los artículos en oferta. Utilizamos la función «Añadir valor estático» y aplicamos la siguiente lógica:
Nota:
Este atributo no es el clásico custom_label [etiqueta_personalizada], sino un atributo específico destinado exclusivamente a campañas de la Red de Display.
¿Por qué utilizar el atributo ads_label [etiqueta_anuncios]?
Hasta el momento, es uno de los pocos atributos que se puede utilizar para filtrar productos en anuncios dinámicos a nivel de campaña.
A continuación, creamos una campaña de remarketing de prueba (un clon de la original), que mostraba exclusivamente los anuncios de los productos filtrados. Es decir, los artículos en oferta que, en los últimos 30 días, habían despertado el interés de los usuarios.
Y es que, ¿a quién no le gusta un buen descuento?
El resultado de esta estrategia fue espectacular, tanto en términos de ventas como de interacción. Este método permite a los minoristas aprovechar un fenómeno de compra muy común, que hace que los usuarios, atraídos por un artículo en oferta, descubran y compren también otros productos.
En esta campaña de prueba, registramos un aumento del 18 % de la tasa de conversión, una mejora del tiempo medio de la página de unos 30 segundos y una reducción del 20 % del porcentaje de rebote.
Asimismo, el CTR de los anuncios también aumentó un 20 %, debido a la presencia de la etiqueta de diseño «Reducción de precio», una función que se activa automáticamente para aquellos productos que están en oferta desde hace poco tiempo.
En definitiva, esta función se encargó de filtrar la campaña para un subgrupo de productos que nos permitió aumentar la cuota de impresión del 10 % al 38 %.
Vuelve a la parte superior de la página o descarga el Manual definitivo de Google Merchant Center
Las expresiones regulares (o RegExp) son funciones o fórmulas capaces de buscar, filtrar o sustituir cadenas de texto siguiendo un patrón predefinido.
Es muy habitual utilizarlas en programación y análisis de datos. E incluso para los vendedores son una herramienta de gran utilidad que merece la pena tener a mano. Un buen ejemplo de ello es a la hora de utilizar Google Analytics para crear filtros de vista, objetivos o segmentos.
Crear dependencias complejas entre atributos del feed puede ser una herramienta de gran valor para los vendedores online, pero también puede convertirse en un arma de doble filo si no se presta atención o se toman las precauciones adecuadas.
Para aquellos que trabajan en la industria de la moda, el color, la talla y los materiales son atributos fundamentales, tanto como campos independientes como información que se va a incluir en el título para atraer tráfico de alta calidad. A este respecto, recomendamos esta excelente guía de Google en la que se incluyen algunas prácticas recomendadas para aquellos que trabajan en la industria de la moda.
Para los clientes de este sector, solemos crear los títulos dinámicamente, es decir, utilizamos atributos ya existentes del feed (como el material, el color, la talla, el nombre del producto) y seguimos una regla como la que dejamos a continuación:
El resultado final sería algo así como: Camiseta de Diseño, Algodón, Rojo, XL, Mujer.
Hasta aquí, todo bien. En muchas ocasiones, los datos sin procesar no incluyen campos internos que se utilizan en los títulos, por lo que es necesario extrapolarlos o crearlos desde cero utilizando los datos del feed original. En este caso concreto, por ejemplo, recuperamos la información sobre los colores y materiales de los artículos vendidos de una columna del catálogo de productos. Estos eran atributos de producto que Google no podría leer si se proporcionasen dentro de la columna del feed original.
Como se puede apreciar en la imagen, en la parte izquierda aparece una columna de «etiquetas» del feed original; y en la parte derecha, un ejemplo de cómo hemos utilizado dichos datos para desarrollar una regla que cree el atributo «materiales».
El principal inconveniente de utilizar la función «Añadir valor estático» es que solo se puede tener en cuenta un número limitado de variantes a la hora de crear la regla. Como consecuencia, se pierde el dinamismo.
¿Qué sucede si el cliente añade nuevos productos al catálogo, con materiales aún no categorizados o colores y diseños no contemplados hasta el momento?
Pues ahora mismo te lo contamos... lo más probable es que los atributos, como el material, color, etc., aparezcan vacíos, o lo que es peor, se muestren valores incorrectos. Como resultado, los atributos dependientes, como el título, las etiquetas personalizadas o las descripciones, pagarán las consecuencias y se transformarán en algo como lo siguiente:
Diseño Mujer Camiseta... NombreProducto, XL
Coincidirás con nosotros en que no es un título bien optimizado. Seguro que puedes imaginar el impacto que puede tener un título como este; no solo en el rendimiento, sino también en la estructura de las campañas de Shopping, que pueden dejar de funcionar de la noche a la mañana.
Por suerte para nosotros, en 1950, un matemático estadounidense llamado Stephen Cole Kleene, junto con otros jóvenes, dio vida a lo que ahora conocemos como expresiones regulares.
Gracias a ellas, es posible crear una regla dinámica y ampliable, mucho mejor que la solución anterior. Este mecanismo se encarga de extraer automáticamente la información sobre materiales (existente y futura) del feed de datos y, al hacerlo, reduce el riesgo de poner en peligro el funcionamiento de los atributos dependientes.
A continuación, te mostramos cómo lograr el mismo resultado que en la captura de pantalla anterior, pero de forma ampliable, utilizando solo expresiones regulares.
No olvides poner a prueba el funcionamiento de las expresiones regulares. En este sentido, la opción de vista previa y la ayuda que ofrece DataFeedWatch son de gran utilidad.
Tras esta optimización, pudimos evitar muchos errores de feed y bloqueos de tráfico. Además, nos permitió automatizar y acelerar la categorización de nuevos atributos, colores, categorías y otros datos de producto, así como evitar el tedioso trabajo manual que conlleva el feed o las intervenciones del departamento de TI.
Estos son solo dos ejemplos de cómo una herramienta de gestión del feed como la de DataFeedWatch, combinada con el poder del cerebro humano, puede ayudarte a encontrar ideas innovadoras y prevenir y resolver problemas del día a día para que puedas seguir siendo competitivo y evitar situaciones dramáticas.
El único límite es la creatividad, ¡así que nunca dejes de probar!
Vuelve a la parte superior de la página o descarga el Manual definitivo de Google Merchant Center
Estudio de caso realizado por Midsummer Agency
.png){kind=link}
