Google Shopping : cet annonceur segmente campagnes & enchères et augmente sa rentabilité de +256% [étude de cas]

Montrer Cacher le sommaire

• Le contexte de cet annonceur Google Shopping
• Un e-commerçant fidèle aux campagnes Shopping standards, qui veut « rentabiliser »
• L’existant : une seule campagne Shopping « fourre tout » qui peut être optimisée
• Une stratégie Shopping jugée « imparfaite »
• Le test : de nouvelles structures & stratégies d’enchères des campagnes Shopping
• L’hypothèse qui conduit à une nouvelle structure & de nouvelles stratégie d’enchères
• Derrière l’hypothèse : pourquoi cette approche Shopping fonctionnerait mieux ?
• Les résultats après 1 mois de test Google Shopping
• Une diffusion plus qualifiée : apparaitre moins souvent, et se concentrer sur la demande « prête à acheter »
• Quel est le rôle des termes de marques dans ce succès ?
• Les biais possibles de ce test Google Shopping
• Les consommateurs ont pu changer de comportements d’une année sur l’autre
• Le budget de l’annonceur reste faible, et la significativité statistique délicate
• Conclusion
• FAQ Structure & Stratégie d’enchères Google Shopping
• Quel est l’avantage de créer plusieurs campagnes Google Shopping, avec des stratégies d’enchères différentes ?
• Quelles sont les limités d’une « hypra-segmentation » de ses campagnes Shopping ?
• Comment gérer les campagnes et les enchères Shopping pour des produits qui ont des marges bénéficiaires différentes ?

Malgré la montée en puissance des campagnes Performance Max, encore beaucoup de retailers utilisent les campagnes Google Shopping standards.

Bien que je sois convaincu de la valeur de Performance Max vs Google Shopping, les campagnes standard restent un excellent choix, notamment pour les « petits » comptes. Pourquoi ? Car elles permettent d’avoir un contrôle plus important sur les réseaux de diffusion, les enchères, les audiences ciblées.

Cela permet alors d’avoir un pilotage extrêmement fin, qui évite de « gaspiller » son budget, là où Performance Max compte uniquement sur l’intelligence artificielle qui se nourrit d’importants volumes de données (or si vous voulez plus de données, cela sera toujours plus long et plus coûteux).

Dans cette étude de cas, vous découvrirez cet annonceur qui a justement fait le choix d’avoir plus de contrôle sur ses campagnes Shopping. En segmentant plus précisément ses campagnes et en adoptant des stratégies d’enchères plus spécifiques, il a amélioré la rentabilité de ses publicités de +256%.

Le contexte de cet annonceur Google Shopping

Un e-commerçant fidèle aux campagnes Shopping standards, qui veut « rentabiliser »

Dans cette étude de cas, il s’agit d’un e-commerçant qui vend en ligne du prêt à porter pour enfants. Il utilise uniquement une campagne Shopping standard (et non Performance Max) pour deux raisons :

1. Toutes les annonces graphiques & vidéos qu’il peut créer se démodent rapidement, et il n’a aucune agilité pour en produire plus (toutes les créa’ sont réalisées par le siège du groupe).
2. Son budget mensuel est faible par rapport à la taille de son marché ; il préfère donc investir chaque euro pour être diffusé sur le carrousel Shopping plutôt que s’éparpiller sur d’autres réseaux.

Avec le climat économique qui invite à la prudence, le retailer veut resserrer la vis sur la profitabilité de ses publicités. Il est prêt à sacrifier sa croissance si le gain d’économie est plus intéressant pour lui. Il se penche donc naturellement sur sa campagne Google Shopping pour trouver des axes d’amélioration.

L’existant : une seule campagne Shopping « fourre tout » qui peut être optimisée

L’annonceur ne possède qu’une seule et unique campagne Shopping dans son compte. Cette dernière contient l’ensemble de son catalogue.

L’unique campagne est pilotée par une seule stratégie d’enchères au ROAS cible à 209% (pour 1€ investi sur Google Ads, l’annonceur souhaite générer 2,09€ de chiffre d’affaires).

En ne créant qu’une seule campagne et stratégie d’enchères, l’idée de départ de cet annonceur était la suivante :

• En rassemblant toutes les références dans une seule campagne,
• l’algorithme de smartbidding de Google Ads arbitrera mieux « quel produit » du catalogue diffuser en fonction de la requête, tout en respectant les contraintes de performance qui lui sont indiquées.
• Au fil des mois et des années, le système détectera par lui même qu’il existe une saisonnalité pour chaque référence, et augmentera / baissera les enchères en fonction de la saisonnalité.

Une stratégie Shopping jugée « imparfaite »

Bien que rentable en l’état, cette campagne peut être optimisée.

En effet, le business du prêt à porter est rythmé par les collections par saison, et actuellement, toutes les catégories de produits sont traitées de la même manière.

De plus, la logique initiale de cet e-commerçant est imparfaite, car à chaque collection, les références changent, et ce sont de nouveaux produits qui sont ajoutés au flux Merchant Center et qui, de nouveau, relancent une nouvelle phase d’apprentissage pour le système.

Cela est logique quand on sait que l’industrie du prêt à porter impose une rotation produite importante, sur des cycles de 3 à 7 mois.

C’est suite à ce constat d’imperfection que la décision est prise de tester une autre approche.

Le test : de nouvelles structures & stratégies d’enchères des campagnes Shopping

L’hypothèse qui conduit à une nouvelle structure & de nouvelles stratégie d’enchères

Le test est mis en place sur la base de l’hypothèse suivante :

• Si je segment les campagnes par catégorie de produits et les stratégies d’enchères par les saisons (saison « haute » et saison « basse »),
• alors la rentabilité des campagnes -mesurée par le ROAS- sera améliorée,
• parce que l’algorithme accumulera des enseignements plus robustes et plus spécifiques par rapport aux tendances du marché et des performances de chaque catégorie de produits.

Si l’hypothèse se confirme, le ROAS des campagnes Shopping devrait augmenter. Au départ du test, on attend donc :

• Un retour sur les dépenses publicitaires plus élevé,
• Un panier moyen plus haut,
• Un volume de transaction plus plus important
• Une meilleure rotation des stocks à chaque saison, avec un spectre de références vendues plus important.

En termes de mise en place :

• Les campagnes Shopping seront divisées par catégories de produits et par saison.
• Deux stratégies de portefeuille d’enchères au ROAS cible sont créées : une pour la saison « haute » (ROAS cible à 350%) et une autre pour la saison « basse » (ROAS cible à 400%).
• Plutôt que d’avoir un budget journalier sur une campagne, la fonctionnalité des budgets partagés est utilisée pour mieux distribuer les dépenses entre les campagnes « saison haute » et les campagnes « saison basse ».
• Le test aura lieu sur 1 mois, et les résultats seront comparés par rapport au même mois de l’an passé.

Derrière l’hypothèse : pourquoi cette approche Shopping fonctionnerait mieux ?

Le postulat de base est que les intentions en matière de prêt à porter varient forcément en fonction des saisons / tendances et du type de produits recherché.

Avec la nouvelle structurations des campagnes et des stratégies d’enchères, le but est de forcer l’algorithme à apprendre différemment :

• en fonction d’une catégorie de produit donnée,
• et d’une saisonnalité particulière, même sur des requêtes plus génériques (comme « pantalon fille 10 ans »).

L’objectif final est de permettre un meilleur arbitrage du smartbidding par rapport à une saison particulière. Par exemple, cela lui permettrait de comprendre que les personnes intéressées par des T-shirts de la marque en été sont plutôt « In-market pour des dîners à l’exterieur », et « in-market pour un voyage à l’étranger » en hiver…

Les résultats après 1 mois de test Google Shopping

Une diffusion plus qualifiée : apparaitre moins souvent, et se concentrer sur la demande « prête à acheter »

Bien entendu, le ROAS cible ayant été relevé, on observe immédiatement une amélioration de la rentabilité de +256%.

Du côté des volumes, on observe une très forte baisse de la visibilité car la nouvelle stratégie d’enchère ne permet plus de se payer des « enchères » incertaine. Il lui faut gagner en efficacité, donc il réduit la voilure, telle une entreprise qui se retrouverait soudainement en redressement judiciaire :

• les coûts de -78%,
• les impressions diminuent de -65%,
• et le trafic chute de -49%.

Par conséquent, est-ce que les volumes de transactions s’effondrent ? Non, c’est tout le contraire.

La recette paye… Les transactions augmentent de +20% en parallèle !

En parallèle :

• Le taux de conversion bondit de +134%,
• et le CPA chute de -81%.

C’est donc la preuve que cette nouvelle approche Shopping testée a permis de « couper le gras » et le trafic non qualifié, moins disposé à se convertir. D’autres KPI prouvent l’effet « sniper » du smartbidding dans cette nouvelle configuration :

• le ratio Conversions / Impressions augmente de 240%
• le Revenu par Clic est en hausse de +55%
• Le nombre des références vendues augmente de +54% (20 réf vendues au lieu de 13 avant)
• la click share a stagné (c’est à dire que la « part de marché » Google Shopping est restée la même d’une année sur l’autre, à l’exception que cette fois ci, les visiteurs étaient plus disposés à acheter)

Seule ombre au tableau (qui va à l’encontre d’une hypothèse de départ), le panier moyen baisse significativement (-22%). Cette contre performance combinée à la forte baisse des dépenses fait que, malgré des transaction en hausse, le revenu global chute de -21%.

L’opération reste tout de même profitable au retailer :

Au final, pour 1€ de CA que l’annonceur à perdu dans l’opération, il a réussi à économiser 3€ de budget pub !

Quel est le rôle des termes de marques dans ce succès ?

En résumé, le smartbidding c’est concentré sur les ventes « faciles » et les requêtes bas de funnel. Cela lui a permis de mieux monétiser chaque clic, même si les prospects rabattus ont finalement eu un panier moyen plus bas.

Dans une telle situation, il est judicieux de s’interroger alors sur le pourcentage de clics Shopping que représentent les termes de marque : il passe de 5% à 15% du total des clics.

Toutefois, cela ne prouve pas que la campagne s’est juste « contentée » de ramasser les internautes qui avaient déjà pris la décision d’acheter sur le site :

• D’une part, il est important de souligner que le retailer jouit d’une notoriété plus forte aujourd’hui qu’il y a un an (+100% de requêtes marque d’une année sur l’autre).
• D’autre part, quand on isole la performance sur les seuls termes hors marques, les performances restent épatantes. Le ROAS sur les termes génériques s’améliore de +528% (en passant de 0,65, donc non rentable sur les génériques, à 4.11, hypra rentable sur les génériques).

Et ce n’est pas le seul indicateur « hors marque » qui s’améliore :

• les transactions augmentent de +29%
• le CA augmente de +20%
• le taux de conversion est boosté à +158%
• le CPA diminue de -85%
• le CTR est boosté de +59%
• et le CPC baisse de -62%

C’est la preuve que l’approche Google Shopping testé a été couronnée de succès, même sur les termes de recherche hors marque (donc des consommateurs qui n’étaient PAS en considération de la marque).

Les biais possibles de ce test Google Shopping

Les consommateurs ont pu changer de comportements d’une année sur l’autre

Bien que comparer les résultats d’une année sur l’autre semble la méthode la plus appropriée, peut-être que les consommateurs, eux mêmes, ont changé leurs habitudes d’achat en matière de prêt à porter pour enfant, ou dans la perception qu’ils ont eu de la collection « Automne / hiver 2022 » proposée par la marque.

• Après tout, les produits ne sont pas les mêmes que l’an passé. Cela pourrait expliquer aussi le fait que les « best sellers » malheureusement n’aient pas été les produits aux montants les plus élevés.
• Ou bien les consommateurs eux même, en pleine économie morose, ont pu modifier (voire supprimer) leur budget dédié à ce type d’achat. Cela éclaircirait le fait que les paniers moyens baissent et que les requêtes « marché » ont diminué dans leur ensemble (moins de clics reçus, mais une click share qui stagne).

Le budget de l’annonceur reste faible, et la significativité statistique délicate

Bien que les sommes dépensées se comptent en milliers d’euros, les volumes restent très faibles. N’oublions pas aussi que la contrainte sur le ROAS a également bougé, ce qui change de facto les règles du jeu pour le système.

Idéalement, le test devrait se faire sur 160 000 clics, ce qui pourrait prendre jusqu’à 12 mois pour cet annonceur s’il espère récolter assez de données pour atteindre une vraie significativité statistique.

Conclusion

Comme l’a montré cette étude de cas, avoir des campagnes plus fines, et des stratégies d’enchères segmentées sur chaque saison (haute et basse) a permis d’améliorer la rentabilité Google Shopping de cet annonceur. C’est une stratégie défensive, qui ne cherche pas à faire croître le business, mais à mieux le monétiser.

Nous avons aussi vu que l’approche testée a influencé la manière dont l’algorithme a structuré son apprentissage. Le smartbidding s’est mis à cibler une demande plus disposée à se convertir, pour augmenter sa propre efficacité. La segmentation plus spécifique des campagnes et des enchères a aussi permis de diffuser un gamme plus large de SKUs, résultant dans une augmentation de +54% des références vendues.

Certes, les clients ont été bien moins dépensiers que prévus, ce qui a fait perdre 1/5 du revenu généré par Google Shopping. Mais pour chaque euro perdu en chiffre d’affaires, le retailer a économisé 3€ de budget publicitaire. Son objectif de « rationalisation » a donc été atteint.

FAQ Structure & Stratégie d’enchères Google Shopping