Data-driven optimalisatie van een productfeed

Platformen zoals Amazon, Bol.com en Google Shopping worden steeds groter en belangrijker voor e-commerce partijen. Een van de belangrijkste succesfactoren op deze platformen is de informatie die wordt meegegeven aan een productfeed. Maar hoe weet je nu zeker welke productinformatie het beste werkt? Dit artikel gaat in op het belang van een goede productfeed en het optimaliseren hiervan aan de hand van een data-driven optimalisatie aanpak. Om zo meer controle te krijgen over het succes op grote verkoopplatformen.

1. Het belang van het optimaliseren van een productfeed

Een goede productfeed is een van de belangrijkste succesfactor voor het verkopen via platformen zoals Amazon, Bol.com en Google Shopping. Over het algemeen geldt de regel dat hoe uitgebreider de productinformatie is hoe beter de vindbaarheid binnen deze platformen. Campagnes via platformen zoals Google Shopping zijn tegenwoordig dusdanig geautomatiseerd dat de productfeed zeer bepalend is in het resultaat van een campagne. Aanpassingen binnen de productfeed kunnen daardoor een grote impact hebben op de resultaten van campagnes. Deze impact wil je van te voren in kaart hebben voordat het definitief wordt doorgevoerd. Een data driven optimalisatie aanpak in de vorm van A/B testing zorgt ervoor dat aanpassingen in de productfeed eerst gevalideerd worden voordat het volledig wordt doorgevoerd. De rest van dit artikel gaat in op optimalisatie van de belangrijkste attributen (productinformatie) en hoe dit via een A/B test gevalideerd kan worden.

2. De belangrijkste attributen

Binnen een productfeed valt er een onderscheidt te maken tussen twee soorten attributen:

• Zichtbare attributen: Dit zijn productattributen die zichtbaar zijn voor de consument zoals afbeeldingen en de prijs.
• Niet zichtbare attributen: Dit zijn attributen die niet direct zichtbaar zijn voor consumenten maar die wel gebruikt worden door platformen voor betere vindbaarheid. Denk aan de afmetingen van een product (bijv. 160 bij 200) dat gebruikt wordt voor filtering binnen deze platformen.

De zichtbare attributen maken de grootste impact op het conversieratio en het doorklikratio (CTR) van producten. Terwijl de niet zichtbare attributen heel bepalend zijn in de vindbaarheid op verkoopplatformen. Het aanpassen van deze attributen kan grote consequenties hebben op het conversieratio of de vindbaarheid binnen deze platformen. Dit versterkt het belang van het valideren van optimalisaties via A/B testen. Het vervolg van dit artikel gaat in op specifieke voorbeelden en de globale werking van het A/B test process.

Voorbeelden A/B test Productfeed

Een voorbeeld van een optimalisatie is het aanpassen van de productafbeelding. Veel partijen gebruiken een standaard productafbeelding met een witte achtergrond. Om op te vallen binnen de Search Engine Results Page (SERP) zou een afbeelding als volgt kunnen worden aangepast:

• Iets doen met de achtergrond (bijv. een andere kleur of tint).
• Productafbeeldingen draaien t.o.v. de standaard.
• Een persoon de producten laten dragen

Ten alle tijden is het belangrijk om de richtlijnen van Google voor productafbeeldingen aan te houden. Of eerst kleinschalig te testen of Google bepaalde afbeeldingen wel of niet afkeurt. Maar hoe weet je of een optimalisatie werkt of niet? Het vervolg van dit artikel gaat in op de mogelijkheid van het valideren van optimalisaties.

Validatie van optimalisaties

Platformen zoals Amazon, Bol.com en Google Shopping hebben geen standaard functionaliteit om A/B testen te draaien. Om alsnog optimalisaties te kunnen valideren via een A/B test, heeft OrangeValley het volgende process ontworpen:

1. Historische data per product: De eerste stap is het uitdraaien van historische data per product (SKU of GTIN/EAN). Waarbij gekeken wordt naar metrics zoals klikken, verkopen en omzet.
2. Vergelijkbare productgroepen maken: Op basis van de historische data worden twee identieke productgroepen gemaakt. Welke op basis van verkeer en SKU of GTIN/EAN gegroepeerd kunnen worden in de groepen “control” en “variant”.
3. Opzet en draaien van de test: Tijdens het opzetten van de test is het belangrijk om slechts 1 verschil aan te brengen tussen de control en variant groep, bijvoorbeeld de afbeelding. De looptijd van de test zal verschillen per organisatie en komt vaak uit op 2 tot 5 weken. Waarbij de hoeveelheid aan data bepaald hoe lang een test precies moet lopen.
4. Analyse en advies: Op basis van een statistisch model wordt er een analyse gemaakt en gekeken naar significante verschillen tussen de control en variant groep. Met als vervolg een advies over het wel of niet doorvoeren van een optimalisatie.

Deze validatie aanpak heeft zich al bewezen bij onze klanten. Met als resultaat dat we optimalisaties in de productfeed voor onze klanten eerst kunnen valideren voordat het overal wordt doorgevoerd. Dit voorkomt beslissingen die omzet kosten en leert ons meer over de optimalisaties die juist omzet opleveren. Benieuwd naar de mogelijkheden om dit ook in te zetten voor jouw e-commerce website? Neem contact op met OrangeValley.