pinqponq

Für die genannten Challenges entwickelten wir Lösungen, die die Performance gehebelt haben. Dadurch konnten wir schon nach wenigen Monaten der Zusammenarbeit die MER- und Umsatzziele erreichen.

Produkt- & Offer-Testing

Im Produkt- und Offer-Testing wollten wir die Produkte und Angebote finden, welche Product-Channel-Fit haben und die beste Performance liefern. Außerdem wollten wir die optimale Budgetverteilung zwischen diesen finden, um die Performance maximal zu hebeln.

Da pinqponq kurz nach dem Start unserer Zusammenarbeit ihre neuen Winterjacken gelauncht hatte, wechselten wir den Fokus von den Hip Bags auf die Jacken. Im Verlauf unserer Testing-Roadmap testeten wir diverse Angebote und konnten den aktuellen Best-Performer ausfindig machen: Jacke + kleines Geschenk. 

In vielen weiteren Tests konnten wir diverse wertvolle Learnings sammeln. Wir testeten die volle Breite des Produktkatalogs und konnten zum Beispiel die Fleecejacken als weiteren starken Performer ausfindig machen.

Die Conversion Rate (CR) sank durch die Änderungen zwar um 13,13%, dafür stieg der Average Order Value (AOV) um 62,67% an, wodurch der Revenue Per User (RPU) wiederum auch um 57,72% stieg. Das Wachstum bezieht sich auf den Zeitraum von Juli zum November, daher zieht hier natürlich das starke Q4 die Ergebnisse nach oben. Diese Entwicklung war zwar nach der Black Week etwas abgedämpft, aber wir wollten diese natürlich im Dezember und im ersten Quartal aufrechterhalten.

Creative-Testing & UGC

Die richtigen Creatives sind in jedem Ad Account ein sehr großer Hebel für die Performance. Es müssen genau die Ansprachen und Botschaften gefunden werden, die die Wünsche und Bedürfnisse der Kund:innen am besten triggern, damit sie konvertieren.

Schon beim Creator Sourcing für den UGC gingen wir datengetrieben vor und nutzten die Daten aus dem Shop Backend und aus ersten Tests, um die stärksten Produkte und Colorways an die Creator:innen zu schicken.

Den UGC nutzten wir dann zusammen mit Statics (Bilder Ads) zum strategischen Testing von diversen Kommunikationen, um Learnings über die Zielgruppe und die verschiedenen Avatare zu sammeln.

Wir sammelten schnell erste wichtige Learnings, um die Performance zu verbessern. Hier sind einige der ersten Learnings:
-Ads mit Fokus auf ein Produkt performten stärker
-Trendkonzepte funktionierten schlechter als die Kommunikation für einen bestimmten Usecase
-Voiceover verbesserten die Performance gegenüber Hintergrundmusik
-Closeup Shots der Produkte steigerten die Performance.

Dadurch konnten wir nach und nach die Klickpreise und Scroll-Stopper-Raten verbessern. Der CPC sank um 55,06% und die SSR lag bei den besten UGCs bei über 40%. Durch die verbesserten Input-Metriken (CPC & SSR) konnten wir die Gesamtperformance steigern.

Account-Struktur & Targeting

Wir testeten verschiedene Account-Strukturen und setzten das folgende individuelle Ad Account Setup für optimale Performance auf. Der Kampagnen-Aufbau unterteilte sich in 4 Haupt-Kampagnen:

Ads Testing & Scaling: In einigen Cases funktioniert es sehr gut, Ads aus der Testing-Kampagne in eine weitere Scaling-Kampagne zu duplizieren. In diesem Fall führte das Skalieren des Budgets bei starken Testing-Ads zu besseren Ergebnissen, weil die Lernphase nicht unterbrochen wurde. Daher sind Testing und Scaling in einer Kampagne vereint. In dieser Kampagne geht es vorrangig um Creative-Tests.

Technisches Testing: Wie der Name schon sagt, werden hier technische Tests durchgeführt. Vor allem zu Beginn der Zusammenarbeit konnten wir viele Daten zu den optimalen technischen Einstellungen sammeln. Zum Beispiel hatte bei der Einstellung des Conversion Events neben “Purchase” auch “View Content” zu starken Ergebnissen geführt, daher nutzten wir auch das ab diesem Zeitpunkt regelmäßig. Außerdem testeten wir verschiedene Targeting Optionen und fanden “Broad without Exclusions” als klaren Gewinner. Die Daten aus den technischen Tests nutzten wir dann als Best Practice für alle anderen Kampagnen.

Retargeting: Um alle Schritte der Customer Journey abzudecken, lief auch eine Retargeting Kampagne. Die Ad Sets sind hier nach Produktgruppen unterteilt, weil wir das Budget dann effizienter verteilen und shiften können.

Katalogverkäufe: Um die volle Breite des Produktkatalogs abzuverkaufen, lief eine Kampagne mit Katalogverkäufen. Das hatte neben dem Abverkauf des gesamten Produktkatalogs zudem den Vorteil, dass permanent ein Produkttest aktiv lief und man schnell erkennen konnte, wenn bestimmte Produkte an Popularität gewannen, zum Beispiel durch Trends oder das Wetter. Diese Daten nutzten wir dann für die Budgetverteilung in den anderen Kampagnen.

Data Setup

Wir bauten für pinqponq ein Data Warehouse auf und setzten eine individuelle Daten-Infrastruktur mit Y42, Google Data Studio und Google Analytics auf. Das ermöglichte es uns, Learnings aus den Daten zu sammeln und datengetrieben Entscheidungen zu treffen, um die Performance kontinuierlich zu verbessern. Natürlich haben wir dabei technisch und über einen AVV die Sicherheit der Daten gewährleistet.