Merchant Center Rohdaten zur Google Shopping Optimierung nutzen
Google Shopping ist ein wichtiger Marketingkanal für den Onlinehandel. Die Performance des Kanals hängt dabei stark von der Qualität des verfügbaren Product Feeds aus dem Google Merchant Center ab. Die Produktdaten müssen strenge Google-Richtlinien erfüllen, damit die einzelnen Produkte über Google Shopping ausgespielt werden können. Eine kontinuierliche Pflege dieser Daten stellt demnach das Fundament für die Wertschöpfung im Google Shopping Funnels dar. Da die beiden Tools jedoch keine Daten miteinander austauschen, entsteht ein Blindspot in der Analyse, durch den viel Potenzial für die Optimierung verloren geht. Durch die Zusammenführung von Rohdaten aus dem Google Merchant Center und Google Shopping in BigQuery, wird dieser Blindspot geschlossen und ein dynamisches Monitoring der Feed-Qualität sowie eine automatisierte Ausspielungslogik ermöglicht.
In diesem Blogbeitrag stellen wir den beschriebenen Lösungsansatz vor und zeigen auf, wie damit manuelle Aufgabenbereiche aufgelöst, Fehlerquellen im Produktdatenfeed identifiziert und daraus Optimierungsmöglichkeiten abgeleitet werden können.
1. Assortment Analytics und Aktivierung mit Rohdaten aus dem Google Merchant Center
Unter Assortment Analytics (Sortiment-Analyse) ist die Analyse angebotener Waren und Artikel eines Handelsunternehmens zu verstehen. Bei der Analyse von Google Shopping Kampagnen besteht die Herausforderung, dass die für den Product Feed ausschlaggebenden Merchant Center Daten nicht im Google Shopping Interface zur Verfügung stehen. Tiefere Analysen der Google Shopping Performance unter Berücksichtigung des Product Feeds sind daher im Interface nicht möglich. Die Nutzung und Zusammenführung der Rohdaten aus den beiden Systemen löst diese Problematik und eröffnet neben der Analyse die Möglichkeit, Daten auch für die Aktivierung eines individuellen Business Use Cases zu verwenden. Bevor es jedoch in die technische Umsetzung sowie in die Visualisierung und Aktivierung der Daten geht, wird im folgenden Kapitel der konkrete Lösungsansatz für die Zusammenführung der Rohdaten aus dem Google Merchant Center und Google Shopping in der Google Cloud (BigQuery) mit seinen Funktionen und Features vorgestellt.
1.1 Problemstellung
Im Product Feed, der für das Merchant Center in der Regel mittels Feed Management Tools aufbereitet wird, ist das vollständige Produktsortiment (Total Products) mit Produktinformationen abgebildet. Von dieser Gesamtzahl an Produkten wird nur ein gewisser An- teil genehmigt (% Approved), von dem wiederum nur ein gewisser Anteil auch auf Lager ist (% In Stock). Diese Daten bilden den oberen Teil des Google Shopping Funnels ab und sind im Merchant Center verfügbar.
Von den Produkten, die auf Lager sind, kann wiederum nur ein gewisser Anteil getargeted werden. An dieser Stelle entsteht ein Blind- spot in der Analyse, da die Daten in unterschiedlichen Systemen liegen. Durch die Zusammenführung der Daten aus dem Merchant Center und Google Shopping kann der gesamte Funnel dargestellt werden und alle Werbe-Performance Indikatoren aus Google Shop- ping im Zusammenhang mit der Qualität des Product Feeds evaluiert werden.
Zum Beispiel der Anteil der Produkte, die auch tatsächlich targetiert werden (% targeted), Impressionen (% impressioned) bekommen und geklickt (% clicked) werden. Der Funnel kann dabei auch nach Produktkategorie, Marke oder weiteren Dimensionen analysiert werden. So lassen sich Lücken innerhalb dieser Ausprägungen schnell identifizieren, etwa wenn eine bestimmte Marke unter einer hohen Ablehnungsrate oder Problemen in der Ausspielung leidet. Der Fokus für die Nutzung der Rohdaten kann je nach Branche unterschiedlich gelagert sein und ist abhängig von individuellen Faktoren, welche die Conversion maßgeblich beeinflussen. Im Bereich Mode kann zum Beispiel die Verfügbarkeit einzelner Produktgrößen im Fokus stehen, während andere Branchen wie Elektronik oder Fahrradhändler eher durch Preissensitivität, Lieferzeiten oder etwaige Versandkosten beeinflusst werden. Die reine Nutzung des Google Merchant Centers und Google Shopping, als unabhängige Datensilos, lässt demgegenüber keine Fokussierung auf Basis einer eigenen Business-Logik zu.
1.2 Lösungsansatz
Die Zusammenführung der Produktdaten aus dem Google Merchant Center mit den Rohdaten aus Google Shopping wird innerhalb der Google Cloud (BigQuery) auf Basis bestimmter Criterias (Targeting-/Gebotskriterien) durchgeführt. Anschließend lassen sich die Daten über einen täglich ausgeführten Job in Google Data Studio monitoren. Dies ermöglicht ein Reporting des gesamten Google Shopping Funnels, wodurch sich Fehlerquellen und Optimierungsmöglichkeiten aus einem holistischen Blickwinkel leichter identifizieren und für die anschließende Aktivierung nutzen lassen.
1.3 Zielsetzung
Die grundlegende Zielsetzung stellt das zentrale Monitoring und Reporting der Produktinformationen in Google Data Studio sowie der daraus resultierenden Ableitung eines individuellen Business Use Case für die Aktivierung der Daten in Google Shopping dar. Durch die Zentralisierung der Daten in BigQuery lassen sich wiederum Automatisierungen für die Gebots- und Targeting Strategien einzelner Produkte auf Basis der aus der Analyse abgeleiteten Feed-Kriterien des Google Merchant Centers erstellen.
Die Pflege und das Monitoring des Product Feeds stellt oftmals einen hohen Arbeitsaufwand dar. Über das Merchant Center können direkt Berichte erstellt werden, die hierbei unterstützen. Allerdings sind die Möglichkeiten der Datenanalyse- und Visualisierungen nur sehr rudimentär vorhanden. Die Orchestrierung der Daten in Google Data Studio bietet eine Vereinfachung sowie Zusammenführung, um ein holistisches und granulares Monitoring der Feedqualität zu gewährleisten. Innerhalb der Data Studio Dashboards lässt sich dynamisch mit den Produktdaten arbeiten, um Fehlerquellen (Disapprovals) auf Produkt- und Kategorie-Ebene schnell zu erkennen und anzugehen.
Data Studio bietet dabei eine Vielzahl an Filter- und Individualisierungsmöglichkeiten, um hinter die Daten zu blicken. So kann die laufende Betrachtung der wesentlichen Faktoren für die Feedqualität individuell zugeschnitten werden und alle relevanten Werte auf einen Blick ersichtlich machen. Darüber hinaus können explorative Funktionalitäten bspw. für den Einkauf genutzt werden, um frühzeitig Trends und Nachfrageschwankungen zu erkennen. Unter anderem lassen sich in Verbindung mit den Daten zu Preisbenchmarking und Trends von Google Produkte identifizieren, die bislang nicht im Fokus des Produkt-Portfolios standen, aber in der Gunst der Nutzer steigen. Während die Analysemöglichkeiten auf Basis der Rohdaten bereits eine enorme Zeitersparnis im operativen Tagesgeschäft bringen können, entsteht der Mehrwert für die Google Shopping Kampagnen erst durch die Aktivierung der Daten. Je nach Unternehmensgegenstand und Use Case ist die Aktivierungslogik unterschiedlich (siehe 3.3 am Beispiel Mode).
2. Umsetzung
Dieses Kapitel zeigt den konkreten technischen Workflow zur Einrichtung des zuvor dargestellten Lösungsansatzes auf und geht auf einzelne Funktionen und Features des Reportings in Google Data Studio ein. Um ein besseres Verständnis für das Potenzial der Lösung zu entwickeln, wird im Anschluss ein Beispiel für die Aktivierung der Daten anhand eines Business Use Cases für den Bereich Mode dargestellt.
2.1 Technischer Workflow
Der Import der Rohdaten aus dem Google Merchant Center und Google Shopping wird über die native Data Transfer Funktion von BigQuery umgesetzt. Für die Einrichtung der Transfers sind die Kontodaten sowie ein paar grundsätzliche Einstellungen zum Data-Import vorzunehmen. Bei Aktivierung der Transfers fallen neben den generellen Kosten für die Speicherung und Verarbeitung der Daten innerhalb der Google Cloud keine zusätzlichen Kosten an. Diese Daten werden aus dem Merchant Center übertragen bzw. können je nach Verfügbarkeit einzeln angewählt werden:
Produktdaten
- Produkte & Issues
- Regionales Inventar Lokales Inventar
Market Insights
- Preis Benachmarks
- Best Sellers
Die Rohdaten für Google Shopping sind Teil der Google Ads Daten, die ebenfalls über die native Data Transfer Funktion einfach nach BigQuery zu übertragen sind. Optional besteht die Möglichkeit, zusätzlich First Party Daten wie bspw. Retourenquoten einzelner Produkte oder Margen zu BigQuery zu übermitteln.
Die Zusammenführung der Daten zwischen Google Merchant Center und Google Shopping innerhalb von BigQuery erfolgt anhand von Criterias (Targeting-/Gebotskriterien). Criterias können dabei auf verschiedenen Parametern, bspw. Brand, Channel, Condition, basieren, welche in einem separaten Workflow in BigQuery zerlegt und sortiert werden. Anschließend werden diese mit den Google Shopping Daten gejoined und in Data Studio visualisiert. Nach Ableitung einer individuellen Business Logik lässt sich diese in BigQuery in Verbindung mit Google Ads Script umsetzen oder kann auch über einen Sub-Feed in das Google Merchant Center aus BigQuery her- aus geladen werden, um Produkte auszuschließen, die aktuell aus der eigenen Business Logik fallen.
2.2 Analytics und Insights
Das Data Studio Dashboard unterteilt sich übergeordnet in diese zwei Kategorien: Product Analysis und Market Insights. Im Bereich Product Analysis stehen Reportings für das Monitoring und die Sicherstellung der Feed-Qualität auf Grundlage von Daten aus dem Google Merchant Center zur Verfügung. Darunter zu den Themen Shopping Feed & Performance Insights, Disapprovals, historische Trends und Feed-Optimierung. Der Bereich Market Insights ist explorativer Natur und bietet Einblicke in branchen-, marken- oder produktspezifische Bestseller Daten von Google. Ein interessanter Bereich für den Einkauf, da anhand globaler Datensätze auf Basis der GTIN Einschätzungen zu der relativen Nachfrage einzelner Marken und Produkte auf Länderebene einsehbar sind. Nachfolgend die Erläuterungen zu einigen Themenbereichen:
Product Disapprovals
Im Dashboard Disapprovals > “Product Disapproval Diagnostics“ stehen einzelne Charts zur Verfügung, über die sich Gründe für die Ablehnung von Produkten identifizieren lassen. Zusätzlich können einzelne Produkte/Marken nach verschiedenen Kriterien wie Target Country, Brand, Impressions, Klicks und Kategorie-Ebenen in einer Tabelle granularer gefiltert werden.
Product Performance Insights
Über Performance Insights steht ein dynamisches Reporting einzelner Marken und Produkte in Google Shopping zur Verfügung. Unter anderem werden Produkte über die Dashboards dargestellt, für die kein spezifisches Gebot in Google Ads vorhanden ist, zu denen in den letzten 30 Tagen bei Suchanfragen keine Angebote angezeigt oder zu denen in den letzten 30 Tagen kein Klick verzeichnet wurde.
Price Benchmarking
Nutzung der Google-Daten für Preis-Benchmarking und Vergleich des eigenen Preisniveaus mit Mitbewerbern. Das Reporting ermöglicht es, die preisliche Wettbewerbsfähigkeit des eigenen Sortiments nach Marke und Kategorie anhand globaler Google-Daten zu analysieren.
Explorative Analyse auf Basis der Google Daten
Wie bereits beschrieben, stellt Google über das Merchant Center zusätzlich umfangreiche Daten über die Nachfrage von Marken und einzelnen Produkten kostenlos zur Verfügung. Im Rahmen der Zentralisierung dieser innerhalb von Google Data Studio lassen sich somit Erkenntnisse über aktuell stark nachgefragten Marken und Produkten sowie der Entwicklung der Nachfrage in der eigenen Branche gewinnen:
2.3 Aktivierung: Ableitung einer Automatisierungs-Logik am Beispiel Mode
Festzuhalten ist, dass ein zentralisiertes Monitoring des Product Feeds in Google Data Studio eine schnelle Identifizierung von Fehlerquellen sowie zahlreiche Optimierungsmöglichkeiten für das Produkt-Sortiment ermöglicht. Wurden diese nun identifiziert, gilt es eine unternehmensspezifische Logik für die Optimierung und Automatisierung der Erkenntnisse in Google Shopping zu entwickeln. Zur Veranschaulichung wird im folgenden Beispiel ein möglicher Use Case für die Automatisierung von Gebotskriterien im Bereich Mode dargestellt.
Je nach Branche existieren unterschiedliche Einflussfaktoren, welche die Conversion Rate maßgeblich beeinflussen können. Im Bereich Mode könnte einer dieser Einflussfaktoren der Warenbestand stark nachgefragter Produktgrößen für einzelne Produkte sein. Nimmt man jetzt Bezug auf den in Kapitel 2.1 dargestellten Daten-Gap im Shopping Funnel, könnte dieser Einflussfaktor anhand der Orchestrierung und Automatisierung der Daten innerhalb von BigQuery modelliert, erkannt und aktiviert werden. Anders ausgedrückt: Wenn die Daten darauf schließen lassen, dass die Conversion Rate aufgrund der veränderten Verfügbarkeit (nur noch Randgrößen sind verfügbar) massiv zurückgehen wird, kann die Bewerbung gestoppt werden, anstelle weiterhin Geld für Klicks auszugeben, die nur mit geringer Wahrscheinlichkeit zu einem Kauf führen werden.
Für dieses Szenario lässt sich innerhalb von BigQuery eine Automatisierungs-Logik abbilden. Auf Basis der historischen Daten aus dem Google Merchant Center und Google Shopping wird die Conversion-Wahrscheinlichkeit abhängig vom Lagerbestand modelliert. Produkte mit einer geringen modellierten Conversion Wahrscheinlichkeit können aus dem Targeting ausgeschlossen – und das Media- budget geschont werden.
Somit lässt sich die Conversion Rate einzelner Produkte alleine durch verfügbare Bestandsdaten ideal optimieren. Gerade für Produkte wie Hosen, die trotz international standardisierter Größen von Marke zu Marke stark variieren, kann die Automatisierung einen signifikanten Uplift erzeugen. Hierbei lassen sich unter anderen First Party Daten wie z. B. Retourenquoten in die Gebotskriterien mit einbeziehen, sodass für retourenanfällige Größen dedizierter Produkte ebenfalls Schwellenwerte für das Ausspielen von Shopping Ads festgelegt werden.
3. Schlusswort
Der vorgestellte Ansatz für die Assortment Analyse mithilfe von Google BigQuery ermöglicht eine schnelle Identifizierung von Fehlerquellen sowie zahlreiche Optimierungsmöglichkeiten für das Produkt-Sortiment und für Google Shopping. Der große Mehrwert liegt jedoch in der Erarbeitung eines unternehmensspezifischen Anwendungsfalls. Die Aufbereitung und Bereitstellung der Daten in Data Studio dient neben der Sicherstellung von Feed-Qualität und Wettbewerbsfähigkeit daher vielmehr als Einstiegspunkt für die Automatisierung individueller Gebots- und Targeting-Strategien. Die Rohdaten aus dem Google Merchant Center und Google Shopping lassen sich kostengünstig und mit wenig Aufwand in Google BigQuery übertragen. Die hier vorgestellte Verknüpfung dieser beiden Datenquellen bricht Silos auf und ermöglicht die Nutzung dieser Daten sowohl für wertvolle Insights als auch für die direkte Aktivierung in Google Shopping, um die Performance der Kampagnen maßgeblich zu steigern.