Saltar al contenido principal
LibreTexts Español

2.7: Estudio de caso - Argos

  • Page ID
    67495
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)

    \( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)

    ( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)

    \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)

    \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)

    \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)

    \( \newcommand{\Span}{\mathrm{span}}\)

    \( \newcommand{\id}{\mathrm{id}}\)

    \( \newcommand{\Span}{\mathrm{span}}\)

    \( \newcommand{\kernel}{\mathrm{null}\,}\)

    \( \newcommand{\range}{\mathrm{range}\,}\)

    \( \newcommand{\RealPart}{\mathrm{Re}}\)

    \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)

    \( \newcommand{\Argument}{\mathrm{Arg}}\)

    \( \newcommand{\norm}[1]{\| #1 \|}\)

    \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)

    \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    \( \newcommand{\vectorA}[1]{\vec{#1}}      % arrow\)

    \( \newcommand{\vectorAt}[1]{\vec{\text{#1}}}      % arrow\)

    \( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vectorC}[1]{\textbf{#1}} \)

    \( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)

    \( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)

    \( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)

    \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)

    Resumen de una línea

    Argos, minorista líder en el Reino Unido, utiliza análisis de datos para ofrecer un aumento general interanual del margen neto del 170%.

    El reto

    Argos quería aumentar la efectividad de su presupuesto y gasto e incrementar los ingresos de la búsqueda pagada en un 30%, sin aumentar el costo de las ventas.

    La solución

    La agencia de marketing de Argos ideó una estrategia de seis partes para lograr este objetivo.

    1. Utilizó modelos de análisis predictivo para pronosticar el gasto presupuestario optimizado y los ingresos esperados para cada día, semana y mes.
    2. Alineó los mensajes creativos con los cambios de stock y precios para asegurarse de que los anuncios correctos se mostraran a las personas adecuadas en el dispositivo correcto y en el momento adecuado.
    3. Se utilizó un modelo de atribución a medida para medir la contribución que cada clic y palabra clave hizo a una venta.
    4. Ejecutó modelos para ver cómo el clima, la ubicación, la estacionalidad y otros factores causaron cambios en el comportamiento de compra de los clientes, luego sincronizó las campañas con esos cambios.
    5. Adaptó la mensajería, la programación y el posicionamiento de los anuncios de búsqueda pagados para aprovechar los aumentos esperados de tráfico después de la emisión de un anuncio de televisión.
    6. Cambió el enfoque de los ingresos como medida del éxito a la ganancia como medida del éxito, por lo que en lugar de mirar solo el costo de venta, examinaron la contribución del margen neto a las ventas de productos.

    Al revisar los datos de Google, los objetivos de ROI, las tasas de conversión y los datos transaccionales, pudieron construir predicciones para palabras clave relacionadas con más de 50 000 productos Argos. Argos también utilizó software para analizar datos de activadores de compra de clientes como ubicación, clima y anuncios de televisión.

    Con estos datos, Argos y su equipo de marketing pudieron mapear las tendencias de la temporada en todos los productos de Argos, incluidos eventos como regreso a clases, lanzamientos de catálogos de Argos, Semana Santa, Navidad y más. Usando estos datos, podrían anticipar la demanda de los clientes y predecir cambios en las impresiones, la tasa de clics, el costo por clic y la tasa de conversión.

    Utilizaron el mismo software para mapear productos dependientes del clima a campañas digitales relacionadas con el clima para Argos, identificando los efectos de la temperatura en cada producto durante todo el año. Estos disparadores estacionales y meteorológicos se utilizaron junto con pronósticos meteorológicos diarios para cada región y área de tienda para automatizar los ajustes de campaña y proponer cambios en las ofertas.

    Por último, Argos alineó el marketing online con las transmisiones de anuncios de televisión tanto para Argos como para sus competidores, realizando cambios en Google a los pocos segundos de que se transmitiera un anuncio. Esto les permitió aprovechar a las personas que utilizan pantallas duales mientras ven la televisión.

    Se proporcionaron reportes diarios de diagnóstico para identificar y corregir cualquier campaña de bajo rendimiento.

    Resultados

    La agencia de marketing entregó un incremento interanual del 170% en el margen neto en todas las categorías de productos. El incremento fue superior al 100% en todas las categorías, y en algunas categorías hasta el 900%. Otros resultados incluyeron:

    • Los ingresos anuales totales por búsqueda aumentaron 52% respecto al año anterior
    • PPC entregó un incremento de 46% respecto al año anterior sobre Navidad
    • El tráfico web de PPC y Shopping aumentó 33% respecto al año anterior
    • El costo de las ventas superó su objetivo
    • Levantaron las tasas de conversión y el valor promedio del pedido
    • El número total de pedidos vía PPC aumentó 31%. (Forecaster, n.d)

    This page titled 2.7: Estudio de caso - Argos is shared under a CC BY-NC-SA 3.0 license and was authored, remixed, and/or curated by Rob Stokes.