Retourpercentages voorspellen en retouren verminderen: het belang in Google Ads

Retouren reduceren is een weg naar hogere marges. Dat speelt ook binnen Google Ads. Door bij de biedstrategie rekening te houden met door Machine Learning voorspelde retourpercentages kun je de winst verhogen.

Voor e-commerceretailers in de modesector zijn retouren een serieus probleem. Het aantal retouren per  aantal orders ligt rond de 10 procent en kan oplopen tot wel 35 procent. Dit heeft grote gevolgen voor het rendement en zorgt bovendien voor extra belasting van het milieu. Elke activiteit om het aantal retouren terug te dringen is daarom van belang. Het aansturen van de biedingsalgoritmes van Google Ads met rijke first-party data – oftewel Value-Based Bidding – heeft een bewezen positief effect op winst en retouren. In dit artikel leg ik uit hoe je hiervan gebruik kunt maken.

Value-Based Bidding uitgelegd

Google Ads is voor veel bedrijven onmisbaar. Een groot gedeelte van het marketingbudget gaat dan ook naar dit platform. Het is belangrijk dat dit budget zo effectief mogelijk wordt ingezet.

Value-Based Bidding, in Google Ads ook wel Smart Bidding genoemd, is een automatische biedstrategie die gebruikt kan worden om de effectiviteit te verhogen en meer rendement te realiseren. Bij deze strategie wordt direct na een transactie een conversiewaarde voor die transactie met Google Ads gedeeld. Deze conversiewaarde wordt gebruikt om de biedstrategie te optimaliseren. Veel bedrijven doen al aan Value-Based Bidding en gebruiken de omzet van transacties om de biedstrategie te optimaliseren. Hiermee optimaliseren ze de Return on Ad Spend (ROAS).

Winst waardevoller dan omzet

Hogere omzet hoeft niet per definitie een hogere winst te betekenen. Het is daarom waardevoller om winst met Google Ads te delen in plaats van omzet. Dit kan gedaan worden door de omzet per transactie te combineren met first-party data zoals productmarges en afhandelingskosten. Door de winst als conversiewaarde te gebruiken, wordt de biedstrategie geoptimaliseerd om een zo hoog mogelijke Profit on Ad Spend (POAS) te realiseren.

Ter illustratie: een voorbeeld van twee klanten. Irene en Tineke plaatsen beiden een bestelling via de website. In vergelijking met Tineke plaatst Irene een bestelling die een grotere omzet vertegenwoordigt. Wel zitten in de bestelling van Irene vooral producten van merken die worden ingekocht door de webshop, terwijl de bestelling van Tineke vooral producten van het eigen merk bevat. Hierdoor is de marge (de winst) van de bestelling van Tineke hoger dan de bestelling van Irene.

Irene’s transactie heeft dus een hogere waarde met een lagere marge. In de situatie waar omzet wordt gebruikt om de biedstrategie te optimaliseren zou de Cost per Click (CPC) hoog zijn met vergelijkbare signalen. Door naar de marge te kijken, in plaats van naar de omzet per transactie, is de CPC laag. Een lagere marge is immers minder interessant.

Tineke koopt een aantal producten met een relatief lagere transactiewaarde. De producten die ze koopt hebben echter een hoge marge, waardoor de uiteindelijke marge die overblijft hoger is dan de bestelling van Irene. Dit signaal wordt gedeeld met Google Ads waardoor het model van Google Ads zich richt op orders met een hoge winst. In de nieuwe situatie is de CPC hoog bij vergelijkbare signalen. Deze hogere CPC verdient zich ruim terug.

Productretouren voorspellen

De winst die direct na een transactie berekend kan worden is vaak niet de uiteindelijke winst die overblijft. Klanten kunnen bestelde producten nog retourneren. Om de conversiewaarde preciezer te maken, is het waardevol om productretouren hierin mee te nemen. Het probleem is echter dat productretouren na het plaatsen van een bestelling niet direct bekend zijn. Het retourgedrag van klanten zal dus voorspeld moeten worden op het moment dat ze de bestelling plaatsen.

Voor het voorspellen van het retourpercentage (return rate) van producten in een transactie maken we gebruik van een voorspelmodel op basis van Machine Learning. Belangrijke kenmerken (features) die door het model gebruikt kunnen worden, zijn bijvoorbeeld het aantal producten in de transactie, het aantal dezelfde producten in een transactie, retourneerhistorie van klanten. Ook de betaalmethode – zoals achteraf betalen – is bijvoorbeeld een voorspeller voor het retourgedrag.

Ook hier kunnen we weer kijken naar het voorbeeld van Tineke en Irene. Ze plaatsen dit keer beiden een bestelling die dezelfde transactiewaarde vertegenwoordigt. Tineke koopt slechts één product en betaalt direct via iDeal. Irene koopt meerdere dezelfde producten in verschillende maten en betaalt achteraf via Klarna. Laten we voor dit voorbeeld veronderstellen dat de marge voor beide bestellingen gelijk is.

Naast marge heeft ook de kans op retouren impact op de verwachte winst. Door de kans op retouren te voorspellen en mee te nemen in de conversiewaarde, zal Google Ads een hoge CPC bieden voor signalen vergelijkbaar met die van Tineke en een lage CPC bij signalen vergelijkbaar met die van Irene. Dit komt omdat de kans dat Irene producten zal retourneren vele malen groter is dan de kans dat Irene dit zal doen en dit heeft impact op de uiteindelijke winst die overblijft.

Significante ‘uplift’ in marge en minder retouren

Het verschuiven van een omzetgedreven naar een winstgedreven biedstrategie resulteert in een significante uplift in de uiteindelijke marge die gerealiseerd wordt. Uit ervaring durf ik te stellen dat een uplift van vijftien procent of zelfs meer realistisch is, al zal dit uiteraard per markt en zelfs per merk verschillen. Aangezien de investering relatief laag is en de hogere advertentiekosten ruimschoots worden goedgemaakt door de hogere marge, is een positieve business case niettemin al snel gemaakt.

Bovendien heeft deze aangepaste biedstrategie een positief effect op het aantal retouren. Op basis van het voorbeeld van Tineke en Irene zien we dat er lager wordt geboden op bestellingen die een grotere kans hebben op retouren. Ook hier durf ik te stellen dat een vermindering van het aantal retouren met vijf procent niet onrealistisch is.

Technologie

Bij de ontwikkeling staat het centraliseren van data voor deze use case(s) in Google Cloud Platform centraal. Als je nog niet actief bent op Google Cloud, dan kun je ook alleen die data en Google-Cloud-technologie gebruiken die nodig is om deze use case te realiseren. Er is geen licentie nodig en geen technisch beheer, want dit wordt gedaan door Google. Je ontwikkelt CDP-functionaliteiten hiermee incrementeel zonder licentie.

First-party data zijn essentieel voor het berekenen van de marge per transactie en voor het voorspellen van retourgedrag. Het op de juiste manier verzamelen en verwerken van first-party data is dus een vereiste. Dit vergt specifieke data-engineering- en data-science-vaardigheden. Voor het voorspellen en het halen van diepere inzichten uit de data kun je gebruik maken van Vertex AI: het AI-platform van Google. Daarnaast is het goed erop te letten dat je anonieme ID’s gebruikt en geen e-mailadressen of andere tot personen herleidbare gegevens, en in het algemeen alleen met data die de juiste juridische grondslag hebben.

Kortom: haal meer uit Google Ads door gebruik te maken van Value-Based Bidding op basis van winst. Neem retourgedrag mee in de winstberekening om de marge-uplift te maximaliseren en het aantal retouren te minimaliseren. Door de beperkte investering en de positieve impact op de marge is een positieve business case eenvoudig te maken.

Over de auteur: Kevin Kriek is Marketing Analytics Engineer bij Crystalloids.