Hoe we de registraties verdubbelden voor VakantieVeilingen door meer dan 1000 afbeeldingen te optimaliseren

VakantieVeilingen — Winnaar Dutch Search Awards '23

Introductie

Verdubbeling registraties tegen hetzelfde budget voor VakantieVeilingen door slimme optimalisatie van ruim 1.000 afbeeldingen.

VakantieVeilingen (VV) veilt dagelijks duizenden producten en ervaringen, van sieraden en messensets tot fotoshoots en stedentrips. Een bezoeker kan pas meebieden na registratie. De belangrijkste ‘Key Performance Indicator (KPI) is dan ook het aanmaken van een account, en hiervoor worden zowel Search-advertenties als Discovery Ads ingezet.

Het marketingteam van VV ontdekte dat er nogal een verschil was in de effectiviteit van deze twee methoden. Via Search converteerden de advertenties goed, via Discovery presteerden ze ondermaats. Om te achterhalen wat hier mis ging, werd PaperDigits ingeschakeld.

-52%

CPA

110%

Registraties

1000+

afbeeldingen geoptimaliseerd

Doelstelling & Budget

We begonnen met een schets van het probleem. VV gaf €20.000 per maand uit aan Discovery (voor optimalisaties). Dit gebeurde op basis van Cost per Registration, oftewel de prijs die wordt betaald voor iedere registratie (hierna: conversie). Gemiddeld brachten deze campagnes 357 conversies per maand op. Kosten: €56 per conversie.

Omdat het datateam van VV had vastgesteld dat het bedrag per conversie niet hoger mocht zijn dan €32, was de conclusie helder: er werd veel te veel uitgegeven. Bijna twee keer het gewenste bedrag. Vanzelfsprekend met grote gevolgen voor de marge en winstgevendheid. Het doel van PaperDigits was even simpel als uitdagend: de prijs per conversie terugbrengen naar €32.

Na een kijkje onder de motorkap van de campagnes, waren we in eerste instantie vooral onder de indruk. Wijzigingen werden keurig bijgehouden met annotaties, de campagnestructuren stonden scherp, de eigen actieve database werd uitgesloten, en er werd getarget op ‘custom intent’. We zagen dan ook weinig quick wins op hygiënisch vlak in het account.

Wel viel ons iets anders op: er werden ruim 1.000 verschillende afbeeldingen uitgeleverd door de inzet van de Discovery Ads. We stelden onszelf als doel om trends in die uitlevering te vinden, waarmee we de campagnes hoopten te kunnen optimaliseren.

Strategie en doelgroep

De eerste stap was het in kaart brengen van de kwaliteit van de uitgeleverde afbeeldingen. Hiervoor richtten we onze pijlen op de metric ‘Impression to Conversion. Een getoonde afbeelding kan namelijk een hoge ‘Click-through Rate’ (CTR) hebben, en ondertussen juist een lage conversie naar registratie. Doorgaans komt dit doordat bezoekers een andere verwachting hebben bij het zien van de afbeelding, dan wat ze uiteindelijk voorgeschoteld krijgen. Onze KPI helpt dit te verklaren omdat het de volledige klantreis ondervangt.

We focusten ons op de gemiddelden. Zodra we te weten zouden komen wat de gemiddelde ‘Impression to Conversionwas van alle afbeeldingen, konden we meteen vaststellen welke afbeeldingen het relatief goed deden en welke relatief slecht presteerden ten opzichte van dat gemiddelde.

Oplossing en implementatie

Nadat we de gegevens van meer dan 1.000 getoonde afbeeldingen hadden geëxporteerd, bleek de gemiddelde ‘Impression to Conversion’ 0,17%. Oftewel, afbeeldingen die lager scoorden dan 0,17% presteerden ondergemiddeld, en afbeeldingen met een hoger percentage presteerden bovengemiddeld. Zie Bijlage 1 voor de belangrijkste gegevens. Let op: we gebruikten alleen afbeeldingen die statistisch significante cijfers opleverden.

Zoals te zien in de tabel, categoriseerden we de gegevens op basis van prestaties. Zo belandde een aantal afbeeldingen in de categorie ‘Impression to Conversion 0,00%’, een aantal in de categorie ‘Impression to Conversion 0,05%’, enzovoorts.

Het voordeel van deze werkwijze was dat meteen duidelijk werd hoeveel geld er was uitgegeven aan afbeeldingen die ondermaats presteerden. De cijfers: 71 afbeeldingen zaten onder het gemiddelde en slokten 54% van het budget op. Kosten: €10.459.

Toen kwam het volgende onderdeel: achterhalen waaróm de ene afbeelding goed presteerde en de andere slecht. Als we daar een beeld van kregen, konden we immers de mindere afbeeldingen optimaliseren en zo de campagnes efficiënter maken.

Samen met het marketingteam van VV bogen we ons over het beeldmateriaal. We probeerden overeenkomsten te vinden van zowel goed- als slechtpresterende afbeeldingen. Uiteindelijk beoordeelden we het materiaal op vier verschillende criteria:

  1. Is de afbeelding een product- of sfeerfoto?
  2. Worden er mensen getoond op de afbeelding?
  3. Wordt het product volledig weergegeven?
  4. Is meteen duidelijk waar de veiling om draait?

Zie Bijlage 2 voor een illustratie van de resultaten, met onder meer een afbeelding van een Airfryer en een afbeelding van een horloge. Beide zijn overduidelijk een productfoto (1), er worden geen mensen getoond (2), het product wordt volledig weergegeven (3) en meteen is duidelijk waar de veiling om draait (4). Bij de afbeelding van het ontbijt is dat een ander verhaal. Daar is niet meteen duidelijk waar de veiling over gaat. Het kan een hotelovernachting zijn, een ontbijtpakket of het getoonde servies.

Nadat we alle productfoto’s op deze manier hadden doorlopen, maakten we draaitabellen. Hiermee konden we zien in hoeverre het mogelijk was om te voorspellen welke afbeeldingen goed zouden presteren.

Resultaat

Toen we al het beeldmateriaal hadden gelabeld en de data geanalyseerd, deden we een aantal cruciale inzichten op: 

  1. Voor ‘productveilingen’ (dus veilingen van een product en niet van een ervaring) werken afbeeldingen met daarop het product en een witte achtergrond beter dan sfeerafbeeldingen, oftewel afbeeldingen van het product in een bepaalde situatie/context (+11% conversieratio, statistisch significant) 
  2. Voor productveilingen kan beter het gehele product worden afgebeeld (+17% conversieratio, stat. significant) 
  3. Voor ‘non-productveilingen’, dus veilingen van ervaringen zoals sauna’s en hotels, werken afbeeldingen met mensen beter (+7,5% conversieratio, stat. significant)
  4. Sfeerfoto’s werken beter als in de afbeelding meteen duidelijk is waar de veiling om draait (+38% conversieratio, stat. significant) 

Door deze cijfers wisten we precies hoe we het designteam moesten instrueren om de bestaande afbeeldingen te optimaliseren. Onze wensen waren als volgt:

– Voor productveilingen willen we afbeeldingen met een witte achtergrond

– Voor ervaringen willen we afbeeldingen waarop mensen worden weergegeven

– Iedere afbeelding moet meteen duidelijk maken waar de veiling om draait

Met de verbeterde afbeeldingen begonnen we een nieuwe campagne. Wat bleek: met precies hetzelfde budget van €20.000 realiseerden we 751 registraties. Dit hield in dat de Cost per Registration was gedaald tot €26 – ruimschoots onder het doel van €32.

Inmiddels draaien we Discovery-campagnes namens VV met een verdubbeld budget van €40.000 per maand, nog altijd tegen een ‘Cost per Registration’ van minder dan €32. Het enige wat ervoor nodig was, was het optimaliseren van de afbeeldingen, op basis van kwalitatief onderzoek. Een mooie bijkomstigheid is dat we deze scherpe briefings nu ook kunnen gebruiken voor andere campagnes.

Conclusie

Bij het analyseren van campagnes wordt content helaas vaak voor lief genomen. Wij zijn als digital marketeers snel geneigd om de oplossing te zoeken in veranderingen ‘aan de knoppen’. Zo laten we ons verleiden om aan campagnes te sleutelen die al grotendeels op de juiste manier zijn ingericht. En dit resulteert slechts in optimalisaties in de marge. Een goede digital marketeer kijkt verder, die ziet het grote plaatje.

Een kwalitatieve analyse van afbeeldingen, op basis van kwantitatieve inzichten, is voor iedere marketeer die met Discovery werkt een eenvoudige optimalisatie die gigantische impact kan hebben. En met behulp van deze case kan iedereen zo’n test draaien.

Zelf hebben wij inmiddels gewerkt aan de schaalbaarheid van deze campagne door het proces te automatiseren via Google BigQuery en Looker Studio. De campagnes worden nu automatisch aangestuurd op basis van de kwaliteit van de afbeeldingen.