Hoe we met AI de registraties voor VakantieVeilingen verdubbelde

VakantieVeilingen — Winnaar Dutch Search Awards '23

Let op: Cijfers zoals CPA’s en budgetten zijn aangepast ter bescherming van klantdata.

Hoe we met AI de registraties voor VakantieVeilingen verdubbelde.

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 Demand Gen 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 Demand Gen 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 Demand Gen (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 Demand Gen 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

We analyseerden meer dan 1.000 uitgeleverde afbeeldingen en zagen dat het gemiddelde ‘Impression to Conversion’-percentage op 0,17% lag. Alles daaronder werd als ondergemiddeld gemarkeerd. En dat was nogal wat: 71 afbeeldingen trokken samen meer dan de helft van het totale Demand Gen-budget, zonder dat daar registraties tegenover stonden.

Om te achterhalen waarom sommige afbeeldingen wél presteerden en andere niet, zetten we een AI Image Classification Model in. Dit model analyseerde elke afbeelding op visuele kenmerken: is het een sfeer- of productfoto? Staat er een persoon op? Wordt het product volledig getoond? En misschien wel de belangrijkste: is het in één oogopslag duidelijk wat er geveild wordt?

Dankzij AI konden we dit proces razendsnel en objectief uitvoeren. Geen eindeloze discussies over ‘mooie beelden’ – alleen harde data die liet zien wat werkte. Op basis van de uitkomsten wisten we exact welke eigenschappen doorslaggevend waren voor conversie. Dat gaf ons een ijzersterke basis om het designteam gericht aan te sturen en de slecht presterende assets te vervangen.

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 Demand Gen-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 Demand Gen 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.