Jak Lucardi zwiększył CTR, przychody i marże dzięki połączeniu rozwiązań Producthero i Channable?

Aby zwiększyć zarówno przychody, jak i wydajność kampanii reklamowych w sklepach, firma Lucardi nawiązała współpracę z Adwise i wykorzystała połączone wykorzystanie Producthero i Channable. Optymalizując swój plik produktowy za pomocą Producthero's Products AI i potężny silnik reguł Channable w celu tworzenia zaawansowanych segmentacji produktów w oparciu o kluczowe zmienne biznesowe, takie jak marże i poziomy zapasów, Lucardi osiągnął nawet 18% wzrost CTR, +20% przychodów i +15% marży.

Wyzwanie: Zwiększenie przychodów i marży

Z pomocą Adwise, Lucardi był jednym z pierwszych użytkowników aplikacji Producthero Labelizer Strategy. Strategia ta umożliwiła im łatwe kategoryzowanie produktów według różnych etykiet w oparciu o ich wydajność, co przyniosło bardzo pozytywne wyniki i poprawiło efektywność kampanii Lucardi.

Jednak, podobnie jak w przypadku wielu innych graczy e-commerce, na wyniki Lucardi duży wpływ mają czynniki zewnętrzne, takie jak promocje, marże zysku, poziomy zapasów i wydajność poszczególnych produktów. Czynniki te sprawiły, że stało się jasne, że konieczne jest pójście o krok dalej, aby utrzymać rozwój firmy.

Aby naprawdę wpłynąć na poziom przychodów i marży Lucardi, Adwise podjął wyzwanie optymalizacji danych produktowych wykorzystywanych w Google Ads, nie tylko poprzez poprawę atrybutów feedów, ale także poprzez tworzenie bardziej inteligentnych segmentacji produktów w oparciu o krytyczne zmienne dla firmy.

Podejście i wdrożenie: Wzmocnienie kampanii za pomocą Producthero's Products AI i Channable's Rules Engine

Pierwszy krok: Optymalizacja feedu produktowego za pomocą Producthero

Przed skupieniem się na optymalizacji struktur kampanii Lucardi, Adwise musiał najpierw zoptymalizować feed zawierający ponad 30 000 produktów dla 3 różnych krajów (w dwóch językach). W tym celu wykorzystali Products AI Producthero, która pozwoliła im zaoszczędzić znaczną ilość czasu i pracy ręcznej.

Używając Products AI do optymalizacji tytułów, opisów i innych atrybutów produktów, wykorzystali niestandardowe podpowiedzi i zaczęli od optymalizacji produktów oznaczonych jako "Heroes", które miały niskiej jakości tytuły i opisy. Następnie kontynuowano optymalizację reszty asortymentu.

"Optymalizacja tytułów produktów była na naszej liście zadań od dłuższego czasu. Dzięki Producthero's Products AI, byliśmy w stanie dokonać tych zmian dość łatwo, co pozwoliło nam zoptymalizować wszystkie tytuły produktów przy minimalnym nakładzie czasu. Wisienką na torcie jest to, że widzimy również doskonałe wyniki". Dennis Westerbeek, Teamlead i starszy specjalista ds. reklamy cyfrowej w Adwise

Drugi krok: Zaimportowanie zoptymalizowanego feedu do platformy Channable w celu umożliwienia segmentacji produktów w oparciu o reguły.

Po wzbogaceniu paszy produktowej o Products AI, zaimportowali zoptymalizowaną paszę, wraz z ich dodatkowymi paszami z obydwoma Price Benchmark i Labelizer , na platformę Channable. W Channable upewnili się, że ten ulepszony feed był używany zarówno w organicznych listach zakupów, jak i płatnych reklamach zakupowych w Google. Ale poza zwykłą aktualizacją informacji o produktach, celem było wzbogacenie kampanii o przydatne dane biznesowe.

W tym celu Adwise i Lucardi zidentyfikowali najważniejsze zmienne, które wpływają na wydajność produktu (takie jak poziomy zapasów i marże zysku). Każdy produkt otrzymał wynik dla każdej z tych zmiennych. Wyniki te zostały następnie wykorzystane do skuteczniejszej segmentacji kampanii.

Korzystanie z Silnik reguł Channablepodzielono katalog produktów na grupy oparte na wynikach lub "wiadra", od produktów o wysokiej do niskiej wydajności. Każdej grupie przypisano inny cel ROAS (Return on Ad Spend) w Google Ads. Umożliwiło to priorytetyzację budżetu i widoczności produktów o największym wpływie na przychody i marże Lucardi.

Były to ustrukturyzowane reguły używane w Channable do dalszego wzbogacania danych kampanii:

• Reguły zostały użyte do wykluczenia produktów, które znajdują się poniżej ustalonego progu marży
• "Villains", którzy nie spełniali standardów kosztu konwersji lub marży (wcześniej zidentyfikowanych w Producthero), zostali wykluczeni za pomocą reguł Channable.

Efekty

Po wspólnym wykorzystaniu rozwiązań Producthero i Channablebyły to kluczowe wyniki dla Lucardi:

• +18% CTR w Belgii i Holandii oraz +15% CTR w Niemczech

Po wykorzystaniu Products AI do optymalizacji feedów produktowych, Lucardi i Adwise porównały wyniki kampanii w ciągu czterech miesięcy w 2025 roku z tym samym okresem w 2024 roku. Wyniki wykazały znaczny wzrost współczynników klikalności: +18% w Holandii i Belgii oraz +15% w Niemczech.

Dzięki zoptymalizowanemu feedowi firma Lucardi była w stanie przyciągnąć do swojej witryny bardziej odpowiedni ruch i zwiększyć współczynniki konwersji na wielu stronach.

• +20% przychodów i +15% marży dzięki zaawansowanej klasyfikacji w Channable

Oferując odpowiednie produkty we właściwym czasie, Lucardi i Adwise wykorzystali zaawansowane grupowanie w Channable, aby zwiększyć przychody w poszczególnych okresach (PoP) o 20% i zwiększyć marżę wkładu o 15%.

"Oprócz widocznej poprawy tych wskaźników, dało to o wiele więcej wglądu w to, jak działa nasz produkt i dało inspirację naszym menedżerom kategorii". Dennis Westerbeek, Teamlead i starszy specjalista ds. reklamy cyfrowej w Adwise

Następne kroki

Chociaż obecne wyniki kampanii są już bardzo obiecujące, Lucardi i Adwise widzą dalsze możliwości rozwoju. Następnym krokiem jest wzbogacenie swoich produktów o dodatkowe zmienne biznesowe, którymi można zarządzać bezpośrednio w Channable. Ponadto zamierzają przejść od podejścia reaktywnego do predykcyjnego, czyli wykorzystywać dane do przewidywania trendów wydajności, zamiast na nie reagować.

Oprócz Google Shopping i Google Ads, Channable umożliwia również Lucardi zarządzanie szeroką gamą dodatkowych kanałów z jednej platformy, w tym kanałami handlu społecznościowego, takimi jak TikTok, Meta, Pinterest i Snapchat, a także porównywarkami, takimi jak Beslist.nl. Ta wielokanałowa konfiguracja będzie odgrywać kluczową rolę w skalowaniu wydajności na różnych platformach.

‍