Predictive returns – Sådan løste BESTSELLER det største problem indenfor fashion ecommerce

Searchprisen belønner den mest effektive indsats inden for search. BESTSELLER og REFYNE ændrede ikke bare en kampagnestruktur og jagtede ikke bare billigere trafik. De omsatte den største udfordring fashion-industrien har, til et stærkt datasignal der kan sendes, og pejle algoritmerne i budgivningen i Google Ads. Effekten er dokumenteret kausal.

I fashion-branchen bliver en stor del af salget sendt retur, i flere markeder over 50 %. Alligevel optimerede paid search mod ordreværdien ved checkout, som i årevis har været branchestandarden. Performance Max kunne derfor byde højt på ordrer, som så profitable ud i auktionsøjeblikket, men som senere mistede en væsentlig del af værdien på grund af returnede varer.

Løsningen blev Predictive Returns. Det er en AI-predicted nettoværdi for hver ordre, der beregnes i realtid og sendes direkte ind i budgivningen. Modellen estimerer med 93% præcision den reelle ordreværdi modregnet de varer der sendes retur, allerede før ordren sendes. Også når brugeren er ny eller anonym. Det er de samme søgeord og samme auktioner som altid, men et markant bedre signal aktiveret i algoritmerne.

Effekten er direkte aflæselig i resultaterne:
- 24,5% lavere klikpris
- 50 % højere ROAS i testmarkedet
- Ordrevolumen er fastholdt og I flere tilfælde øget
- Effekten er isoleret og dokumenteret med GeoLift-studier.

Casen løfter search fra at optimere mod omsætning til istedet at optimere mod reel forretningsværdi ved at kunne tage højde for returvarer allerede i købsøjeblikket.

BESTSELLER driver paid search i stor skala på tværs af europæiske markeder og brands såsom Vila, Name It og Selected. Paid search er en af modebranchens mest konkurrenceudsatte kanaler, og den købsnære intention gør hvert bud værdifuldt for den enkelte forhandler.

Målgruppen rummer samtidig nogle betydningsfulde usikkerheder:
- Over 60 % af søgetrafikken kommer fra nye eller anonyme brugere uden købshistorik
- Returadfærden er ukendt, når buddet afgives
- I flere markeder bliver over halvdelen af de solgte varer returneret

Det skabte et grundlæggende mismatch. Budgivningen i Google Ads optimerede mod den værdi, der blev registreret ved checkout, men checkout-værdien var ikke nødvendigvis den værdi, BESTSELLER kunne beholde efter kundens varereturneringer. En ordre kunne se attraktiv ud i auktionen og kort efter miste en stor del af omsætningen gennem returneringer.

At byde lavere på kendte returkunder var ikke en tilstrækkelig løsning, fordi størstedelen af trafikken var anonym. Den faktiske returdata kom desuden for sent til at påvirke den auktion, der allerede var afgjort.

Indsigten var derfor ret ligefrem. Search-budgivningen skulle ikke kende personen. Den skulle kende ordrens samt ordrekombinationens sandsynlige nettoværdi, mens konverteringen fandt sted. Værdien skulle forudsiges fremfor at den først skulle aflæses bagefter.

Strategien var at flytte BESTSELLERs paid search fra budgivning på bruttoværdi til value-based bidding på den forudsagte nettoværdi af ordren. Signalet skulle være tilgængeligt i realtid og kunne bruges i hver auktion, også når brugeren var ny eller anonym.

Oplagte alternativer blev fravalgt. Segmentering af kendte returkunder dækkede kun en mindre del af trafikken, og import af faktiske returdata ville altid komme for sent. Derfor blev løsningen bygget direkte ind i værdikæden fra data til budgivning.
Datafundamentet blev skabt med en reverse ETL-pipeline der samlede færdigbehandlede data fra BESTSELLERs Snowflake-platform i Google BigQuery. Her blev der skabt ét fælles værdilag på tværs af brands og markeder, så search-indsatsen kunne bruge hele forretningens viden frem for kun kontoens egne konverteringsdata.

Prediction-modellen er bygget i Google Cloud Vertex AI, med machine learning trænet på historiske købs- og returdata. Modellen estimerer den fastholdte nettoværdi pr. ordre ud fra signaler i købsøjeblikket, blandt andet kurvens sammensætning, samme vare i flere størrelser, betalingsmetode og samlet kurvværdi. Den anvender ikke persondata eller brugerprofiler og opnåede en præcision på 93 %.

Aktiveringen sker helt konkret via server-side Google Tag Manager, ssGTM hvor hver konvertering får tildelt sin forudsagte nettoværdi i realtid. Værdien blev sendt direkte til Performance Max, så Googles Smart Bidding kunne optimere mod fastholdt værdi frem for bruttoomsætning.

Setuppet følger samme kampagnestruktur og samme automatisering som tidligere, men fodres med et fundamentalt bedre kommercielt signal. Effekten blev efterfølgende valideret med GeoLift i Holland og Sverige.

Resultaterne blev målt med GeoLift i matchede test- og kontrolregioner. Det kausale setup isolerede modellens bidrag fra markedsudvikling og øvrige kampagneændringer.

I det hollandske testmarked steg Return on Ad Spend med 50%. På tværs af testmarkederne faldt klikprisen med 21-24,5%. Samtidig blev ordrevolumen fastholdt og i flere tilfælde øget. Den markant stærkere budgivning skar altså ikke blot i annoncespend. Den flyttede investeringen mod de klik og ordrer, der havde størst sandsynlighed for at bibeholde hele ordreværdien.

- Klikpris: 21 til 24,5% lavere
- ROAS: 50% højere i testmarkedet
- Ordrevolumen: Fastholdt, i flere tilfælde øget
- Budgetbesparelse: Cirka 1,3 mio. euro, der er geninvesteret i fortsat vækst
- Effektmåling: GeoLift med test mod kontrol

Casen viser, at effektivitet og skala ikke behøver være modsætninger i paid search. BESTSELLER opnåede lavere omkostninger og højere afkast uden at miste trafik eller salg.

Indsatsen er samtidig skalerbar. Løsningen rulles nu ud globalt på tværs af brands og markeder.

Forsøget i to markeder er dermed på vej til at blive koncernstandard.